Vision Transform学习

Segment Anything Model基本使用学习心得。以官方示例predictor_example.ipynb逐步学习。

DINOv2 是一个自监督学习框架，它训练图像特征，而无需标注数据。DINOv2 的目标是作为一个基础模块，整合到更复杂的 AI 系统中，以实现对大型语言模型的更深入图像推理。

对于一个程序员来说，从零学习Vision Transformer（Vit）还是面临着很多的挑战。因此将我的学习过程及心得写下，希望能够对其他人也有所帮助。