DINOv3 ومستقبل الرؤية الحاسوبية: التعلم الذاتي على نطاق واسع

التعليم الصورة عملية مكلفة وبطيئة في العديد من مشاريع الرؤية الحاسوبية. غالباً ما يؤدي ذلك إلى تقديم تحيز ويقلل من القدرة على توسيع نطاق مجموعات البيانات الكبيرة. لذلك، كان الباحثون يبحثون عن طرق تقلل من الحاجة إلى التسمية اليدوية المكثفة. في الاستجابة لهذه التحدي، قدمت Meta AI DINOv3 في عام 2025. وهو نموذج أساسي للرؤية الذاتية الذي يمكن أن يتعلم مباشرة من 1.7 مليار صورة غير ملبلبة.

تم تدريب النموذج مع شبكة معلم واسعة تبلغ 7 مليارات معلمة. من خلال هذا الإعداد، ينتج ميزات عالمية وثقيلة من هيكل معملي مجمد. ونتيجة لذلك، يمكن للنموذج التقاط التفاصيل الدقيقة في الصور والمعلومات السياقية الأوسع.

علاوة على ذلك، يظهر DINOv3 أداء قوي عبر العديد من مهام الرؤية دون الحاجة إلى تعديل مكلف. هذا يعني أنه ليس فقط قوي من الناحية الفنية ولكن أيضا عملي للباحثين والمهندسين والقادة في الصناعة الذين يواجهون قيود الموارد والوقت.

بهذه الطريقة، يمثل DINOv3 تقدمًا كبيرًا في مجال الرؤية الحاسوبية. إنه يجمع بين التعلم على نطاق واسع والكفاءة والاستخدام الواسع، مما يجعله نموذجًا أساسيًا مع إمكانات قوية لكل من البحث الأكاديمي والتطبيقات الصناعية.

تطور التعلم الذاتي في الرؤية

اعتمادًا على التعلم الخاضع في الرؤية الحاسوبية التقليدية. هذه الطريقة تتطلب مجموعات بيانات كبيرة ومُعلّمة التي يُعنى بها البشر بعناية. العملية مكلفة وبطيئة وغالبًا ما تكون غير عملية في المجالات التي تكون فيها العلامات نادرة أو مكلفة، مثل التصوير الطبي. لهذا السبب، أصبح التعلم الذاتي (SSL) نهجًا حاسمًا. إنه يسمح للنماذج بالتعلم من سمات بصرية مفيدة مباشرة من البيانات الخام غير المُعلّمة عن طريق العثور على الأنماط المخفية في الصور.

أظهرت الطرق المبكرة لتعلم الذاتي، مثل Momentum Contrast (MoCo) و Bootstrap Your Own Latent (BYOL)، أن النماذج يمكن أن تتعلم سمات بصرية قوية دون بيانات مُعلّمة. هذه الطرق أثبتت قيمة الإشراف الذاتي وفتحت الطريق لنهج أكثر تقدمًا.

في عام 2021، قدمت Meta DINO. كان ذلك خطوة مهمة لأنها حققت أداءً تنافسيًا باستخدام التدريب الذاتي فقط. في وقت لاحق، قام DINOv2 بتحسين هذا التقدم من خلال توسيع التدريب وتعزيز قابلية نقل السمات المُتعلمة إلى مهام مختلفة.

أدى هذا التحسين إلى إنشاء أساس ل DINOv3، الذي تم إصداره في عام 2025. استخدم DINOv3 نموذجًا أكبر بكثير ومجموعة بيانات ضخمة، مما مكنه من إنشاء معايير أداء جديدة.

بحلول عام 2025، لم يعد التعلم الذاتي اختياريًا. أصبح نهجًا ضروريًا لأنه سمح بالتدريب على مليارات الصور دون تسمية يدوية. هذا جعل من الممكن بناء نماذج أساسية تُ일반 عبر العديد من المهام. تُقدم هياكلها المُسبقة سمات مرنة، والتي يمكن تعديلها بإضافة رؤوس محددة للمهمة. هذا النهج يقلل من التكلفة ويسرع من تطوير أنظمة الرؤية الحاسوبية.

علاوة على ذلك، يقلل التعلم الذاتي من دورات البحث. يمكن للفرق إعادة استخدام النماذج المُسبقة للاختبار والتقييم السريع، مما يساعد في إنشاء نماذج سريعة. هذا الاتجاه نحو التعلم على نطاق واسع والكفاءة في التسمية يغير طريقة بناء أنظمة الرؤية الحاسوبية وتطبيقها عبر العديد من الصناعات.

كيف يُحدد DINOv3 الرؤية الحاسوبية الذاتية

DINOv3 هو نموذج أساسي للرؤية الذاتية الأكثر تطورًا من Meta AI. إنه يمثل مرحلة جديدة في التدريب على نطاق واسع للرؤية الحاسوبية. على عكس الإصدارات السابقة، يجمع بين شبكة معلم واسعة تبلغ 7 مليارات معلمة مع التدريب على 1.7 مليار صورة غير ملبلبة. هذا النطاق يسمح للنموذج بالتعلم من سمات أقوى وأكثر مرونة.

تحسين كبير في DINOv3 هو استقرار تعلم السمات الكثيفة. النماذج السابقة، مثل DINOv2، غالبًا ما تفقد التفاصيل في السمات على مستوى الباتش خلال التدريب الطويل. هذا جعل المهام مثل التجزئة وتقدير العمق أقل موثوقية. يقدم DINOv3 طريقة تسمى Gram Anchoring لمعالجة هذه القضية. إنه يحافظ على هيكل التشابه بين الباتشات أثناء التدريب، مما يمنع انهيار السمات ويحافظ على التفاصيل الدقيقة.

خطوة تقنية أخرى هي استخدام محاصيل الصور عالية الدقة. من خلال العمل مع أقسام الصور الأكبر، يلتقط النموذج البنية المحلية بدقة أكبر. هذا يؤدي إلى خريطة سمات كثيفة أكثر تفصيلاً وتنوعًا. مثل هذه الخريطة تعزز الأداء في التطبيقات التي يُعتمد فيها دقة البكسل، مثل الكشف عن الكائنات أو التجزئة الدلالية.

النموذج يستفيد أيضًا من التضمين الموضعي الدوراني (RoPE). هذه التضمينات، عندما تُجمع مع استراتيجيات الدقة والقص، تمكن النموذج من التعامل مع الصور بأحجام واشكال مختلفة. هذا يجعل DINOv3 أكثر استقرارًا في السيناريوهات الواقعية، حيث تختلف الصور المدخلة في الجودة والتنسيق.

لدعم احتياجات التوزيع المختلفة، قامت Meta AI بتبخير DINOv3 إلى عائلة من النماذج الأصغر. تشمل هذه عدة أحجام من Vision Transformer (ViT) وإصدارات ConvNeXt. النماذج الأصغر أكثر ملاءمة للأجهزة الحوافز، في حين أن النماذج الأكبر أكثر ملاءمة للأبحاث أو الخوادم.

تؤكد النتائج قوة هذا النهج. يحقق DINOv3 نتائج رائدة على أكثر من ستين معيارًا. يؤدي أداءً جيدًا في التصنيف، التجزئة، الكشف، تقدير العمق، والمهام الثلاثية الأبعاد. العديد من هذه النتائج تحققت مع هيكل معملي مجمد، مما يعني أنه لم يكن هناك حاجة إلى تعديل إضافي.

تفوق الأداء والمعيار

DINOv3 قد أثبت نفسه كنموذج أساسي موثوق للرؤية. حقق نتائج قوية عبر العديد من مهام الرؤية الحاسوبية. قوة واحدة ضرورية هي أن هيكله المعملي المجمد قد ألتقط بالفعل سمات غنية. ونتيجة لذلك، تتطلب معظم التطبيقات فقط مسبار خطي أو محول خفيف. هذا يجعل النقل أسرع وأقل تكلفة وأسهل من التعديل الكامل.

على ImageNet-1K للتصنيف، حقق DINOv3 حوالي 84.5% دقة أعلى 1 مع سمات مجمدة. كان هذا أعلى من العديد من نماذج التعلم الذاتي السابقة وأيضًا أفضل من بعض الأسس الخاضعة للإشراف. للتصنيف الدلالي على ADE20K، حقق مIoU حوالي 63.0 باستخدام هيكل معملي ViT-L. هذه النتائج تظهر أن النموذج يحافظ على المعلومات المكانية الدقيقة دون تدريب محدد للمهمة.

في الكشف عن الكائنات على COCO، حقق DINOv3 مAP حوالي 66.1 مع سمات مجمدة. هذا يظهر قوة تمثيلاته الكثيفة في تحديد الكائنات في المشاهد المعقدة. أدى النموذج أداءً جيدًا أيضًا في تقدير العمق، على سبيل المثال، على NYU-Depth V2، حيث أنتج تنبؤات أكثر دقة من العديد من الطرق الخاضعة للإشراف والتعلم الذاتي القديمة.

خارج هذه، أظهر DINOv3 نتائج قوية في التصنيف الدقيق واختبارات خارج التوزيع. في العديد من الحالات، تفوق على نماذج التعلم الذاتي السابقة والتدريب الخاضع للإشراف التقليدي.

خلال التجربة، كان الفائدة الواضحة هو التكلفة المنخفضة للنقل. تم حل معظم المهام مع تدريب إضافي قليل. هذا قلل من الحسابات و缩ّص زمن النشر.

أكدت Meta AI والباحثون الآخرون DINOv3 على أكثر من 60 معيارًا. وشملت هذه التصنيف، التجزئة، الكشف، تقدير العمق، الاسترجاع، والتعادل الهندسي. عبر هذه النطاق الواسع من التقييمات، قدم النموذج باستمرار نتائج رائدة أو قريبة من الرائدة. هذا يؤكد دوره كمُشفر بصرية مرن وموثوق.

كيف قام DINOv3 بتحويل سير عمل الرؤية الحاسوبية

في سير العمل القديمة، كان على الفرق تدريب العديد من النماذج المحددة للمهمة. كل مهمة تحتاج إلى قاعدة بياناتها الخاصة وتعديلها. هذا رفع التكلفة والجهد اللازم للصيانة.

مع DINOv3، يمكن للفرق الآن تحديد معيار للهيكل المعملي الواحد. يدعم نفس الهيكل المعملي المجمد رؤوس محددة للمهمة المختلفة. هذا يقلل من عدد النماذج الأساسية المستخدمة. كما يبسط خطوط التكامل وي缩ّص دورات الإصدار لميزات الرؤية.

للمطورين، يوفر DINOv3 موارد عملية. تقدم Meta AI نقاط التفتيش وبرامج التدريب و بطاقات النموذج على GitHub. كما يستضيف Hugging Face متغيرات مُبخّرة مع دفاتر ملاحظات توضيحية. هذه الموارد تجعل من السهل تجربة واعتماد النموذج في المشاريع الفعلية.

طريقة شائعة يستخدم بها المطورون هذه الموارد هي لاستخراج السمات. يوفر نموذج DINOv3 المجمد تضمينات تعمل كمدخلات للمهام الجانبية. يمكن للمطورين ثمّ إرفاق رأس خطي أو محول صغير لمعالجة الاحتياجات المحددة. عندما يتطلب المزيد من التكيف، تجعل طرق كفاءة المعلمة، مثل LoRA أو المحولات الخفيفة، من التعديل ممكنًا دون الحاجة إلى الحمل الحاسوبي الكبير.

تلعب المتغيرات المُبخّرة دورًا أساسيًا في هذا السير. النماذج الأصغر يمكن تشغيلها على الأجهزة ذات القدرة المحدودة، في حين أن النماذج الأكبر تظل مناسبة للمختبرات البحثية والخوادم الإنتاجية. هذه المرونة توفر للفرق مرونة لبدء الاختبار بسرعة وتوسيعها إلى إعدادات أكثر صعوبة حسب الحاجة.

من خلال الجمع بين نقاط التفتيش القابلة لإعادة الاستخدام، رؤوس التدريب البسيطة، وأحجام النماذج القابلة للتوسيع، يُغير DINOv3 سير عمل الرؤية الحاسوبية. يقلل من التكلفة وي缩ّص دورات التدريب ويجعل استخدام نماذج الأساس أكثر عمليًا عبر الصناعات.

تطبيقات محددة للنطاق من DINOv3

هناك عدة مجالات يمكن استخدام DINOv3 فيها:

التصوير الطبي

غالبًا ما يفتقد البيان الطبي إلى علامات واضحة، وتكون التسمية الخبيرة وقتية ومكلفة. يمكن أن يساعد DINOv3 من خلال إنتاج سمات كثيفة تنقل جيدًا إلى مهام التصوير الطبي والتشريح. على سبيل المثال، دراسة قامت بتعديل DINOv3 مع محولات منخفضة الرتبة لتصنيف الشكل الميوزي، وحققت دقة متوازنة تبلغ 0.8871 مع عدد قليل من المعلمات القابلة للتدريب. هذا أظهر أن النتائج عالية الجودة ممكنة حتى مع بيانات مُعلّمة محدودة. يمكن استخدام رؤوس أبسط للكشف عن الشذوذ، مما يقلل من الحاجة إلى مجموعات بيانات سريرية كبيرة المُعلّمة. ومع ذلك، يتطلب النشر السريري التحقق الصارم.

الصور الفضائية والجغرافية المكانية

قامت Meta بتدريب متغيرات DINOv3 على مجموعة كبيرة من حوالي 493 مليون محاصيل فضائية. هذه النماذج تحسنت من تقدير ارتفاع الغطاء وتasks التجزئة. في بعض الحالات، حتى متغير الفضاء المُبخّر ViT-L متطابق أو تفوق النموذج المعلم الكامل 7B. هذا أكد قيمة التدريب الذاتي المحدد للنطاق. وبالمثل، يمكن للممارسين إعداد DINOv3 على بيانات النطاق أو تعديل المتغيرات المُبخّرة لتقليل تكاليف التسمية في الاستشعار عن بعد.

المركبات المستقلة والروبوتات

تعزز سمات DINOv3 وحدات الإدراك للمركبات والروبوتات. تحسن الكشف والمطابقة في ظروف جوية واضحة مختلفة. أظهر البحث أن هياكل DINOv3 تدعم سياسات الإدراك والتحكم والسيطرة على الروبوتات، مما يؤدي إلى كفاءة عينة أعلى ونسب نجاح أعلى في مهام التلاعب الروبوتية. يمكن لفريق الروبوتات تطبيق DINOv3 للرؤية، ولكن يجب أن يُجمع مع بيانات النطاق ويعديل بعناية لضمان السلامة في الأنظمة الحرجة.

التجارة واللوجستيات

في الإعدادات التجارية، يمكن أن يدعم DINOv3 مراقبة الجودة وأنظمة المخزون البصري. يُعدل عبر مختلف خطوط المنتجات وإعدادات الكاميرا، مما يقلل من الحاجة إلى إعادة التدريب لكل منتج. هذا يجعلها عمليًا للصناعات السريعة الحركة مع بيئات بصرية متنوعة.

التحديات والتحيز والطريق إلى الأمام

يتطلب تدريب نماذج أساسية للرؤية، مثل DINOv3، على نطاق 7 مليارات معلمة موارد حاسوبية مكثفة. هذا يحد من التدريب الكامل إلى عدد قليل من المنظمات الممولة جيدًا. يقلل التبخير من تكلفة الاستدلال ويسمح بنماذج طالب أصغر بالتشغيل. ومع ذلك، لا يزيل التبخير التكلفة الأصلية للتدريب المسبق. لهذا السبب، يعتمد معظم الباحثين والمهندسين على نقاط التفتيش المنشورة علنًا بدلاً من تدريب مثل هذه النماذج من الصفر.

تحدي آخر حاسم هو انحياز مجموعة البيانات. غالبًا ما تعكس مجموعات الصور الكبيرة التي جمعت من الويب اختلافات إقليمية وثقافية واجتماعية. النماذج المُدرّبة عليها قد ترث أو حتى تزيد من هذه الانحيازات. حتى عندما يتم استخدام هياكل معملة مجمدة، يمكن للتعديل إعادة إدخال الاختلافات عبر المجموعات. لذلك، فإن تدقيق مجموعة البيانات واختبارات العدالة والتقييم العناية ضرورية قبل النشر. تطبق القضايا الأخلاقية أيضًا على ممارسات الترخيص والإصدار. يجب توفير النماذج المفتوحة مع إرشادات استخدام واضحة وملاحظات أمان وتقييمات مخاطر قانونية لدعم تبني مسؤول.

ينظر إلى الأمام، ستشكل عدة اتجاهات دور DINOv3 ونظم مماثلة. أولاً، ستعتمد الأنظمة متعددة الوسائط التي تربط الرؤية واللغة على مشفرات قوية، مثل DINOv3، لتحسين الانسجام بين الصورة والنص. ثانيًا، ستستفيد الحوافز والروبوتات من المتغيرات المُبخّرة الأصغر، مما يجعل الإدراك المتقدم ممكنًا على الأجهزة المحدودة. ثالثًا، ستكتسب الرؤية الذكية أهمية، حيث يعمل الفرق على جعل السمات الكثيفة أكثر تفسيرًا للتدقيق والتصحيح والثقة في المجالات الحرجة. بالإضافة إلى ذلك، ستستمر الأبحاث في تحسين متانة النماذج ضد التحولات التوزيعية والمدخلات المعادية، مما يضمن الاستخدام الموثوق في البيئات الواقعية.

الخلاصة

نظرًا لأن سماتها المجمدة تنقل جيدًا، يدعم مهام مثل التصنيف، التجزئة، الكشف، وتقدير العمق مع تدريب إضافي قليل. في الوقت نفسه، تجعل المتغيرات المُبخّرة النموذج مرنًا بما يكفي للتشغيل عبر الأجهزة الخفيفة والخوادم القوية. هذه القوة تطبيق عملي في مجالات مختلفة، بما في ذلك الرعاية الصحية، والمراقبة الجغرافية المكانية، والروبوتات، والتجارة.

然而، يبقى الحوسبة المكثفة المطلوبة للتدريب المسبق ومخاطر انحياز مجموعة البيانات تحديات مستمرة. لذلك، يعتمد التقدم المستقبلي على دمج قدرات DINOv3 مع التحقق الدقيق ومراقبة العدالة والتنفيذ المسؤول، مما يضمن الاستخدام الموثوق في البحث والصناعة.