Sapiens Pretrain 2b Bfloat16

🚀 Pretrain-Sapiens-2B-Bfloat16

Sapiensは、1024 x 1024の画像解像度で3億枚の人間画像を事前学習し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すると、実環境の条件に対して汎化性能を発揮します。Sapiens-2B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性能を示します。

✨ 主な機能

• 3億枚の人間画像を用いた事前学習
• 1024 x 1024の画像解像度に対応
• ネイティブで1Kの高解像度推論をサポート
• 実環境のデータに対する高い汎化性能

📚 ドキュメント

モデル詳細

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

💻 使用例

事前学習された2Bモデルは、特徴抽出、微調整、または新しいモデルの学習の起点として使用できます。

📄 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。