语言: 英语
许可证: CC-BY-NC-4.0
任务标签: 关键点检测
标签:

• sapiens

Pose-Sapiens-0.3B-Torchscript

模型详情

Sapiens是基于3亿张1024x1024分辨率的人类图像预训练的视觉Transformer模型家族。这些预训练模型在针对以人为中心的视觉任务进行微调后，能够泛化至真实场景。Sapiens-0.3B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
• 许可证: 知识共享署名-非商业性4.0
• 任务: 姿态估计
• 格式: TorchScript
• 文件: sapiens_0.3b_goliath_best_goliath_AP_573_torchscript.pt2

模型规格

• 图像尺寸: 1024 x 768 (高 x 宽)
• 参数量: 3.36亿
• 计算量: 1.242万亿次浮点运算
• 分块大小: 16 x 16
• 嵌入维度: 1024
• 层数: 24
• 注意力头数: 16
• 前馈通道数: 4096

更多资源

• 代码库: https://github.com/facebookresearch/sapiens
• 论文: https://arxiv.org/abs/2408.12569
• 演示: https://huggingface.co/spaces/facebook/sapiens-pose
• 项目主页: https://about.meta.com/realitylabs/codecavatars/sapiens
• 附加结果: https://rawalkhirodkar.github.io/sapiens
• HuggingFace合集: https://huggingface.co/collections/facebook/sapiens-66d22047daa6402d565cb2fc

用途

Pose 0.3B模型可用于单张图像的308个关键点（身体+面部+手部+足部）估计。