Sapiens Pretrain 0.3b

🚀 Pretrain-Sapiens-0.3B

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。これらの事前学習モデルは、人間中心のビジョンタスクにファインチューニングすると、実環境の条件にも汎化できます。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。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驚くほどの汎化能力を示します。

🚀 クイックスタート

Pretrained 0.3B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

• 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
• 人間中心のビジョンタスクにファインチューニングした際に、実環境の条件に汎化可能
• ネイティブで1Kの高解像度推論をサポート
• 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高い汎化能力を示す

📚 ドキュメント

モデルの詳細

• 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: 事前学習
• 形式: オリジナル
• ファイル: sapiens_0.3b_epoch_1600_clean.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: 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

📄 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。