Sapiens Depth 0.3b Bfloat16

🚀 Depth-Sapiens-0.3B-Bfloat16

このモデルは、人間画像の深度推定に特化したVision Transformerモデルです。3億枚の人間画像で事前学習され、人間中心のビジョンタスクに対して高い汎化性能を持ちます。

🚀 クイックスタート

Depth-Sapiens-0.3B-Bfloat16モデルは、人間画像の相対深度を推定するために使用できます。

✨ 主な機能

• Sapiensは、1024 x 1024の画像解像度で3億枚の人間画像を使用して事前学習されたVision Transformerのファミリーです。
• Sapiens-0.3Bは、ネイティブで1Kの高解像度推論をサポートしています。
• 学習済みモデルは、人間中心のビジョンタスクに微調整すると、実環境の条件に対しても汎化できます。

📦 インストール

原READMEにインストール手順が記載されていないため、このセクションは省略されます。

💻 使用例

原READMEにコード例が記載されていないため、このセクションは省略されます。

📚 ドキュメント

モデル詳細

Sapiensは、1024 x 1024の画像解像度で3億枚の人間画像を使用して事前学習されたVision Transformerのファミリーです。事前学習されたモデルは、人間中心のビジョンタスクに微調整すると、実環境の条件に対しても汎化できます。 Sapiens-0.3Bは、ネイティブで1Kの高解像度推論をサポートしています。結果として得られるモデルは、ラベル付きデータが不足している場合や完全に合成されたデータであっても、実環境のデータに対して顕著な汎化性能を示します。

モデルカード

その他のリソース

• リポジトリ: https://github.com/facebookresearch/sapiens
• 論文: https://arxiv.org/abs/2408.12569
• デモ: https://huggingface.co/spaces/facebook/sapiens-depth
• プロジェクトページ: https://about.meta.com/realitylabs/codecavatars/sapiens
• 追加の結果: https://rawalkhirodkar.github.io/sapiens
• HuggingFaceコレクション: https://huggingface.co/collections/facebook/sapiens-66d22047daa6402d565cb2fc

🔧 技術詳細

原READMEに技術的な詳細説明が十分に記載されていないため、このセクションは省略されます。

📄 ライセンス

このモデルは、Creative Commons Attribution-NonCommercial 4.0ライセンスの下で提供されています。