Sapiens Depth 0.6b

🚀 Depth-Sapiens-0.6B

Sapiensは、1024 x 1024の画像解像度で3億枚の人間画像を用いて事前学習されたビジョントランスフォーマーのファミリーです。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されると、実環境の条件に対して汎化性能を発揮します。

🚀 クイックスタート

Depth-Sapiens-0.6Bモデルは、人間の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用いて事前学習されています。
• 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されると、実環境の条件に対して汎化性能を発揮します。
• Sapiens-0.6B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。
• 得られたモデルは、ラベル付きデータが不足している場合や完全に合成データの場合でも、実環境のデータに対して顕著な汎化性能を示します。

📚 ドキュメント

モデル詳細

• 開発元: Meta
• モデルタイプ: Vision Transformer
• ライセンス: Creative Commons Attribution-NonCommercial 4.0
• タスク: 深度推定
• 形式: オリジナル
• ファイル: sapiens_0.6b_render_people_epoch_70.pth

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
• 追加結果: https://rawalkhirodkar.github.io/sapiens
• HuggingFaceコレクション: https://huggingface.co/collections/facebook/sapiens-66d22047daa6402d565cb2fc

📄 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。