Sapiens Pose 1b Bfloat16

🚀 Pose-Sapiens-1B-Bfloat16

Pose-Sapiens-1B-Bfloat16は、高精度なヒトの姿勢推定を行うためのビジョントランスフォーマーモデルです。3億枚のヒト画像で事前学習され、様々な環境での汎化性能に優れています。

✨ 主な機能

• 300 million枚の1024 x 1024解像度のヒト画像で事前学習されたビジョントランスフォーマーモデル。
• ヒト中心のビジョンタスクにファインチューニングすると、実環境でも良好な汎化性能を発揮。
• 1Kの高解像度推論をサポート。
• ラベル付きデータが少ない場合や合成データのみでも、実環境のデータに対して高い汎化性能を示す。

📚 ドキュメント

モデルの詳細

Sapiensは、1024 x 1024の画像解像度で3億枚のヒト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、ヒト中心のビジョンタスクにファインチューニングすると、実環境でも良好な汎化性能を発揮します。 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。その結果、得られたモデルは、ラベル付きデータが少ない場合や合成データのみでも、実環境のデータに対して顕著な汎化性能を示します。

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-pose
• 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

基本的な使用法

Pose 1Bモデルは、単一の画像上で308個のキーポイント（体 + 顔 + 手 + 足）を推定するために使用できます。

📄 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。