基于LAION-400M数据集训练的大型视觉Transformer模型，支持零样本图像分类任务

Sapiens是一个基于3亿张1024x1024分辨率人类图像预训练的视觉变换器系列模型，专注于以人为中心的视觉任务。

Sapiens是基于3亿张1024×1024分辨率人体图像预训练的视觉变换器系列，专为人体中心视觉任务设计，具有卓越的泛化能力。

该模型是基于Google的ViT-Large架构在时尚图像性别年龄分类数据集上微调的视觉Transformer模型，在评估集上取得了99.6%的准确率。