/ Модель

Характеристики

Параметры
403 млн
Лицензия
Своя лицензия
Архитектура
sapiens2 · dense
Библиотека
sapiens2
Опубликована
23 апр 2026

sapiens2-pretrain-0.4b

Эмбеддинги изображенийИзображение → embedding3 профессии

Предварительно обученный визуальный бэкбон Meta для извлечения признаков изображений людей и дообучения под задачи человекоцентричного компьютерного зрения.

994скачиваний за 30 дней3лайкавеса обновлены15 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Sapiens2-0.4B — предварительно обученный на 1 млрд изображений людей визуальный энкодер Meta для задач, связанных с анализом человека. Это бэкбон на основе Vision Transformer с RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацией; в репозитории safetensors указано около 0,4 млрд параметров. Модель извлекает плотные признаки по патчам изображения, предназначенные для дообучения голов под конкретные задачи.

Её можно использовать как основу для оценки позы, сегментации частей тела, предсказания нормалей поверхности и pointmap, а также для исследований в области человекоцентричного компьютерного зрения. Репозиторий предоставляет именно предварительно обученный бэкбон, а не готовые специализированные решения для этих задач. Модель разработана Meta и распространяется по лицензии Sapiens2 License; детали условий следует сверить с текстом лицензии.

Сценарии применения

  • извлечение признаков из изображений людей
  • подготовка бэкбона для оценки позы человека
  • дообучение модели для сегментации частей тела
  • инициализация модели для предсказания нормалей поверхности
  • исследования компьютерного зрения для анализа человека

Ограничения

Модель является предварительно обученным бэкбоном и для прикладных задач требует дообучения соответствующих голов. Лицензия обозначена как Sapiens2 License; проверьте её условия перед использованием.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sapiens2-0.4B

Sapiens2 is a family of high-resolution vision transformers pretrained on 1 billion human images — designed for human-centric tasks such as pose estimation, body-part segmentation, surface normals, and pointmaps.

This repository contains the 0.4B parameter pretrained backbone. It produces dense per-patch features suitable for fine-tuning downstream task heads.

Model Details

  • Developed by: Meta
  • Model type: Vision Transformer
  • License: Sapiens2 License
  • Task: pretrain
  • Format: safetensors
  • File: sapiens2_0.4b_pretrain.safetensors

Quick Start

Install the Sapiens2 repo (pip install -e .).

import torch
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
from sapiens.backbones.standalone.sapiens2 import Sapiens2

# Build the model and load the pretrained checkpoint
model = Sapiens2(arch="sapiens2_0.4b", img_size=(1024, 768), patch_size=16).eval().cuda()  # img_size is (H, W)
ckpt_path = hf_hub_download(repo_id="facebook/sapiens2-pretrain-0.4b", filename="sapiens2_0.4b_pretrain.safetensors")
model.load_state_dict(load_file(ckpt_path))

# Forward pass on a single image (RGB; ImageNet normalization recommended)
x = torch.randn(1, 3, 1024, 768).cuda()
with torch.no_grad():
    features = model(x)[0]  # dense backbone features: (B, num_tokens, embed_dim)

Model Card

FieldValue
ArchitectureSapiens2 ViT (RoPE, GQA, SwiGLU, RMSNorm, QK-norm)
Parameters0.398 B
FLOPs1.260 T
Embedding dim1024
Layers24
Attention heads16
Pretraining resolution1024 × 768 (H × W)
Patch size16
Pretraining data1B human images

Sapiens2 Family

ModelParamsFLOPsEmbed dimLayersHeads
Sapiens2-0.1B0.114 B0.342 T7681212
Sapiens2-0.4B (this)0.398 B1.260 T10242416
Sapiens2-0.8B0.818 B2.592 T12803216
Sapiens2-1B1.462 B4.715 T15364024
Sapiens2-1B-4K1.607 B—15364024
Sapiens2-5B5.071 B15.722 T24325632

See the Sapiens2 Collection for all variants and downstream task checkpoints (pose, segmentation, normals, pointmaps).

Intended Use

  • Feature extraction for human-centric downstream tasks
  • Initialization for fine-tuning task heads (pose, segmentation, normals, pointmap)
  • Research on human-centric vision

License

Released under the Sapiens2 License.

Citation

@article{khirodkarsapiens2,
  title={Sapiens2},
  author={Khirodkar, Rawal and Wen, He and Martinez, Julieta and Dong, Yuan and Su, Zhaoen and Saito, Shunsuke},
  journal={arXiv preprint arXiv:2604.21681},
  year={2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · sapiens2 · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
Sapiens2Model
Ревизия весов
ce29417

0 моделей