:new: [2025-12-18] 新增对XRay-DINO主干网络的加载支持，基于论文通过整体自监督学习推进鲁棒的X射线分析的人本AI，更多详情请见这里

:new: [2025-12-16] 新增通道自适应DINO代码，基于论文扩展通道自适应自监督学习，更多详情请见这里

:new: [2025-12-16] 新增Cell-DINO代码，基于论文[Cell-DINO：用于细胞荧光显微镜的自监督图像嵌入](即将发表于Plos One Computational Biology)，更多详情请见这里

[2025-08-14] 请查看更近期的DINOv3项目，该项目延续了这一研究方向。

[2025-06-11] 新增dino.txt推理代码，基于论文[DINOv2遇见文本：面向图像与像素级视觉-语言对齐的统一框架](https://arxiv.org/abs/2412.16334）。

[2023-10-26] 新增带有寄存器的DINOv2主干网络，基于论文[视觉Transformer需要寄存器](https://arxiv.org/abs/2309.16588）。

DINOv2：无监督学习鲁棒视觉特征

Meta AI Research, FAIR

Maxime Oquab, Timothée Darcet, Théo Moutakanni, Huy V. Vo, Marc Szafraniec, Vasil Khalidov, Patrick Labatut, Armand Joulin, Piotr Bojanowski

[论文 #1] 论文 #2] [博客] [演示] [BibTeX]

DINOv2的PyTorch实现及预训练模型。详情请参阅以下两篇论文：DINOv2：无监督学习鲁棒视觉特征 和 视觉Transformer需要寄存器。

DINOv2模型能够生成高性能的视觉特征，这些特征可以直接与诸如线性层之类的分类器结合，应用于多种计算机视觉任务；且无需任何微调即可在不同领域表现出色。该模型是在包含1.42亿张图片的数据集上进行预训练的，过程中未使用任何标签或标注信息。

https://github.com/facebookresearch/dinov2/assets/60359573/f168823e-7922-415a-b429-578badf5c356

预训练模型

模型	# of params	with registers	ImageNet k-NN	ImageNet linear	下载
ViT-S/14蒸馏版	21 M	:x:	79.0%	81.1%	仅主干网络
ViT-S/14蒸馏版	21 M	:white_check_mark:	79.1%	80.9%	仅主干网络
ViT-B/14蒸馏版	86 M	:x:	82.1%	84.5%	仅主干网络
ViT-B/14蒸馏版	86 M	:white_check_mark:	82.0%	84.6%	仅主干网络
ViT-L/14蒸馏版	300 M	:x:	83.5%	86.3%	仅主干网络
ViT-L/14蒸馏版	300 M	:white_check_mark:	83.8%	86.7%	仅主干网络
ViT-g/14	1,100 M	:x:	83.5%	86.5%	仅主干网络
ViT-g/14	1,100 M	:white_check_mark:	83.7%	87.1%	仅主干网络

预训练主干网络（通过PyTorch Hub）

请按照此处的说明安装PyTorch（加载模型所需的唯一依赖项）。强烈建议安装支持CUDA的PyTorch版本。

仓库中附带相应的模型卡片。

import torch

# DINOv2
dinov2_vits14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14')
dinov2_vitb14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14')
dinov2_vitl14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14')
dinov2_vitg14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14')

# 带寄存器的DINOv2
dinov2_vits14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14_reg')
dinov2_vitb14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_reg')
dinov2_vitl14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_reg')
dinov2_vitg14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14_reg')

预训练主干网络：XRay-DINO

模型下载请求链接如下：

https://ai.meta.com/resources/models-and-libraries/raydino-downloads/

填写表格后，您将收到一封包含临时链接的电子邮件。您可以使用 wget 下载模型，并在本地文件系统中指定检查点路径；或者直接在以下代码中使用邮件中的 URL：

import torch

REPO_DIR = <本地目录路径，DINOV2 仓库被克隆到的位置>

xray_dino_vitl16 = torch.hub.load(REPO_DIR, 'xray_dino_vitl16', source='local', weights=<检查点 URL 或路径>)

许可证 模型权重根据 FAIR 非商业研究许可证发布。更多详情请参阅 LICENSE_XRAY_DINO_MODEL 文件。

预训练头部 - 图像分类

主干网络	是否带有 注册表	下载
		ImageNet
ViT-S/14 蒸馏版	:x:	线性头部（1 层, 4 层)
ViT-S/14 蒸馏版	:white_check_mark:	线性头部（1 层, 4 层)
ViT-B/14 蒸馏版	:x:	线性头部（1 层, 4 层)
ViT-B/14 蒸馏版	:white_check_mark:	线性头部（1 层, 4 层)
ViT-L/14 蒸馏版	:x:	线性头部（1 层, 4 层)
ViT-L/14 蒸馏版	:white_check_mark:	线性头部（1 层, 4 层)
ViT-g/14	:x:	线性头部（1 层, 4 层)
ViT-g/14	:white_check_mark:	线性头部（1 层, 4 层)

完整的分类器模型可以通过 PyTorch Hub 加载：

import torch

# DINOv2
dinov2_vits14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14_lc')
dinov2_vitb14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_lc')
dinov2_vitl14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_lc')
dinov2_vitg14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14_lc')

# 带有注册表的 DINOv2
dinov2_vits14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14_reg_lc')
dinov2_vitb14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_reg_lc')
dinov2_vitl14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_reg_lc')
dinov2_vitg14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14_reg_lc')

预训练头 - 深度估计

主干网络	下载头部
	NYUd	KITTI
ViT-S/14 蒸馏版	线性层（1 层, 4 层）， DPT	线性层（1 层, 4 层）， DPT
ViT-B/14 蒸馏版	线性层（1 层, 4 层）， DPT	线性层（1 层, 4 层）， DPT
ViT-L/14 蒸馏版	线性层（1 层, 4 层）， DPT	线性层（1 层, 4 层）， DPT
ViT-g/14	线性层（1 层, 4 层）， DPT	线性层（1 层, 4 层）， DPT

预训练头 - 语义分割

主干网络	下载模型	下载头部
	ADE20K	ADE20K	VOC2012
ViT-S/14 蒸馏版		线性层, 多尺度	线性层, 多尺度
ViT-B/14 蒸馏版		线性层, 多尺度	线性层, 多尺度
ViT-L/14 蒸馏版		线性层, 多尺度	线性层, 多尺度
ViT-g/14	Mask2Former	线性层, 多尺度	线性层, 多尺度

预训练头 - 使用 dino.txt 的零样本任务

骨干网络	是否带有 注册表	下载
		ViT-L/14 蒸馏版	:white_check_mark:	视觉头, 文本模型, 词汇表, 词汇表许可

可以通过 PyTorch Hub 加载完整的 dino.txt 模型：

import torch

# DINOv2
dinov2_vitl14_reg4_dinotxt_tet1280d20h24l = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_reg4_dinotxt_tet1280d20h24l')

安装

训练和评估代码需要 PyTorch 2.0 和 xFormers 0.0.18，以及一些其他的第三方包。请注意，代码仅在指定版本下进行了测试，并且要求使用 Linux 环境。要设置训练和评估所需的所有依赖项，请按照以下步骤操作：

conda （推荐） - 克隆仓库，然后使用提供的环境定义创建并激活一个名为 dinov2 的 conda 环境：

conda env create -f conda.yaml
conda activate dinov2

pip - 克隆仓库，然后使用提供的 requirements.txt 安装依赖项：

pip install -r requirements.txt

对于密集型任务（深度估计和语义分割），还有一些额外的依赖项（特定版本的 mmcv 和 mmsegmentation），这些依赖项被记录在 extras 依赖规范中：

conda （推荐）：

conda env create -f conda-extras.yaml
conda activate dinov2-extras

pip：

pip install -r requirements.txt -r requirements-extras.txt

数据准备

ImageNet-1k

数据集的根目录应包含以下内容：

• <ROOT>/test/ILSVRC2012_test_00000001.JPEG
• <ROOT>/test/[..]
• <ROOT>/test/ILSVRC2012_test_00100000.JPEG
• <ROOT>/train/n01440764/n01440764_10026.JPEG
• <ROOT>/train/[...]
• <ROOT>/train/n15075141/n15075141_9993.JPEG
• <ROOT>/val/n01440764/ILSVRC2012_val_00000293.JPEG
• <ROOT>/val/[...]
• <ROOT>/val/n15075141/ILSVRC2012_val_00049174.JPEG
• <ROOT>/labels.txt

提供的数据集实现期望在 extra 目录下存在一些额外的元数据文件：

• <EXTRA>/class-ids-TRAIN.npy
• <EXTRA>/class-ids-VAL.npy
• <EXTRA>/class-names-TRAIN.npy
• <EXTRA>/class-names-VAL.npy
• <EXTRA>/entries-TEST.npy
• <EXTRA>/entries-TRAIN.npy
• <EXTRA>/entries-VAL.npy

这些元数据文件可以使用以下 Python 代码一次性生成：

from dinov2.data.datasets import ImageNet

for split in ImageNet.Split:
    dataset = ImageNet(split=split, root="<ROOT>", extra="<EXTRA>")
    dataset.dump_extra()

请注意，根目录和 extra 目录不必是独立的目录。

ImageNet-22k

请根据您的本地设置调整 数据集类。

:warning: 为了执行接下来章节中提供的训练和评估命令，dinov2 包应包含在 Python 模块搜索路径中，即只需在运行命令前加上 PYTHONPATH=.。

训练

快速设置：在 ImageNet-1k 上训练 DINOv2 ViT-L/16

在 SLURM 集群环境中，使用 submitit 在 4 个 A100-80GB 节点（32 个 GPU）上运行 DINOv2 训练：

python dinov2/run/train/train.py \
    --nodes 4 \
    --config-file dinov2/configs/train/vitl16_short.yaml \
    --output-dir <PATH/TO/OUTPUT/DIR> \
    train.dataset_path=ImageNet:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>

训练时间约为 1 天，最终检查点在 k-NN 评估中应达到 81.6%，在线性评估中应达到 82.9%。

训练代码每 12500 次迭代会在 eval 文件夹中保存教师权重，以便进行评估。

长期设置：在 ImageNet-22k 上训练 DINOv2 ViT-L/14

在 SLURM 集群环境中，使用 submitit 在 12 个 A100-80GB 节点（96 个 GPU）上运行 DINOv2 训练：

python dinov2/run/train/train.py \
    --nodes 12 \
    --config-file dinov2/configs/train/vitl14.yaml \
    --output-dir <PATH/TO/OUTPUT/DIR> \
    train.dataset_path=ImageNet22k:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>

训练时间约为 3.3 天，最终检查点在 k-NN 评估中应达到 82.0%，在线性评估中应达到 84.5%。

训练代码每 12500 次迭代会在 eval 文件夹中保存教师权重，以便进行评估。

评估

训练代码会定期保存教师权重。为了评估模型，可以在单个节点上运行以下评估：

ImageNet-1k 上的 k-NN 分类

python dinov2/run/eval/knn.py \
    --config-file <PATH/TO/OUTPUT/DIR>/config.yaml \
    --pretrained-weights <PATH/TO/OUTPUT/DIR>/eval/training_24999/teacher_checkpoint.pth \
    --output-dir <PATH/TO/OUTPUT/DIR>/eval/training_24999/knn \
    --train-dataset ImageNet:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET> \
    --val-dataset ImageNet:split=VAL:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>

ImageNet-1k 上的逻辑回归分类

python dinov2/run/eval/log_regression.py \
    --config-file <PATH/TO/OUTPUT/DIR>/config.yaml \
    --pretrained-weights <PATH/TO/OUTPUT/DIR>/eval/training_24999/teacher_checkpoint.pth \
    --output-dir <PATH/TO/OUTPUT/DIR>/eval/training_24999/logreg \
    --train-dataset ImageNet:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET> \
    --val-dataset ImageNet:split=VAL:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>

在 ImageNet-1k 数据集上使用数据增强的线性分类

python dinov2/run/eval/linear.py \
    --config-file <PATH/TO/OUTPUT/DIR>/config.yaml \
    --pretrained-weights <PATH/TO/OUTPUT/DIR>/eval/training_24999/teacher_checkpoint.pth \
    --output-dir <PATH/TO/OUTPUT/DIR>/eval/training_24999/linear \
    --train-dataset ImageNet:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET> \
    --val-dataset ImageNet:split=VAL:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>

我们发布了对不同模型进行评估后的权重：

模型	是否使用 寄存器	ImageNet top-1	线性评估
ViT-S/14 蒸馏版	:x:	81.1%	线性头权重
ViT-S/14 蒸馏版	:white_check_mark:	80.8%	线性头权重
ViT-B/14 蒸馏版	:x:	84.5%	线性头权重
ViT-B/14 蒸馏版	:white_check_mark:	84.4%	线性头权重
ViT-L/14 蒸馏版	:x:	86.3%	线性头权重
ViT-L/14 蒸馏版	:white_check_mark:	86.5%	线性头权重
ViT-g/14	:x:	86.5%	线性头权重
ViT-g/14	:white_check_mark:	87.0%	线性头权重

所提供的预训练模型权重在 ImageNet-1k 上的性能可以通过以下方式评估：

python dinov2/run/eval/linear.py \
    --config-file dinov2/configs/eval/vitg14_pretrain.yaml \
    --pretrained-weights https://dl.fbaipublicfiles.com/dinov2/dinov2_vitg14/dinov2_vitg14_pretrain.pth \
    --train-dataset ImageNet:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET> \
    --val-dataset ImageNet:split=VAL:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>

笔记本

提供了一些笔记本，以帮助社区更好地利用这些模型和代码：

• 深度估计 - 如何通过 mmcv 加载并使用与匹配主干网络结合的深度头部
• 语义分割 - 如何通过 mmcv 加载并使用与匹配主干网络结合的分割头部，以及如何加载并使用基于 Mask2Former、在 ADE20K 数据集上训练的分割模型

许可证

DINOv2 的代码和模型权重根据 Apache License 2.0 发布。更多详细信息请参阅 LICENSE。

贡献

请参阅 contributing 和 code of conduct。

引用 DINOv2

如果您觉得这个仓库有用，请考虑给它一个星标 :star: 并引用 :t-rex::

@misc{oquab2023dinov2,
  title={DINOv2: Learning Robust Visual Features without Supervision},
  author={Oquab, Maxime and Darcet, Timothée and Moutakanni, Theo and Vo, Huy V. and Szafraniec, Marc and Khalidov, Vasil and Fernandez, Pierre and Haziza, Daniel and Massa, Francisco and El-Nouby, Alaaeldin and Howes, Russell and Huang, Po-Yao and Xu, Hu and Sharma, Vasu and Li, Shang-Wen and Galuba, Wojciech and Rabbat, Mike and Assran, Mido and Ballas, Nicolas and Synnaeve, Gabriel and Misra, Ishan and Jegou, Herve and Mairal, Julien and Labatut, Patrick and Joulin, Armand and Bojanowski, Piotr},
  journal={arXiv:2304.07193},
  year={2023}
}

@misc{darcet2023vitneedreg,
  title={Vision Transformers Need Registers},
  author={Darcet, Timothée and Oquab, Maxime and Mairal, Julien and Bojanowski, Piotr},
  journal={arXiv:2309.16588},
  year={2023}
}

@misc{jose2024dinov2meetstextunified,
  title={DINOv2 Meets Text: A Unified Framework for Image- and Pixel-Level Vision-Language Alignment},
  author={Cijo Jose and Théo Moutakanni and Dahyun Kang and Federico Baldassarre and Timothée Darcet and Hu Xu and Daniel Li and Marc Szafraniec and Michaël Ramamonjisoa and Maxime Oquab and Oriane Siméoni and Huy V. Vo and Patrick Labatut and Piotr Bojanowski},
  journal={arXiv:2412.16334},
  year={2024}
}

DINOv2 用于生物学

cell_dino 文件夹中包含的源代码内容，包括代码和模型权重，仅用于研究目的。不得用于任何医疗程序，包括诊断、治疗或治愈性应用。请勿将此模型用于任何临床用途，亦不可将其作为专业医疗判断的替代品。

扩展通道自适应自监督学习（通道自适应 DINO）

[论文 )] [BibTeX]

Alice V. De Lorenci、Seungeun Yi、Théo Moutakanni、Piotr Bojanowski、Camille Couprie、Juan C. Caicedo、Wolfgang M. Pernice，

特别感谢 Elouan Gardes 对代码库的贡献。

README

Cell-DINO：用于细胞荧光显微镜的自监督图像嵌入（Cell-DINO）

Théo Moutakanni、Camille Couprie、Seungeun Yi、Elouan Gardes、Piotr Bojanowski、Hugo Touvron、Michael Doron、Zitong S. Chen、Nikita Moshkov、Mathilde Caron、Armand Joulin、Wolfgang M. Pernice、Juan C. Caicedo

即将发表。

README

预训练模型

ℹ️ 请按照下方提供的链接获取所有模型权重：申请通过后，您将收到一封电子邮件，其中包含指向所有可用模型权重的完整 URL 列表。这些 URL 可用于以下两种方式之一：

• 将模型或适配器权重下载到本地文件系统，并通过 pretrained_path 参数将 torch.hub.load() 指向这些本地权重；
• 或者直接调用 torch.hub.load()，通过 pretrained_url 参数从指定 URL 下载并加载主干网络。

⚠️ 请使用 wget 而不是网页浏览器来下载权重。

下载链接： https://ai.meta.com/resources/models-and-libraries/cell-dino-downloads/

import torch

REPO_DIR = <PATH/TO/A/LOCAL/DIRECTORY/WHERE/THE/DINOV2/REPO/WAS/CLONED>

# 您可以先下载 URL 链接，再进行加载：
cell_dino_vits8 = torch.hub.load(REPO_DIR, 'cell_dino_cp_vits8', source='local', pretrained_path=<CHECKPOINT/PATH>)
# 或者在使用 `torch.hub.load` 的同时直接下载 URL：
cell_dino_vits8 = torch.hub.load(REPO_DIR, 'cell_dino_cp_vits8', source='local', pretrained_url=<CHECKPOINT/URL>)

# 其他模型的加载方式类似：
cell_dino_vitl16_hpa_sc = torch.hub.load(REPO_DIR, 'cell_dino_hpa_vitl16', source='local', pretrained_path=<CHECKPOINT/PATH>)
cell_dino_vitl16_hpa_fov = torch.hub.load(REPO_DIR, 'cell_dino_hpa_vitl16', source='local', pretrained_path=<CHECKPOINT/PATH>)
channel_adaptive_dino_vitl16 = torch.hub.load(REPO_DIR, 'channel_adaptive_dino_vitl16', source='local', pretrained_path=<CHECKPOINT/PATH>)
cell_dino_vitl14 = torch.hub.load(REPO_DIR, 'cell_dino_hpa_vitl14', source='local', pretrained_path=<CHECKPOINT/PATH>)

许可证

代码采用 CC BY NC 许可证发布。更多详情请参阅 [LICENSE_CELL_DINO_CODE]。 模型权重采用 FAIR 非商业研究许可证发布。更多详情请参阅 [LICENSE_CELL_DINO_CODE_WEIGHTS]。

DINOv2 快速上手指南

DINOv2 是 Meta AI Research 推出的自监督视觉模型，无需标注即可在 1.42 亿张图像上预训练，生成鲁棒的视觉特征，可直接用于分类、深度估计等任务。

环境准备

• 操作系统：Linux / macOS / Windows（推荐 Linux）
• Python 版本：3.8+
• PyTorch 版本：1.10+（强烈建议安装支持 CUDA 的版本以加速推理）
• 依赖项：仅需 PyTorch（其他依赖由 torch.hub 自动处理）

安装 PyTorch（含 CUDA 支持）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

国内用户可使用清华镜像加速：

pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

无需克隆仓库或手动安装，DINOv2 支持通过 PyTorch Hub 直接加载预训练模型：

# 确保已安装 PyTorch，无需额外 pip install dinov2

如需使用特殊变体（如 XRay-DINO），需先克隆仓库：

git clone https://github.com/facebookresearch/dinov2.git
cd dinov2

基本使用

1. 加载标准预训练骨干网络（Backbone）

import torch

# 加载不同规模的 DINOv2 模型
dinov2_vits14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14')  # Small
dinov2_vitb14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14')  # Base
dinov2_vitl14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14')  # Large
dinov2_vitg14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14')  # Giant

# 加载带 Registers 的变体（提升长序列建模能力）
dinov2_vitb14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_reg')

2. 提取图像特征

from PIL import Image
import torchvision.transforms as transforms

# 预处理
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

image = Image.open("your_image.jpg").convert("RGB")
input_tensor = transform(image).unsqueeze(0)  # [1, 3, 224, 224]

# 推理
with torch.no_grad():
    features = dinov2_vitb14(input_tensor)  # 输出形状：[1, 768]（全局特征）

3. 加载完整分类器（含线性头）

# 直接加载端到端分类模型（已在 ImageNet 上训练好线性头）
dinov2_vitb14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_lc')
predictions = dinov2_vitb14_lc(input_tensor)

4. 使用 XRay-DINO（医学影像专用）

需先申请下载链接（访问 https://ai.meta.com/resources/models-and-libraries/raydino-downloads/），获取 checkpoint 后：

import torch

REPO_DIR = "/path/to/cloned/dinov2"  # 替换为本地仓库路径
CHECKPOINT_PATH = "/path/to/xray_dino_checkpoint.pth"  # 或邮件中的临时 URL

xray_dino = torch.hub.load(REPO_DIR, 'xray_dino_vitl16', source='local', weights=CHECKPOINT_PATH)
features = xray_dino(input_tensor)

注意：XRay-DINO 模型权重遵循 FAIR 非商业研究许可证，仅限科研用途。

---

现在你可以将提取的特征接入简单分类器（如 sklearn 的 LinearSVC 或 PyTorch 线性层），即可在各类视觉任务中获得高性能结果，无需微调主干网络。