Sapiens Pose 1b Torchscript

🚀 Pose-Sapiens-1B-Torchscript

Sapiensは、1024 x 1024の画像解像度で3億枚の人間の画像で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すると、実環境の条件に汎化します。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。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。

✨ 主な機能

• Sapiensは、3億枚の人間の画像で事前学習されたビジョントランスフォーマーです。
• 事前学習モデルを人間中心のビジョンタスクに微調整すると、実環境の条件に汎化します。
• 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。
• 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。

📚 ドキュメント

モデルの詳細

• 開発元: Meta
• モデルの種類: Vision Transformer
• ライセンス: Creative Commons Attribution-NonCommercial 4.0
• タスク: pose
• フォーマット: torchscript
• ファイル: sapiens_1b_goliath_best_goliath_AP_639_torchscript.pt2

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

📄 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。