语言: 中文
许可协议: CC-BY-NC-4.0
任务标签: 图像特征提取
标签:

• sapiens

Sapiens-1B-Bfloat16预训练模型

模型详情

Sapiens是基于3亿张1024×1024分辨率人体图像预训练的视觉Transformer系列模型。当针对以人为中心的视觉任务进行微调时，这些预训练模型能够泛化至真实场景。Sapiens-1B原生支持1K高分辨率推理，即使在标注数据稀缺或完全合成的情况下，也能展现出对真实数据的卓越泛化能力。

• 开发机构: Meta
• 模型类型: 视觉Transformer
• 许可协议: 知识共享署名-非商业性4.0
• 任务类型: 预训练
• 数据格式: bfloat16
• 文件名称: sapiens_1b_epoch_173_bfloat16.pt2

模型规格

• 图像尺寸: 1024×1024
• 参数量: 11.69亿
• 计算量: 4.647万亿次浮点运算
• 图像分块尺寸: 16×16
• 嵌入维度: 1536
• 层数: 40
• 注意力头数: 24
• 前馈通道数: 6144

更多资源

• 代码仓库: https://github.com/facebookresearch/sapiens
• 论文: https://arxiv.org/abs/2408.12569
• 演示: Sapiens Gradio交互空间
• 项目主页: https://about.meta.com/realitylabs/codecavatars/sapiens
• 补充结果: https://rawalkhirodkar.github.io/sapiens
• HuggingFace模型集: https://huggingface.co/collections/facebook/sapiens-66d22047daa6402d565cb2fc

用途

该预训练的10亿参数模型可用于特征提取、微调任务，或作为训练新模型的初始基础。