DINOv3とは？
DINOv3はMeta FAIRの画像エンコーダーファミリーで、2025年8月14日に公開されました。エンコーダーは写真を小さなパッチごとに1つずつの数値の格子に変え、ほかのモデルがその上に組み立てられるようにします。DINOv3はこれを、キャプションも人手のタグもない17億枚のラベルなしウェブ画像から学びました。Metaによれば、DINOv2の12倍のデータと7倍のモデルサイズです。主力は7Bパラメータ(6,716M)のビジョントランスフォーマーで、Metaはこれを21M、29M、86M、300M、840MパラメータのViTモデルと、29Mから198MのConvNeXtモデルに蒸留し、より小さなハードウェア向けにしています。
売りは、特徴量が凍結したままで使えることです。軽いヘッドを載せれば、同じバックボーンが分類、物体検出、セマンティックセグメンテーション、深度推定、動画トラッキングを、エンコーダーをファインチューニングせずにこなします。MetaがGram anchoringと呼ぶ新しい学習上の工夫は、長い学習でパッチごとの特徴量がノイズまみれになるという、この手法の既知の弱点を防ぎます。MAXARの衛星画像4億9,300万枚で学習した別のViT-Lと7Bのバックボーンは地図作成向けで、 追加モジュールdino.txtはゼロショットのセグメンテーションのために特徴量をテキストと揃えます。
重みはApacheでもMITでもありません。MetaのライセンスであるDINOv3 Licenseの下で配布され、商用利用は認める一方、軍事、ITARに関わる用途、原子力、諜報への利用とリバースエンジニアリングを禁じ、Metaが条件を変更できるとしています。Hugging Faceからのダウンロードには、手作業で承認される申請が必要です。
DINOv3は使う価値があるか？
DINOv3はダウンロードできる汎用画像バックボーンとして最も強力で、Metaの言葉では、凍結した単一のエンコーダーが密な予測タスクで専用システムを上回った初めての例です。バックボーンを凍結し検出ヘッドを載せるとCOCOで66.1 mAP、セグメンテーションヘッドではADE20kで63.0 mIoUに達し、どちらも公開時点の最高水準でした。線形層を1枚載せただけでも、ADE20kのセグメンテーションは55.9 mIoUで、ほかの自己教師ありモデルを6ポイント以上、弱教師ありのベースラインを13ポイント上回ります。いずれも60以上のベンチマークにわたるMeta自身の数字です。
実用上の利点は、1回の順伝播で複数のタスクをまかなえることです。ドローンや工場のカメラはエンコーダーを1回動かし、同じ特徴量を検出器、セグメンテーション、深度ヘッドに渡せます。Metaはこれをエッジデバイス向けとして打ち出しています。蒸留モデル群は主力と同じくらい重要です。300MのViT-Lは最もダウンロードされているチェックポイントで、Hugging Faceでの直近30日のダウンロードは約700,000回です。Metaは、蒸留したViT-BとViT-Lが同等のCLIP系モデルを上回るとして います。
衛星画像ではすでに実績を上げています。World Resources Instituteは樹冠の高さの地図作りに使っており、Metaによればケニアのある地域で平均誤差がDINOv2の4.1メートルから1.2メートルに下がりました。2026年3月に公開されたMetaのCanopy Height Maps v2モデルはDINOv3を土台にしており、Transformersで読み込めます。
代償はライセンスです。DINOv2はApache 2.0ですが、DINOv3はMeta独自の条件で、ダウンロードは手作業の承認制、軍事、原子力、ITARに関わる用途は禁止、論文では使用の明記が必要で、Metaが即時に契約を変更できる条項もあります。テキストモデルでもありません。画像を説明したり質問に答えたりはできず、名前によるゼロショット作業には別のヘッドdino.txtが必要で、そこではSigLIP 2のようなCLIP系モデルのほうが引き続き手軽な選択です。
真価を発揮する場面
森林・気候分野の非営利団体のリモートセンシング分析担当者
衛星画像から樹冠の高さを推定し、森林破壊を見つける
SAT-493MのバックボーンかMetaの樹冠高モデルCHMv2をTransformersで使うところから始めます。Metaによれば、WRIはケニアのある地域でDINOv2と比べて誤差が4.1 mから1.2 mに下がったと報告しています。
Jetsonクラスのハードウェアを使う倉庫ロボット企業の認識エンジニア
限られた計算資源で、1台のカメラから検出、セグメンテーション、深度を得る
21MのViT-Sや29MのConvNeXt Tinyのような蒸留バックボーンをフレームごとに1回動かし、3つの別々のネットワークの代わりに複数の軽いヘッドに渡します。精度は7Bモデルより下がるので、自社の現場の映像でサイズを試してください。
15人の小売分析スタートアップのMLリード
200万枚の写真のカタログから見た目の似た商品を探す
300MのViT-Lで全画像の埋め込みを作り、既存のベクトルデータベースに索引付けします。ラベルは不要です。条件はMeta独自のもので変わる可能性があるため、先にDINOv3 Licenseを法務に確認してもらってください。
導入前に確認すること
- 導入
- Hugging Faceでアクセスを申請して手作業の承認を待ち、Transformers(4.56以降)のpipelineかAutoModel、またはtimm 1.0.20以降で読み込みます。直接ダウンロードはMetaのフォームのあとにメールでURLが届き、READMEはブラウザではなくwgetを使うよう勧めています。
- 連携
- Transformers、timm、PyTorch Hub。COCO検出、ADE20kセグメンテーション、NYUv2深度向けの学習済みヘッド。学習なしでテキストと画像を照合するdino.txt。動画のセグメンテーショントラッキングとゼロショットセグメンテーションのノートブック。
- データとプライバシー
- セルフホストなので、画像は自分のハードウェアにとどまります。DINOv3 Licenseは商用利用と派生物を認めますが、ITARに関わる用途、軍事、原子力、諜報、武器への利用とリバースエンジニアリングを禁じ、論文での明記を求め、Metaが条件を変更できるとしています。
- 大規模利用時のコスト
- 7BのViTは16ビットで重みが約13.4 GBになると私たちは計算しており、24 GB以上のGPU 1基で動きます。21Mから840Mの蒸留モデルは一般向けGPUやエッジデバイスで動きます。Metaはプロジェクト全体で約900万GPU時間を使ったと見積もっており、ゼロからの再学習は現実的ではありません。
- 制限
- 画像のみで、テキスト出力も独自の動画モデルもありません。ベンチマークは自己申告で、最良の結果は7Bモデルにタスクヘッドを載せたもの、小さい蒸留モデルはスコアが下がります。
良い点
- 凍結したバックボーンでCOCO検出66.1 mAP、ADE20k 63.0 mIoU(Meta)
- 21Mから7Bパラメータまで、ViTとConvNeXtの両系統
- MAXAR画像4億9,300万枚で学習した衛星専用バックボーン
- Transformers 4.56以降とtimm 1.0.20以降に対応
気になる点
- DINOv2のよ うなApache 2.0ではなくDINOv3 Licenseで、利用禁止事項と変更可能な条件がある
- Hugging Faceでのアクセスは手作業で承認
- 別のヘッドdino.txtなしではテキストを理解しない
- 7Bの主力はデータセンター向けGPUが必要で、多くのチームは蒸留モデルを使う
おすすめの人
検出、セグメンテーション、深度、検索のヘッドに特徴量を渡す凍結した画像エンコーダーを1つ求めるコンピュータービジョンのチーム。衛星画像や航空写真も含みます。
DINOv3の代替
DINOv3：よくある質問
- DINOv3は使う価値があるか？
- DINOv3は、2026年にコンピュータービジョンのチームが出発点にすべきビジョンバックボーンです。法務がMetaのライセンスを受け入れられるならば、ですが。 評価は5点満点中4.6点です。
- DINOv3の料金は？
- 手作業で承認される申請のあと、DINOv3 Licenseの下で無料。商用利用可、ただし軍事、ITAR、原子力、諜報、リバースエンジニアリングに制限あり。Metaによるホスト型APIはありません。
- DINOv3の 欠点は？
- DINOv2のようなApache 2.0ではなくDINOv3 Licenseで、利用禁止事項と変更可能な条件がある; Hugging Faceでのアクセスは手作業で承認; 別のヘッドdino.txtなしではテキストを理解しない; 7Bの主力はデータセンター向けGPUが必要で、多くのチームは蒸留モデルを使う.
- DINOv3は誰に向いているか？
- 検出、セグメンテーション、深度、検索のヘッドに特徴量を渡す凍結した画像エンコーダーを1つ求めるコンピュータービジョンのチーム。衛星画像や航空写真も含みます。
- チームや本番環境でDINOv3を使うと費用はいくらか？
- 7BのViTは16ビットで重みが約13.4 GBになると私たちは計算しており、24 GB以上のGPU 1基で動きます。21Mから840Mの蒸留モデルは一般向けGPUやエッジデバイスで動きます。Metaはプロジェクト全体で約900万GPU時間を使ったと見積もっており、ゼロからの再学習は現実的ではありません。
- DINOv3は企業データを扱っても安全か？
- セルフホストなので、画像は自分のハードウェアにとどまります。DINOv3 Licenseは商用利用と派生物を認めますが、ITARに関わる用途、軍事、原子力、諜報、武器への利用とリバースエンジニアリングを禁じ、論文での明記を求め、Metaが条件を変更できるとしています。
- DINOv3の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はV-JEPA 2 and V-JEPA 2.1, SAM 3 (Segment Anything Model 3), Sapiens2 、 Qwen3-VL-Embeddingです。
回答確認日：2026年11月9日
DINOv3の開発元の方へ：この評価をサイトに掲載できます
