cpdino相比cpsam，泛化能力更强，在边缘场景的图像分割上有了显著的提升。
DINOv3简介
2026年6月份，Cellpose有新的大版本更新（V4.2.1），现在已经直接把 Backbone 换成了 DINOv3，DINOv3 是 Meta AI（FAIR） 于 2025 年发布的第三代 自监督视觉基础模型（Self-Supervised Vision Foundation Model）。
自监督学习，就是不依赖人工标签。而且DINOv3首次实现了对很多依赖标签训练的视觉模型的全面超越，在图像分类，实例分割，目标检测，视频追踪等等计算机视觉任务中几乎全部达到或超越当时的SOTA （State-of-the-Art)。
Backbone 是负责提取特征的主体网络，相当于整个模型的眼睛。Cellpose的backbone这些年从 U-Net，到SAM再到 DINOv3，看图的”眼睛“在不断升级，可想而知在复杂图像，还有一些少见的边缘场景的任务表现肯定会有显著的提升。
安装步骤
最近得空，先把新版的cellpose安装起来。以 windows 操作系统为例。
首先打开 cellpose 的 github仓库网页（https://github.com/MouseLand/cellpose），对着最新的说明搞。
很多步骤都依赖科学上网，如不能正常访问github，则很难顺利装好。
然后 nvidia-smi 检查下自己的 GPU驱动特别是CUDA驱动版本：
接着创建一个虚拟环境：
conda create --name cellpose4 python=3.12并且激活这个虚拟环境：
conda activate cellpose4特别注意，千万不要上来就 pip install cellpose[gui]，因为要安装肯定要用GPU的，而如果是直接使用上述命令安装，安装的是 cpu 版本的 torch。执行 python -c "import torch; print(torch.cuda.is_available())" 检查结果会是 False。
接下来先安装我的GPU能够支持的 gpu版本的torch：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124装好了gpu版本的torch依赖，然后再 pip install cellpose[gui] 装上最新的 cellpose。接着再装DINOv3模块：
pip install git+https://github.com/facebookresearch/dinov3只有这样才能用 CellposeDINO系列模型。
简单测试
然后打开 cellpose，找几张图随便试试，主要目的是下载模型权重。
我找了一个只有220x220像素的非常有挑战的图像（包含了各种形状大小且密密麻麻的碎片）来测试各个模型权重的效果：
由于分辨率实在太低，之前的 cpsam 权重不能很好处理，其 flow 图也是乱七八糟的。而升级之后的 cpsam_v2 就好很多了。使用 cpdino-vitb 这个权重（轻量级，只有328M，主打速度快）分割的 flow 还不如 cpsam。而使用 cpdino这个权重分割的效果比 cpsam_v2还要好。