2025年最高の 28 個の姿勢推定ツール

SuperPointは、自己教師あり学習で訓練された全畳み込みネットワークで、関心点検出と記述に使用されます。

ViTPoseは視覚Transformerベースの人体姿勢推定モデルで、MS COCOキーポイントテストセットで81.1 APの精度を達成し、モデルの簡潔さ、スケーラビリティ、トレーニングの柔軟性などの利点があります

ViTPose++はビジョントランスフォーマーを基盤とした人体姿勢推定モデルで、MS COCOキーポイント検出ベンチマークで81.1 APの優れた性能を達成しました。

ViTPoseは視覚Transformerベースの人体姿勢推定モデルで、シンプルな設計によりMS COCOキーポイント検出ベンチマークで81.1 APの優れた性能を達成しました。

SuperGlueはグラフニューラルネットワークベースの特徴マッチングモデルで、画像中の関心点をマッチングするために使用され、画像マッチングや姿勢推定タスクに適しています。

ViTPose++はビジョントランスフォーマーを基盤とした人体姿勢推定の基本モデルで、MS COCOキーポイントテストセットで81.1 APという優れた性能を達成しました。

img2poseはFaster R-CNNベースのモデルで、写真内の全ての顔の6自由度姿勢（6DoF）を予測し、3D顔を2D平面に投影できます。

ViTPose++はビジョントランスフォーマーに基づく人体姿勢推定の基本モデルで、MS COCOキーポイントテストセットで81.1 APの優れた性能を達成しました。

SynthPoseはVitPose巨大バックボーンネットワークを基にしたキーポイント検出モデルで、合成データによるファインチューニングにより52の人体キーポイントを予測し、運動学分析に適しています。

Sapiensは3億枚の1024x1024解像度人体画像で事前学習された視覚Transformerモデルで、高精度な姿勢推定タスクのために設計されています。

SynthPoseはVitPose Baseをベースとした2D人体姿勢推定モデルで、合成データによる微調整を行い、52の解剖学的キーポイントを予測可能

Reloc3rは、事前学習済みの双視点相対カメラ姿勢回帰ネットワークと多視点運動平均モジュールを組み合わせた、簡潔で効率的なカメラ姿勢推定フレームワークです。

ビジョントランスフォーマーを基盤とした人体姿勢推定モデルで、MS COCOキーポイントテストセットで81.1 APの優れた性能を達成

LightGlueは、コンピュータビジョンにおける特徴マッチングと姿勢推定の問題に使用される、効率的なキーポイント検出とマッチングモデルです。

Reloc3rは、視覚位置推定のための大規模相対カメラ姿勢回帰モデルで、汎用性、高速性、高精度を特徴としています。

これはtransformersベースのキーポイント検出モデルで、画像内のキーポイント位置を識別します

RTMDet検出器は、Sapiens姿勢推定モデルとの連携のために特別に設計された効率的な検出器で、人体キーポイント検出タスクに使用されます。

Pose-Sapiens-1Bは、ビジョントランスフォーマーアーキテクチャに基づく高解像度人体姿勢推定モデルで、3億枚の1024x1024解像度の人間画像で事前学習されており、308のキーポイント検出（身体、顔、手、足）をサポートします。

Poseless-3Bは、視覚言語モデル（VLM）ベースのロボットハンド制御フレームワークで、明示的な姿勢推定なしに2D画像を関節角度に直接マッピングできます。

Sapiensは3億枚の高解像度人間画像で事前学習された視覚Transformerモデルで、姿勢推定タスク向けに設計されており、308のキーポイント検出をサポートします。

ViTPoseはビジョントランスフォーマーをベースとした人体姿勢推定モデルで、シンプルなアーキテクチャ設計によりMS COCOなどのベンチマークで優れた性能を発揮します。

ViTアーキテクチャに基づく軽量な姿勢推定モデルで、人体のキーポイント検出に使用されます

Sapiensは3億枚の1024x1024解像度の人間画像で事前学習されたビジョントランスフォーマーシリーズモデルで、人間中心の視覚タスクに特化しています。

Sapiensは3億枚の高解像度人間画像で事前学習された視覚Transformerモデルで、姿勢推定タスク向けに設計されており、308のキーポイント検出をサポートします。

Diffusion Policyでトレーニングされたロボット制御モデルで、PushTタスク専用に設計されており、キーポイント観測データを使用してトレーニングされています

ViTPoseは標準的なビジョントランスフォーマーを基にした人体姿勢推定ベースラインモデルで、シンプルなアーキテクチャで高性能なキーポイント検出を実現

Sapiensは3億枚の高解像度人間画像で事前学習されたビジョントランスフォーマーモデルファミリーで、人間中心の視覚タスクに特化しています。

このモデルは画像や動画内のキーポイントを検出するために使用され、人体姿勢推定や顔の特徴点検出などのタスクに適しています。