特征与多模态 / 33

DINOv2

自监督视觉基础模型

DINOv2通过教师—学生式自监督预训练从大规模图像中学习通用视觉表征，不依赖文本配对，输出特征可用于检索、聚类和多种下游任务。代表性参数规模为约 22M/86M/300M/1.1B（S/B/L/G），性能定位是无需标签即可获得强泛化特征，下游适配能力高。

PARAMETERS

参考参数与输入输出

代表性参数量约 22M/86M/300M/1.1B（S/B/L/G）

输入RGB 图像；常用 224×224 或 518×518

输出全局 token、patch 特征与下游视觉表征

算力与部署GPU 推荐；Giant 版本需服务器级多卡资源

参数量是公开代表性配置或合理范围，不同骨干、类别数、输入尺寸和实现版本会改变结果；详细实施时以选定配置导出的模型信息为准。

PERFORMANCE

无需标签即可获得强泛化特征，下游适配能力高。纯视觉表征通常比 CLIP 更细致，但不具备自然语言零样本分类接口。网站不使用脱离条件的单一 FPS 或 mAP 数字作为承诺，因为数据集、输入尺寸、精度模式、批量大小、GPU 型号和后处理口径都会显著改变测试结果。

CHARACTERISTICS & USE CASES

MODEL COMPARISON

模型	参考参数规模	速度	精度定位	部署	优先场景
DINOv2当前	约 22M/86M/300M/1.1B（S/B/L/G）	中	表征很高	较成熟	相似图检索
CLIP	约 102M–428M（RN50 至 ViT-L/14 常见配置）	中	语义泛化高	较成熟	文本搜图
OpenCLIP	约 60M 至数十亿（随骨干而变）	中	语义泛化高	一般	私有化图文检索

表中“速度、精度、部署”为同类别内的定性定位，用于缩小候选范围，不替代同一测试集、同一硬件和同一精度模式下的实测。

SELECTION SUMMARY

DINOv2适合优先考虑相似图检索、少样本分类、异常样本聚类与筛选的项目。它的主要价值是无需人工标签学习通用视觉特征；需要重点评估它是特征基础模型而非直接业务判定器、领域差异大时仍需线性探针、微调或阈值标定。

建议先用企业真实数据建立基线，再统一测试准确率、召回率、误检率、单张延迟、峰值显存和导出兼容性，最后确定模型规模与部署方式。