Was ist DINOv3?
DINOv3 ist eine Familie von Bild-Encodern von Meta FAIR, veröffentlicht am 14. August 2025. Ein Encoder verwandelt ein Foto in ein Raster von Zahlen, eines pro kleinem Bildfeld, auf dem andere Modelle aufbauen können. DINOv3 lernte das aus 1,7 Milliarden ungelabelten Webbildern, ohne Bildunterschriften oder menschliche Tags, laut Meta zwölfmal so viele Daten und ein siebenmal so großes Modell wie bei DINOv2. Das Flaggschiff ist ein Vision Transformer mit 7B Parametern (6.716M Parameter); Meta destillierte daraus ViT-Modelle mit 21M, 29M, 86M, 300M und 840M Parametern und ConvNeXt-Modelle mit 29M bis 198M für kleinere Hardware.
Das Verkaufsargument: Die Merkmale funktionieren eingefroren. Setzt man einen leichten Head darauf, erledigt dasselbe Backbone Klassifikation, Objekterkennung, semantische Segmentierung, Tiefenschätzung und Video-Tracking, ohne dass der Encoder feinabgestimmt wird. Ein neuer Trainingskniff, den Meta Gram Anchoring nennt, verhindert, dass die Merkmale pro Bildfeld bei langen Trainingsläufen verrauschen, eine bekannte Schwäche des Ansatzes. Eigene ViT-L- und 7B-Backbones, trainiert mit 493 Millionen Satellitenbildern von MAXAR, zielen auf Kartierungsarbeit, und das Zusatzmodul dino.txt richtet die Merkmale für Zero-Shot-Segmentierung an Text aus.
Die Gewichte stehen nicht unter Apache oder MIT. Sie kommen unter der DINOv3 License, einer Meta-Lizenz, die kommerzielle Nutzung erlaubt, aber militärische, ITAR-bezogene, nukleare und Spionagezwecke sowie Reverse Engineering verbietet und Meta erlaubt, die Bedingungen zu ändern. Downloads auf Hugging Face brauchen eine Anfrage, die von Hand genehmigt wird.
Lohnt sich DINOv3?
DINOv3 ist das stärkste allgemeine Bild-Backbone, das man herunterladen kann, und laut Meta das erste, bei dem ein einzelner eingefrorener Encoder spezialisierte Systeme bei dichten Aufgaben schlägt. Mit eingefrorenem Backbone und einem Detektions-Head erreicht es 66,1 mAP auf COCO, mit einem Segmentierungs-Head 63,0 mIoU auf ADE20k, beides zur Veröffentlichung Stand der Technik. Nur mit einer linearen Schicht darauf liegt die Segmentierung auf ADE20k bei 55,9 mIoU, mehr als 6 Punkte vor anderen selbstüberwachten Modellen und 13 vor den schwach überwachten Baselines. Das sind Metas eigene Zahlen über mehr als 60 Benchmarks.
Der praktische Gewinn: Ein Forward Pass bedient mehrere Aufgaben. Eine Drohne oder Fabrikkamera kann den Encoder einmal laufen lassen und dieselben Merkmale an einen Detektor, einen Segmentierer und einen Tiefen-Head geben, was Meta für Edge-Geräte bewirbt. Die destillierte Familie zählt so viel wie das Flaggschiff: Das ViT-L mit 300M ist der meistgeladene Checkpoint, mit rund 700.000 Downloads in den letzten 30 Tagen auf Hugging Face, und laut Meta schlagen die destillierten ViT-B und ViT-L vergleichbare Modelle auf Basis von CLIP.
Bei Satellitenbildern verdient es sich seinen Platz schon heute. Das World Resources Institute nutzt es, um die Höhe von Baumkronen zu kartieren; in einer Region Kenias sank der mittlere Fehler laut Meta von 4,1 Metern mit DINOv2 auf 1,2 Meter. Metas Modell Canopy Height Maps v2, veröffentlicht im März 2026, baut auf DINOv3 auf und lädt in Transformers.
Die Lizenz ist der Preis. DINOv2 steht unter Apache 2.0; DINOv3 nutzt Metas eigene Bedingungen, mit einem von Hand genehmigten Download, einem Verbot militärischer, nuklearer und ITAR-bezogener Nutzung, einer Pflicht zur Nennung in Veröffentlichungen und einer Klausel, die Meta erlaubt, den Vertrag mit sofortiger Wirkung zu ändern. DINOv3 ist auch kein Textmodell: Es beschreibt keine Bilder und beantwortet keine Fragen, und Zero-Shot-Arbeit über Namen braucht den separaten Head dino.txt, wo Modelle im Stil von CLIP wie SigLIP 2 die einfachere Wahl bleiben.
Wo es sich lohnt
Eine Fernerkundungsanalystin bei einer Forst- oder Klima-NGO
Die Höhe von Baumkronen schätzen und Entwaldung auf Satellitenbildern erkennen
Beginne mit dem Backbone SAT-493M oder Metas Baumhöhenmodell CHMv2 in Transformers. Laut Meta meldet das WRI in einer Region Kenias einen Fehlerrückgang von 4,1 m auf 1,2 m gegenüber DINOv2.
Ein Perception-Engineer bei einem Unternehmen für Lagerrobotik mit Hardware der Jetson-Klasse
Detektion, Segmentierung und Tiefe aus einer Kamera mit knappem Rechenbudget
Destillierte Backbones wie das ViT-S mit 21M oder das ConvNeXt Tiny mit 29M laufen einmal pro Frame und speisen mehrere leichte Heads, statt drei getrennte Netze zu betreiben. Die Genauigkeit liegt unter dem 7B-Modell, teste die Größe also an deinen eigenen Szenen.
Ein ML-Lead bei einem Startup für Handelsanalysen mit 15 Leuten
Optisch ähnliche Produkte in einem Katalog mit 2 Millionen Fotos finden
Bette jedes Bild mit dem ViT-L mit 300M ein und indexiere die Vektoren in einer vorhandenen Vektordatenbank; Labels sind nicht nötig. Lass die DINOv3 License vorher juristisch prüfen, denn die Bedingungen sind Metas eigene und können sich ändern.
Bevor du dich festlegst
- Einrichtung
- Zugang auf Hugging Face beantragen und auf die manuelle Genehmigung warten, dann mit pipeline oder AutoModel aus Transformers (4.56+) oder mit timm 1.0.20+ laden. Direkte Downloads kommen nach Metas Formular als URLs per E-Mail; das README rät, wget statt eines Browsers zu nutzen.
- Integrationen
- Transformers, timm und PyTorch Hub; vortrainierte Heads für COCO-Detektion, ADE20k-Segmentierung und NYUv2-Tiefe; dino.txt für Zero-Shot-Abgleich von Text und Bild; Notebooks für Segmentierungs-Tracking in Videos und Zero-Shot-Segmentierung.
- Daten und Datenschutz
- Selbst gehostet bleiben Bilder auf deiner Hardware. Die DINOv3 License erlaubt kommerzielle Nutzung und abgeleitete Werke, verbietet aber ITAR-bezogene, militärische, nukleare, Spionage- und Waffenzwecke sowie Reverse Engineering, verlangt die Nennung in Veröffentlichungen und erlaubt Meta, die Bedingungen zu ändern.
- Kosten im großen Maßstab
- Das 7B-ViT hat nach unserer Rechnung bei 16 Bit etwa 13,4 GB Gewichte, eine GPU mit 24 GB oder mehr reicht also; die destillierten Modelle mit 21M bis 840M laufen auf Consumer-GPUs und Edge-Geräten. Meta schätzt, dass das gesamte Projekt rund 9 Millionen GPU-Stunden brauchte, ein Neutraining von Grund auf ist also unrealistisch.
- Grenzen
- Nur Bilder; keine Textausgabe und kein eigenes Videomodell. Die Benchmarks sind selbst gemeldet; die stärksten Ergebnisse nutzen das 7B-Modell mit Aufgaben-Heads, kleinere destillierte Modelle schneiden schlechter ab.
Was gut ist
- Eingefrorenes Backbone erreicht 66,1 mAP bei COCO-Detektion und 63,0 mIoU auf ADE20k (Meta)
- Größen von 21M bis 7B Parametern, als ViT und ConvNeXt
- Eigene Satelliten-Backbones, trainiert mit 493M Bildern von MAXAR
- Unterstützt in Transformers 4.56+ und timm 1.0.20+
Was nicht
- DINOv3 License statt Apache 2.0 wie bei DINOv2, mit Nutzungsverboten und änderbaren Bedingungen
- Zugang auf Hugging Face wird von Hand genehmigt
- Kein Textverständnis ohne den separaten Head dino.txt
- Das 7B-Flaggschiff braucht eine Rechenzentrums-GPU; die meisten Teams nehmen ein destilliertes Modell
Am besten für
Computer-Vision-Teams, die einen eingefrorenen Bild-Encoder für Heads zu Detektion, Segmentierung, Tiefe oder Suche wollen, auch für Satelliten- und Luftbilder.
Alternativen zu DINOv3
DINOv3: häufige Fragen
- Lohnt sich DINOv3?
- DINOv3 ist das Vision-Backbone, mit dem ein Computer-Vision-Team 2026 beginnen sollte, sofern die Rechtsabteilung mit Metas Lizenz leben kann. Wir bewerten es mit 4.6 von 5.
- Was kostet DINOv3?
- Kostenlos unter der DINOv3 License nach einer von Hand genehmigten Anfrage; kommerzielle Nutzung erlaubt, mit Einschränkungen f ür Militär, ITAR, Nuklearbereich, Spionage und Reverse Engineering. Keine gehostete API von Meta.
- Welche Nachteile hat DINOv3?
- DINOv3 License statt Apache 2.0 wie bei DINOv2, mit Nutzungsverboten und änderbaren Bedingungen; Zugang auf Hugging Face wird von Hand genehmigt; Kein Textverständnis ohne den separaten Head dino.txt; Das 7B-Flaggschiff braucht eine Rechenzentrums-GPU; die meisten Teams nehmen ein destilliertes Modell.
- Für wen eignet sich DINOv3?
- Computer-Vision-Teams, die einen eingefrorenen Bild-Encoder für Heads zu Detektion, Segmentierung, Tiefe oder Suche wollen, auch für Satelliten- und Luftbilder.
- Was kostet DINOv3 für ein Team oder im Produktivbetrieb?
- Das 7B-ViT hat nach unserer Rechnung bei 16 Bit etwa 13,4 GB Gewichte, eine GPU mit 24 GB oder mehr reicht also; die destillierten Modelle mit 21M bis 840M laufen auf Consumer-GPUs und Edge-Geräten. Meta schätzt, dass das gesamte Projekt rund 9 Millionen GPU-Stunden brauchte, ein Neutraining von Grund auf ist also unrealistisch.
- Ist DINOv3 sicher für Firmendaten?
- Selbst gehostet bleiben Bilder auf deiner Hardware. Die DINOv3 License erlaubt kommerzielle Nutzung und abgeleitete Werke, verbietet aber ITAR-bezogene, militärische, nukleare, Spionage- und Waffenzwecke sowie Reverse Engineering, verlangt die Nennung in Veröffentlichungen und erlaubt Meta, die Bedingungen zu ändern.
- Was sind die besten Alternativen zu DINOv3?
- Die nächsten Alternativen, die wir getestet haben, sind V-JEPA 2 and V-JEPA 2.1, SAM 3 (Segment Anything Model 3), Sapiens2 und Qwen3-VL-Embedding.
Antworten geprüft am 9. Nov. 2026.
Du entwickelst DINOv3? Zeig diese Bewertung auf deiner Website
