Sapiens是一个基于3亿张1024x1024分辨率人类图像预训练的视觉Transformer模型家族，专注于以人为中心的视觉任务。

Sapiens是一个基于3亿张1024×1024分辨率人类图像预训练的视觉Transformer模型家族，专注于以人为中心的视觉任务。

Sapiens是一个基于3亿张1024x1024分辨率人类图像预训练的视觉Transformer模型家族，专注于以人为中心的视觉任务。

使用谷歌视觉Transformer架构微调的犬种分类模型，支持120种犬类的图像识别

BEiT是一种基于视觉Transformer架构的图像分割模型，通过自监督预训练和ADE20k数据集微调实现高效语义分割。