01 / UNDERSTAND
仕組みと使いどころ
DINOv3は、手作業の正解ラベルに依存せず事前学習された視覚モデル群で、Vision TransformerとConvNeXtの複数規模が公開されています。入力画像から、画像全体や各領域を表す特徴を出力し、分類、画像検索、物体発見、深度推定、セマンティックセグメンテーション、動画追跡などの下流タスクの基盤として使えます。ViT-B/16は約8,600万パラメーターです。特徴抽出器を固定し、線形層などの比較的単純な処理を組み合わせる利用が想定されています。ただし、DINOv3単体が用途ごとの最終結果を常に返すわけではなく、タスクに応じた分類器やヘッドが必要です。また、モデルカードでは地域や所得区分による性能差が残ることも報告されています。
02 / IN PRACTICE
DINOv3の活用例
たとえば、こんな場面で
画像からDINOv3の特徴を抽出し、その特徴に分類器を接続して画像分類へ利用する方法が考えられます。領域ごとの特徴を使い、画像内の各部分を分類するセグメンテーションや、類似画像の検索に応用することもできます。
03 / GOOD TO KNOW
使うときのポイント
利用時は、Web画像向けか衛星画像向けか、ViTかConvNeXtか、モデル規模を確認します。目的のタスクに対応するヘッドの有無と、入力サイズや前処理の指定も公式資料で確かめてください。
参考資料
DINOv3 （新しいタブで開きます）GitHub - facebookresearch/dinov3: Reference PyTorch implementation and models for DINOv3 （新しいタブで開きます）dinov3/MODEL_CARD.md at main · facebookresearch/dinov3 （新しいタブで開きます）用語の説明や活用例に関連する参考資料です。
READ & LEARN
記事一覧を見る 用語を知ったら、活用を知る。
AI LABで、AIの動向や業務に取り入れるヒントを読む。