O que é DINOv3?
O DINOv3 é uma família de codificadores de imagem da Meta FAIR, lançada em 14 de agosto de 2025. Um codificador transforma uma foto numa grade de números, um por pequeno trecho da imagem, sobre a qual outros modelos podem ser construídos. O DINOv3 aprendeu isso com 1,7 bilhão de imagens da web sem rótulos, sem legendas nem marcações humanas, o que segundo a Meta são 12 vezes os dados e 7 vezes o tamanho de modelo do DINOv2. O carro-chefe é um vision transformer de 7B parâmetros (6.716M); a Meta o destilou em modelos ViT de 21M, 29M, 86M, 300M e 840M parâmetros e em modelos ConvNeXt de 29M a 198M para hardware menor.
O argumento central é que as características funcionam congeladas. Coloque uma cabeça leve em cima e o mesmo backbone faz classificação, detecção de objetos, segmentação semântica, estimativa de profundidade e rastreamento em vídeo sem ajustar o codificador. Um novo truque de treino que a Meta chama de Gram anchoring impede que as características por trecho fiquem ruidosas em treinos longos, uma fraqueza conhecida da abordagem. Backbones ViT-L e 7B à parte, treinados com 493 milhões de imagens de satélite da MAXAR, miram trabalho de mapeamento, e o complemento dino.txt alinha as características a texto para segmentação zero-shot.
Os pesos não são Apache nem MIT. Eles vêm sob a DINOv3 License, uma licença da Meta que permite uso comercial, mas proíbe usos militares, ligados ao ITAR, nucleares e de espionagem, além de engenharia reversa, e permite que a Meta mude os termos. Downloads no Hugging Face exigem um pedido aprovado manualmente.
DINOv3 vale a pena?
O DINOv3 é o backbone de imagem de uso geral mais forte que se pode baixar e, nas palavras da Meta, o primeiro em que um único codificador congelado supera sistemas especializados em tarefas densas. Com o backbone congelado e uma cabeça de detecção em cima, chega a 66,1 mAP no COCO; com uma cabeça de segmentação, a 63,0 mIoU no ADE20k, ambos estado da arte no lançamento. Só com uma camada linear em cima, a segmentação no ADE20k fica em 55,9 mIoU, mais de 6 pontos à frente de outros modelos autossupervisionados e 13 à frente das referências fracamente supervisionadas. São números da própria Meta em mais de 60 benchmarks.
O ganho prático é que uma passada serve várias tarefas. Um drone ou uma câmera de fábrica pode rodar o codificador uma vez e passar as mesmas características a um detector, um segmentador e uma cabeça de profundidade, algo que a Meta promove para dispositivos de borda. A família destilada importa tanto quanto o carro-chefe: o ViT-L de 300M é o checkpoint mais baixado, com cerca de 700.000 downloads nos últimos 30 dias no Hugging Face, e a Meta diz que os ViT-B e ViT-L destilados superam modelos comparáveis baseados em CLIP.
Em imagens de satélite ele já mostra serviço. O World Resources Institute o usa para mapear a altura do dossel das árvores; numa região do Quênia o erro médio caiu de 4,1 metros com o DINOv2 para 1,2 metro, segundo a Meta. O modelo Canopy Height Maps v2 da Meta, lançado em março de 2026, é baseado no DINOv3 e carrega no Transformers.
A licença é o preço. O DINOv2 está sob Apache 2.0; o DINOv3 usa termos próprios da Meta, com download aprovado manualmente, proibição de usos militares, nucleares e ligados ao ITAR, obrigação de citá-lo em publicações e uma cláusula que deixa a Meta alterar o acordo com efeito imediato. O DINOv3 também não é um modelo de texto: não descreve imagens nem responde perguntas, e trabalho zero-shot por nome exige a cabeça separada dino.txt, onde modelos no estilo CLIP como o SigLIP 2 seguem sendo a opção mais simples.
Onde ele se destaca
Uma analista de sensoriamento remoto numa ONG florestal ou climática
Estimar a altura do dossel e detectar desmatamento em imagens de satélite
Comece pelo backbone SAT-493M ou pelo modelo de altura de dossel CHMv2 da Meta no Transformers. Segundo a Meta, o WRI relata queda de erro de 4,1 m para 1,2 m numa região do Quênia em relação ao DINOv2.
Um engenheiro de percepção numa empresa de robótica de armazéns com hardware classe Jetson
Fazer detecção, segmentação e profundidade com uma só câmera e pouca computação
Backbones destilados como o ViT-S de 21M ou o ConvNeXt Tiny de 29M rodam uma vez por quadro e alimentam várias cabeças leves, em vez de três redes separadas. A precisão cai em relação ao modelo de 7B, então teste o tamanho nas suas próprias cenas.
Um líder de ML numa startup de análise de varejo com 15 pessoas
Encontrar produtos visualmente parecidos num catálogo de 2 milhões de fotos
Gere o embedding de cada imagem com o ViT-L de 300M e indexe os vetores num banco vetorial que você já usa; não precisa de rótulos. Peça antes ao jurídico que revise a DINOv3 License, porque os termos são da própria Meta e podem mudar.
Antes de decidir
- Configuração
- Peça acesso no Hugging Face e espere a aprovação manual; depois carregue com pipeline ou AutoModel do Transformers (4.56+) ou com timm 1.0.20+. Downloads diretos chegam como URLs por e-mail após o formulário da Meta; o README recomenda usar wget em vez de navegador.
- Integrações
- Transformers, timm e PyTorch Hub; cabeças pré-treinadas para detecção COCO, segmentação ADE20k e profundidade NYUv2; dino.txt para casar texto e imagem sem treino; notebooks de rastreamento de segmentação em vídeo e de segmentação zero-shot.
- Dados e privacidade
- Auto-hospedado, as imagens ficam no seu hardware. A DINOv3 License permite uso comercial e obras derivadas, mas proíbe usos ligados ao ITAR, militares, nucleares, de espionagem e de armas, além de engenharia reversa; exige citação em publicações e permite que a Meta altere os termos.
- Custo em escala
- O ViT de 7B ocupa cerca de 13,4 GB de pesos em 16 bits, pela nossa conta, então uma GPU de 24 GB ou mais dá conta; os modelos destilados de 21M a 840M rodam em GPUs de consumo e dispositivos de borda. A Meta estima que o projeto inteiro usou cerca de 9 milhões de horas de GPU, então retreinar do zero não é realista.
- Limites
- Só imagem; sem saída de texto e sem modelo de vídeo próprio. Os benchmarks são autodeclarados; os melhores resultados usam o modelo de 7B com cabeças de tarefa, e os destilados menores pontuam menos.
O que é bom
- Backbone congelado chega a 66,1 mAP na detecção COCO e 63,0 mIoU no ADE20k (Meta)
- Tamanhos de 21M a 7B parâmetros, em variantes ViT e ConvNeXt
- Backbones de satélite dedicados, treinados com 493M imagens da MAXAR
- Suportado no Transformers 4.56+ e no timm 1.0.20+
O que não é
- DINOv3 License, não Apache 2.0 como o DINOv2, com proibições de uso e termos alteráveis
- O acesso no Hugging Face é aprovado manualmente
- Não entende texto sem a cabeça separada dino.txt
- O carro-chefe de 7B exige GPU de data center; a maioria das equipes usará um modelo destilado
Ideal para
Equipes de visão computacional que querem um único codificador de imagem congelado para alimentar cabeças de detecção, segmentação, profundidade ou busca, inclusive em imagens aéreas e de satélite.
Alternativas ao DINOv3
DINOv3: perguntas frequentes
- DINOv3 vale a pena?
- O DINOv3 é o backbone de visão de onde uma equipe de visão computacional deve partir em 2026, desde que o jurídico aceite a licença da Meta. Damos nota 4.6 de 5.
- Quanto custa DINOv3?
- Gratuito sob a DINOv3 License após pedido aprovado manualmente; uso comercial permitido, com restrições militares, de ITAR, nucleares, de espionagem e de engenharia reversa. A Meta não oferece API hospedada.
- Quais são as desvantagens de DINOv3?
- DINOv3 License, não Apache 2.0 como o DINOv2, com proibições de uso e termos alteráveis; o acesso no Hugging Face é aprovado manualmente; não entende texto sem a cabeça separada dino.txt; o carro-chefe de 7B exige GPU de data center; a maioria das equipes usará um modelo destilado.
- Para quem DINOv3 é indicado?
- Equipes de visão computacional que querem um único codificador de imagem congelado para alimentar cabeças de detecção, segmentação, profundidade ou busca, inclusive em imagens aéreas e de satélite.
- Quanto custa DINOv3 para uma equipe ou em produção?
- O ViT de 7B ocupa cerca de 13,4 GB de pesos em 16 bits, pela nossa conta, então uma GPU de 24 GB ou mais dá conta; os modelos destilados de 21M a 840M rodam em GPUs de consumo e dispositivos de borda. A Meta estima que o projeto inteiro usou cerca de 9 milhões de horas de GPU, então retreinar do zero não é realista.
- DINOv3 é seguro para dados da empresa?
- Auto-hospedado, as imagens ficam no seu hardware. A DINOv3 License permite uso comercial e obras derivadas, mas proíbe usos ligados ao ITAR, militares, nucleares, de espionagem e de armas, além de engenharia reversa; exige citação em publicações e permite que a Meta altere os termos.
- Quais são as melhores alternativas ao DINOv3?
- As alternativas mais próximas que analisamos são V-JEPA 2 and V-JEPA 2.1, SAM 3 (Segment Anything Model 3), Sapiens2 e Qwen3-VL-Embedding.
Respostas verificadas em 9 de nov. de 2026.
Você faz o DINOv3? Mostre esta nota no seu site
