如何用 DINOv3 做卫星图像分析基于 SAT-493M 权重的零样本特征提取指南【免费下载链接】dinov3Reference PyTorch implementation and models for DINOv3项目地址: https://gitcode.com/GitHub_Trending/di/dinov3卫星图像分析长期卡在一个死结上样本标注成本高换个区域、换个任务就得重新微调。DINOv3 把这条路走通了——它是 Meta AI 开源的视觉基础模型家族其中在 SAT-493M 卫星数据上预训练的版本无需微调就能直接产出可用的分类与分割特征 ️。零样本分类与分割效果一览无需微调到底意味着什么官方模型卡MODEL_CARD.md给出了 GEO-Bench 基准下的实测数字冻结特征 轻量分类器/线性头零样本即可拿到以下结果——模型分类平均准确率GEO-Bench分割平均精度GEO-BenchDINOv3 ViT-L/16SAT-493M 权重79.6%74.5%DINOv3 ViT-7B/16SAT-493M 权重81.1%75.0%对新手来说这组数字的意义在于分类任务上你甚至只需要在类别标签上挂一个 k-NN 或逻辑回归分类器分割任务上线性头就能出结果。仓库的 notebooks/ 目录里还有对应示例比如 foreground_segmentation.ipynb照着跑一遍就有体感。三行代码加载卫星预训练权重模型权重分 LVD-1689M网络图像和 SAT-493M卫星影像两套做卫星图像分析务必选后者。最小加载方式如下import torch model torch.hub.load( facebookresearch/dinov3, modeldinov3_vitl16, weightsfacebook/dinov3-vitl16-pretrain-sat493m, )如果要从源码入手可以克隆仓库https://gitcode.com/GitHub_Trending/di/dinov3后查看 hub/backbones.py各规格模型的入口函数都定义在那里。注意归一化参数SAT-493M 权重要配套专门的预处理RGB 三通道均值为(0.430, 0.411, 0.296)、标准差为(0.213, 0.156, 0.143)不是通用的 ImageNet 那套预处理流程为转图像、缩放到目标尺寸、转 float32 再归一化。适用边界这几个细节别踩坑输入尺寸模型按 16 的 patch 切图输入宽高必须是16 的倍数才能吃下高分辨率大图不满足时会自动裁剪到最近的较小倍数不会报错但尺寸会变。微调是最后手段官方建议优先使用冻结特征zero-shot 路径直接微调反而容易让特征偏向你的标注偏差效果未必更好。数据域要对口SAT-493M 由4.93 亿张 512×512 图像构成从 Maxar RGB 正射影像中随机采样、分辨率0.6 米。如果你手里的数据是近红外、多光谱或多时相堆栈这套权重的迁移效果需要自行验证。选型参考DINOv3 家族覆盖 ViT-S 到 ViT-7B 多个规格但卫星预训练权重目前提供 ViT-L/16约 300M 参数和 ViT-7B/16约 6.7B 参数两档算力有限时先用 L/16 验证链路更稳妥。背后的训练配方DINO 自蒸馏 iBOT 掩码建模 KoLeo 正则 Gram 锚定决定了它擅长产出密集特征这也是它能同时支撑分类、卫星图像分割、目标检测和深度估计等多任务的原因。能落到哪些场景密集特征 零样本能力直接对应三类落地场景农业监测里做地块分类与作物健康判别城市规划里识别建筑、道路与扩张边界环境监测里做灾害前后对比——配合冻结特征提取一条推理管线可以复用多个下游任务 ✅。从 L/16 的线性头验证起步再按需上 7B 大模型是目前成本与收益平衡得最好的一条路径。【免费下载链接】dinov3Reference PyTorch implementation and models for DINOv3项目地址: https://gitcode.com/GitHub_Trending/di/dinov3创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考