Qu’est-ce que DINOv3 ?
DINOv3 est une famille d'encodeurs d'image de Meta FAIR, publiée le 14 août 2025. Un encodeur transforme une photo en une grille de nombres, un par petit fragment, sur laquelle d'autres modèles peuvent s'appuyer. DINOv3 a appris à le faire à partir de 1,7 milliard d'images du web non étiquetées, sans légendes ni annotations humaines, soit selon Meta 12 fois les données et 7 fois la taille de modèle de DINOv2. Le modèle phare est un vision transformer de 7B paramètres (6 716M) ; Meta l'a distillé en modèles ViT de 21M, 29M, 86M, 300M et 840M paramètres et en modèles ConvNeXt de 29M à 198M pour du matériel plus modeste.
Son principal argument : les caractéristiques fonctionnent figées. Ajoutez une tête légère et le même backbone assure classification, détection d'objets, segmentation sémantique, estimation de profondeur et suivi vidéo sans réentraîner l'encodeur. Une nouvelle astuce d'entraînement que Meta appelle Gram anchoring empêche les caractéristiques par fragment de devenir bruitées au fil de longs entraînements, une faiblesse connue de l'approche. Des backbones ViT-L et 7B distincts, entraînés sur 493 millions d'images satellite MAXAR, visent la cartographie, et le module dino.txt aligne les caractéristiques sur du texte pour la segmentation zero-shot.
Les poids ne sont ni sous Apache ni sous MIT. Ils sont distribués sous la DINOv3 License, une licence de Meta qui autorise l'usage commercial mais interdit les usages militaires, liés à ITAR, nucléaires et d'espionnage ainsi que la rétro-ingénierie, et permet à Meta de modifier les conditions. Les téléchargements sur Hugging Face passent par une demande approuvée à la main.
DINOv3 vaut-il le coup ?
DINOv3 est le backbone d'image généraliste le plus solide que l'on puisse télécharger et, selon Meta, le premier avec lequel un seul encodeur figé bat des systèmes spécialisés sur les tâches denses. Backbone figé et tête de détection en plus, il atteint 66,1 mAP sur COCO ; avec une tête de segmentation, 63,0 mIoU sur ADE20k, deux résultats à l'état de l'art à leur publication. Avec une simple couche linéaire, la segmentation ADE20k atteint 55,9 mIoU, plus de 6 points devant les autres modèles auto-supervisés et 13 devant les références faiblement supervisées. Ce sont les chiffres de Meta sur plus de 60 benchmarks.
Le gain pratique : une seule passe sert plusieurs tâches. Un drone ou une caméra d'usine peut exécuter l'encodeur une fois et transmettre les mêmes caractéristiques à un détecteur, un segmenteur et une tête de profondeur, ce que Meta met en avant pour les appareils en périphérie. La famille distillée compte autant que le modèle phare : le ViT-L de 300M est le checkpoint le plus téléchargé, avec environ 700 000 téléchargements sur les 30 derniers jours sur Hugging Face, et Meta affirme que les ViT-B et ViT-L distillés battent des modèles comparables fondés sur CLIP.
C'est sur l'imagerie satellite qu'il fait déjà ses preuves. Le World Resources Institute l'utilise pour cartographier la hauteur de la canopée ; dans une région du Kenya, l'erreur moyenne est passée de 4,1 mètres avec DINOv2 à 1,2 mètre, selon Meta. Son modèle Canopy Height Maps v2, publié en mars 2026, repose sur DINOv3 et se charge dans Transformers.
La licence est le prix à payer. DINOv2 est sous Apache 2.0 ; DINOv3 utilise les conditions maison de Meta, avec un téléchargement approuvé à la main, une interdiction des usages militaires, nucléaires et liés à ITAR, une obligation de le citer dans les publications et une clause qui permet à Meta de modifier l'accord avec effet immédiat. DINOv3 n'est pas non plus un modèle de texte : il ne décrit pas d'images et ne répond pas à des questions, et le travail zero-shot par nom exige la tête séparée dino.txt, là où les modèles de type CLIP comme SigLIP 2 restent le choix le plus simple.
Là où il fait la différence
Une analyste en télédétection dans une ONG forestière ou climatique
Estimer la hauteur de la canopée et repérer la déforestation sur des images satellite
Partez du backbone SAT-493M ou du modèle de hauteur de canopée CHMv2 de Meta dans Transformers. Selon Meta, le WRI signale une erreur passée de 4,1 m à 1,2 m dans une région du Kenya par rapport à DINOv2.
Un ingénieur perception dans une entreprise de robotique d'entrepôt équipée de matériel de classe Jetson
Faire détection, segmentation et profondeur depuis une seule caméra avec peu de calcul
Des backbones distillés comme le ViT-S de 21M ou le ConvNeXt Tiny de 29M tournent une fois par image et alimentent plusieurs têtes légères, au lieu de trois réseaux séparés. La précision baisse par rapport au modèle de 7B, testez donc la taille sur vos propres scènes.
Un responsable ML dans une start-up d'analyse pour la distribution de 15 personnes
Retrouver des produits visuellement proches dans un catalogue de 2 millions de photos
Calculez l'embedding de chaque image avec le ViT-L de 300M et indexez les vecteurs dans une base vectorielle existante ; aucune étiquette n'est nécessaire. Faites d'abord vérifier la DINOv3 License par un juriste, car ses conditions sont propres à Meta et peuvent changer.
Avant de vous engager
- Mise en route
- Demandez l'accès sur Hugging Face et attendez l'approbation manuelle, puis chargez le modèle avec pipeline ou AutoModel de Transformers (4.56+) ou avec timm 1.0.20+. Les téléchargements directs arrivent sous forme d'URL par e-mail après le formulaire de Meta ; le README conseille wget plutôt qu'un navigateur.
- Intégrations
- Transformers, timm et PyTorch Hub ; têtes préentraînées pour la détection COCO, la segmentation ADE20k et la profondeur NYUv2 ; dino.txt pour l'appariement texte-image sans entraînement ; notebooks de suivi de segmentation vidéo et de segmentation zero-shot.
- Données et confidentialité
- Auto-hébergé, les images restent sur votre matériel. La DINOv3 License autorise l'usage commercial et les œuvres dérivées mais interdit les usages liés à ITAR, militaires, nucléaires, d'espionnage et d'armement ainsi que la rétro-ingénierie, impose de le citer dans les publications et permet à Meta de modifier les conditions.
- Coût à grande échelle
- Le ViT de 7B pèse environ 13,4 Go de poids en 16 bits, selon notre calcul, donc un GPU de 24 Go ou plus suffit ; les modèles distillés de 21M à 840M tournent sur des GPU grand public et des appareils en périphérie. Meta estime que le projet entier a consommé environ 9 millions d'heures GPU ; réentraîner depuis zéro n'est pas réaliste.
- Limites
- Image seulement ; pas de sortie texte ni de modèle vidéo propre. Les benchmarks sont autodéclarés ; les meilleurs résultats utilisent le modèle de 7B avec des têtes de tâche, et les modèles distillés plus petits obtiennent moins.
Les points forts
- Backbone figé à 66,1 mAP en détection COCO et 63,0 mIoU sur ADE20k (Meta)
- Tailles de 21M à 7B paramètres, en variantes ViT et ConvNeXt
- Backbones satellite dédiés, entraînés sur 493M d'images MAXAR
- Pris en charge par Transformers 4.56+ et timm 1.0.20+
Les points faibles
- DINOv3 License et non Apache 2.0 comme DINOv2, avec interdictions d'usage et conditions modifiables
- L'accès sur Hugging Face est approuvé à la main
- Pas de compréhension du texte sans la tête séparée dino.txt
- Le modèle phare de 7B exige un GPU de centre de données ; la plupart des équipes prendront un modèle distillé
Idéal pour
Équipes de vision par ordinateur qui veulent un seul encodeur d'image figé pour alimenter des têtes de détection, de segmentation, de profondeur ou de recherche, y compris sur imagerie satellite et aérienne.
Alternatives à DINOv3
DINOv3 : questions fréquentes
- DINOv3 vaut-il le coup ?
- DINOv3 est le backbone de vision dont une équipe de vision par ordinateur devrait partir en 2026, pourvu que le service juridique accepte la licence de Meta. Nous lui donnons 4.6 sur 5.
- Combien coûte DINOv3 ?
- Gratuit sous la DINOv3 License après une demande approuvée à la main ; usage commercial autorisé, avec des restrictions militaires, ITAR, nucléaires, d'espionnage et de rétro-ingénierie. Pas d'API hébergée par Meta.
- Quels sont les inconvénients de DINOv3 ?
- DINOv3 License et non Apache 2.0 comme DINOv2, avec interdictions d'usage et conditions modifiables; l'accès sur Hugging Face est approuvé à la main; pas de compréhension du texte sans la tête séparée dino.txt; le modèle phare de 7B exige un GPU de centre de données ; la plupart des équipes prendront un modèle distillé.
- À qui s’adresse DINOv3 ?
- Équipes de vision par ordinateur qui veulent un seul encodeur d'image figé pour alimenter des têtes de détection, de segmentation, de profondeur ou de recherche, y compris sur imagerie satellite et aérienne.
- Combien coûte DINOv3 pour une équipe ou en production ?
- Le ViT de 7B pèse environ 13,4 Go de poids en 16 bits, selon notre calcul, donc un GPU de 24 Go ou plus suffit ; les modèles distillés de 21M à 840M tournent sur des GPU grand public et des appareils en périphérie. Meta estime que le projet entier a consommé environ 9 millions d'heures GPU ; réentraîner depuis zéro n'est pas réaliste.
- DINOv3 est-il sûr pour les données de l’entreprise ?
- Auto-hébergé, les images restent sur votre matériel. La DINOv3 License autorise l'usage commercial et les œuvres dérivées mais interdit les usages liés à ITAR, militaires, nucléaires, d'espionnage et d'armement ainsi que la rétro-ingénierie, impose de le citer dans les publications et permet à Meta de modifier les conditions.
- Quelles sont les meilleures alternatives à DINOv3 ?
- Les alternatives les plus proches que nous avons testées sont V-JEPA 2 and V-JEPA 2.1, SAM 3 (Segment Anything Model 3), Sapiens2 et Qwen3-VL-Embedding.
Réponses vérifiées le 9 nov. 2026.
Vous éditez DINOv3 ? Affichez cette note sur votre site
