DINOv3의 개요
DINOv3는 Meta FAIR의 이미지 인코더 제품군으로, 2025년 8월 14일 공개됐습니다. 인코더는 사진을 작은 패치마다 하나씩 숫자를 둔 격자로 바꾸고, 다른 모델이 그 위에 쌓아 올리게 합니다. DINOv3는 캡션도 사람이 단 태그도 없는 라벨 없는 웹 이미지 17억 장으로 이를 배웠는데, Meta에 따르면 DINOv2보다 데이터는 12배, 모델 크기는 7배입니다. 주력은 7B 파라미터(6,716M) 비전 트랜스포머이며, Meta는 이를 21M, 29M, 86M, 300M, 840M 파라미터 ViT 모델과 29M~198M ConvNeXt 모델로 증류해 작은 하드웨어용으로 내놓았습니다.
핵심은 특징을 고정한 채로 쓸 수 있다는 점입니다. 가벼운 헤드만 얹으면 같은 백본이 분류, 물체 검출, 의미론적 분할, 깊이 추정, 영상 추적을 인코더 파인튜닝 없이 해냅니다. Meta가 Gram anchoring이라 부르는 새 학습 기법은 긴 학습에서 패치별 특징이 지저분해지는, 이 방식의 알려진 약점을 막습니다. MAXAR 위성 이미지 4억 9,300만 장으로 학습한 별도의 ViT-L·7B 백본은 지도 제작용이고, 추가 모듈 dino.txt는 제로샷 분할을 위해 특징을 텍스트와 맞춥니다.
가중치는 Apache도 MIT도 아닙니다. Meta 라이선스인 DINOv3 License로 배포되며, 상업적 이용은 허용하지만 군사, ITAR 관련, 원자력, 첩보 용도와 리버스 엔지니어링을 금지하고 Meta가 조건을 바꿀 수 있게 합니다. Hugging Face에서 내려받으려면 사람이 직접 승인하는 신청이 필요합니다.
DINOv3, 쓸 만한 가치가 있습니까?
DINOv3는 내려받을 수 있는 범용 이미지 백본 가운데 가장 강력하며, Meta의 표현으로는 고정된 단일 인코더가 밀집 예측 작업에서 전용 시스템을 이긴 첫 사례입니다. 백본을 고정하고 검출 헤드를 얹으면 COCO에서 66.1 mAP, 분할 헤드를 얹으면 ADE20k에서 63.0 mIoU에 이르며, 둘 다 공개 당시 최고 수준이었습니다. 선형 층 하나만 얹어도 ADE20k 분할이 55.9 mIoU로, 다른 자기지도 모델보다 6포인트 넘게, 약지도 기준 모델보다 13포인트 앞섭니다. 모두 60개가 넘는 벤치마크에 걸친 Meta 자체 수치입니다.
실용적 이점은 순전파 한 번으로 여러 작업을 처리한다는 것입니다. 드론이나 공장 카메라가 인코더를 한 번 돌려 같은 특징을 검출기, 분할기, 깊이 헤드에 넘길 수 있고, Meta는 이를 엣지 기기용으로 내세웁니다. 증류 모델군도 주력만큼 중요합니다. 300M ViT-L은 가장 많이 내려받은 체크포인트로 Hugging Face에서 최근 30일 약 700,000회를 기록했고, Meta는 증류한 ViT-B와 ViT-L이 비슷한 CLIP 기반 모델을 앞선다고 말합니다.
위성 이미지에서는 이미 제 몫을 하고 있습니다. World Resources Institute는 나무 수관 높이 지도를 만드는 데 이를 쓰며, Meta에 따르면 케냐의 한 지역에서 평균 오차가 DINOv2의 4.1미터에서 1.2미터로 줄었습니다. 2026년 3월 공개된 Meta의 Canopy Height Maps v2 모델은 DINOv3를 바탕으로 하며 Transformers에서 불러올 수 있습니다.
대가는 라이선스입니다. DINOv2는 Apache 2.0이지만, DINOv3는 Meta 자체 조건을 써서 다운로드는 수동 승인제이고, 군사, 원자력, ITAR 관련 용도를 금지하며, 논문에 사용 사실을 밝혀야 하고, Meta가 계약을 즉시 바꿀 수 있는 조항도 있습니다. 텍스트 모델도 아닙니다. 이미지를 설명하거나 질문에 답하지 못하고, 이름으로 하는 제로샷 작업에는 별도의 dino.txt 헤드가 필요하며, 이 부분에서는 SigLIP 2 같은 CLIP 계열 모델이 여전히 더 간단한 선택입니다.
제 역할을 하는 곳
산림·기후 비영리단체의 원격탐사 분석가
위성 이미지로 수관 높이를 추정하고 산림 벌채를 찾아내기
SAT-493M 백본이나 Transformers에 있는 Meta의 수관 높이 모델 CHMv2로 시작합니다. Meta에 따르면 WRI는 케냐의 한 지역에서 DINOv2 대비 오차가 4.1 m에서 1.2 m로 줄었다고 보고합니다.
Jetson급 하드웨어를 쓰는 창고 로보틱스 기업의 인식 엔지니어
빠듯한 연산 예산으로 카메라 하나에서 검출, 분할, 깊이를 얻기
21M ViT-S나 29M ConvNeXt Tiny 같은 증류 백본을 프레임마다 한 번 돌려, 별도 네트워크 세 개 대신 가벼운 헤드 여러 개에 공급합니다. 정확도는 7B 모델보다 낮으므로 자기 현장 영상으로 크기를 시험해 보세요.
15명 규모 리테일 분석 스타트업의 ML 리드
사진 200만 장 카탈로그에서 시각적으로 비슷한 상품 찾기
300M ViT-L로 모든 이미지의 임베딩을 만들고 기존 벡터 데이터베이스에 색인합니다. 라벨은 필요 없습니다. 조건이 Meta 자체 것이고 바뀔 수 있으니 먼저 DINOv3 License를 법무 검토에 맡기세요.
도입 전 확인할 점
- 설정
- Hugging Face에서 접근을 신청하고 수동 승인을 기다린 뒤, Transformers(4.56 이상)의 pipeline이나 AutoModel, 또는 timm 1.0.20 이상으로 불러옵니다. 직접 다운로드는 Meta 양식 제출 후 이메일로 URL이 오며, README는 브라우저 대신 wget을 쓰라고 권합니다.
- 연동
- Transformers, timm, PyTorch Hub. COCO 검출, ADE20k 분할, NYUv2 깊이용 사전학습 헤드. 학습 없이 텍스트와 이미지를 맞추는 dino.txt. 영상 분할 추적과 제로샷 분할 노트북.
- 데이터와 개인정보
- 자체 호스팅이므로 이미지는 자기 하드웨어에 머뭅니다. DINOv3 License는 상업적 이용과 파생물을 허용하지만 ITAR 관련, 군사, 원자력, 첩보, 무기 용도와 리버스 엔지니어링을 금지하고, 논문에 사용 사실을 밝히도록 하며, Meta가 조건을 바꿀 수 있게 합니다.
- 대규모 사용 시 비용
- 우리 계산으로 7B ViT는 16비트에서 가중치가 약 13.4 GB이므로 24 GB 이상 GPU 한 장이면 됩니다. 21M~840M 증류 모델은 일반 소비자용 GPU와 엣지 기기에서 돌아갑니다. Meta는 프로젝트 전체에 약 900만 GPU 시간이 들었다고 추정하므로 처음부터 다시 학습하는 것은 현실적이지 않습니다.
- 제한
- 이미지 전용으로, 텍스트 출력도 자체 영상 모델도 없습니다. 벤치마크는 자체 보고이며, 최고 결과는 7B 모델에 작업 헤드를 얹은 것이고 작은 증류 모델은 점수가 낮습니다.
좋은 점
- 고정 백본으로 COCO 검출 66.1 mAP, ADE20k 63.0 mIoU(Meta)
- 21M~7B 파라미터, ViT와 ConvNeXt 변형
- MAXAR 이미지 4억 9,300만 장으로 학습한 위성 전용 백본
- Transformers 4.56 이상과 timm 1.0.20 이상 지원
아쉬운 점
- DINOv2 같은 Apache 2.0이 아닌 DINOv3 License로, 이용 금지 항목과 변경 가능한 조건이 있음
- Hugging Face 접근은 수동 승인
- 별도 dino.txt 헤드 없이는 텍스트를 이해하지 못함
- 7B 주력은 데이터센터 GPU가 필요해 대부분의 팀은 증류 모델을 씀
추천 대상
검출, 분할, 깊이, 검색 헤드에 특징을 공급할 고정 이미지 인코더 하나가 필요한 컴퓨터 비전 팀. 위성·항공 이미지도 포함됩니다.
DINOv3 대안
DINOv3: 자주 묻는 질문
- DINOv3, 쓸 만한 가치가 있습니까?
- DINOv3는 2026년 컴퓨터 비전 팀이 출발점으로 삼아야 할 비전 백본입니다. 법무팀이 Meta 라이선스를 받아들일 수 있다면 말입니다. 평점은 5점 만점에 4.6점입니다.
- DINOv3의 가격은 얼마입니까?
- 수동 승인 신청 후 DINOv3 License로 무료. 상업적 이용 허용, 단 군사, ITAR, 원자력, 첩보, 리버스 엔지니어링 제한. Meta의 호스팅 API는 없습니다.
- DINOv3의 단점은 무엇입니까?
- DINOv2 같은 Apache 2.0이 아닌 DINOv3 License로, 이용 금지 항목과 변경 가능한 조건이 있음; Hugging Face 접근은 수동 승인; 별도 dino.txt 헤드 없이는 텍스트를 이해하지 못함; 7B 주력은 데이터센터 GPU가 필요해 대부분의 팀은 증류 모델을 씀.
- DINOv3에 적합한 사람은 누구입니까?
- 검출, 분할, 깊이, 검색 헤드에 특징을 공급할 고정 이미지 인코더 하나가 필요한 컴퓨터 비전 팀. 위성·항공 이미지도 포함됩니다.
- 팀이나 프로덕션 환경에서 DINOv3의 비용은 얼마입니까?
- 우리 계산으로 7B ViT는 16비트에서 가중치가 약 13.4 GB이므로 24 GB 이상 GPU 한 장이면 됩니다. 21M~840M 증류 모델은 일반 소비자용 GPU와 엣지 기기에서 돌아갑니다. Meta는 프로젝트 전체에 약 900만 GPU 시간이 들었다고 추정하므로 처음부터 다시 학습하는 것은 현실적이지 않습니다.
- DINOv3에 회사 데이터를 맡겨도 안전합니까?
- 자체 호스팅이므로 이미지는 자기 하드웨어에 머뭅니다. DINOv3 License는 상업적 이용과 파생물을 허용하지만 ITAR 관련, 군사, 원자력, 첩보, 무기 용도와 리버스 엔지니어링을 금지하고, 논문에 사용 사실을 밝히도록 하며, Meta가 조건을 바꿀 수 있게 합니다.
- DINOv3의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 V-JEPA 2 and V-JEPA 2.1, SAM 3 (Segment Anything Model 3), Sapiens2 및 Qwen3-VL-Embedding입니다.
답변 확인일: 2026년 11월 9일.
DINOv3 개발사입니까? 이 평점을 사이트에 표시하십시오
