Sapiens Pretrain 1b Bfloat16

🚀 Pretrain-Sapiens-1B-Bfloat16

Sapiensは、1024 x 1024の画像解像度で3億枚の人間の画像を使っ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ファインチューニングされると、実環境の条件にも汎化できます。Sapiens-1B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である場合でも、実環境のデータに対して顕著な汎化能力を示します。

🚀 クイックスタート

この事前学習済みの1Bモデルは、特徴抽出、ファインチューニング、または新しいモデルの学習の起点として使用できます。

✨ 主な機能

• Sapiensは3億枚の1024 x 1024の人間画像で事前学習されています。
• 事前学習モデルを人間中心のビジョンタスクにファインチューニングすると、実環境条件に汎化できます。
• Sapiens-1Bはネイティブで1Kの高解像度推論をサポートします。
• 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でも実環境データに対して良好な汎化能力を示します。

📚 ドキュメント

モデルの詳細

Sapiensは、1024 x 1024の画像解像度で3億枚の人間の画像を使っ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ファインチューニングされると、実環境の条件にも汎化できます。 Sapiens-1B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である場合でも、実環境のデータに対して顕著な汎化能力を示します。

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: Sapiens Gradio Spaces
• 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のライセンスの下で提供されています。