# ViT大規模モデル

LAION-400Mデータセットで学習された大規模なVision Transformerモデルで、ゼロショット画像分類タスクをサポート

Sapiensは3億枚の1024x1024解像度の人間画像で事前学習されたビジョントランスフォーマーシリーズモデルで、人間中心の視覚タスクに特化しています。

Sapiensは3億枚の1024×1024解像度人体画像で事前学習されたビジョントランスフォーマーシリーズで、人体中心の視覚タスク向けに設計され、優れた汎化能力を備えています。

このモデルはGoogleのViT-Largeアーキテクチャを基に、ファッション画像の性別年齢分類データセットでファインチューニングされたVision Transformerモデルで、評価セットで99.6%の精度を達成しました。