Meta、画像モデル「DINOv2」をApache 2.0で商用開放し公平性検証ベンチマーク「FACET」を公開

Metaが開発した自己教師あり学習の画像基盤モデル「DINOv2」が、商用利用を認めるApache 2.0ライセンスへと切り替わった。

テキストラベルなしで大量の画像から高精度な視覚的特徴量を抽出できる実力派モデルでありながら、これまでは研究用途に制限されていた。今回のライセンス変更により、自社の商用ソフトウェアや産業機器の画像認識エンジンへそのまま組み込めるようになった。

何ができるのかと提供モデル

DINOv2は自己教師あり学習によって、物体の構造や境界、深度情報を自律的に把握する能力を持つ。

ライセンス変更と同時に、MetaはDINOv2をベースにした密な予測モデル群も追加公開した。対応する主なタスクは、画像内の物体を領域ごとに分類するセマンティックセグメンテーションと、1枚の平面画像から奥行きを割り出す単眼深度推定だ。

開発者は下流タスク向けのアダプタをゼロから学習させる手間を省き、すぐに深度推定や物体抽出の機能をパイプラインへ接続できる。論文の手法をブラウザ上で直接試せる更新版デモも提供されている。

バイアスを測る評価基盤「FACET」

商用化とあわせて、Metaは視覚AIの公平性を検証するための新たなベンチマーク「FACET」も発表した。

FACETは3万2000枚の画像と5万人の人物データで構成される評価用データセットだ。専門のアノテーターが、外見から判断される性別や年代、肌のトーン、髪型、装飾品などの属性を手作業で付与した。さらに、医師やギタリストといった職業や行動のラベルに加え、SA-1B由来の人物や髪、衣服に関する6万9000件のマスクデータも含んでいる。

Metaの初期検証によると、最新の視覚モデルであっても肌のトーンが暗い人物の検出精度が低下する傾向が見られ、髪型が直毛ではなく巻き毛の場合にその傾向がさらに顕著になることが確認された。

なお、FACETは評価専用として提供されており、モデルの再学習に利用することは禁じられている。データの分布をWeb上で直接確認できるデータセットエクスプローラーもあわせて公開された。

なぜ重要か

ロボティクスや画像処理ツールを開発するエンジニアにとって、DINOv2がApache 2.0で使えるようになった実利は大きい。無監督学習による強力な特徴抽出と単眼深度推定がそのまま商用パイプラインで利用可能になり、製品開発にかかる初期コストを大幅に引き下げられる。

マルチモーダル言語モデルに注目が集まるなかでも、高速かつ軽量な純視覚モデルの需要は根強い。Metaが実用的な基盤モデルをオープンにしつつ、FACETのような公平性検証ツールを整えた動きは、産業応用の加速と品質管理の双方において賢い布石と言える。