/ Модель

Характеристики

Параметры
1,5 млрд
Лицензия
Своя лицензия
Архитектура
sapiens2 · dense
Библиотека
sapiens2
Опубликована
23 апр 2026

sapiens2-pretrain-1b

Эмбеддинги изображенийИзображение → embedding3 профессии

Предварительно обученный визуальный backbone Meta для извлечения признаков изображений людей и дообучения моделей анализа позы, частей тела и геометрии поверхности.

636скачиваний за 30 дней4лайкавеса 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

Sapiens2-1B — разработанная Meta предварительно обученная модель Vision Transformer для анализа изображений с фокусом на человеке. Веса этой версии содержат около 1,5 млрд параметров и распространяются в формате safetensors по лицензии Sapiens2 License.

Модель обучена на 1 млрд изображений людей и выдаёт плотные признаки для каждого патча изображения. Её используют как основу для извлечения признаков и дообучения специализированных голов для оценки позы, сегментации частей тела, предсказания нормалей поверхности и построения pointmaps. Архитектура Sapiens2 ViT включает RoPE, GQA, SwiGLU, RMSNorm и QK-norm.

Это визуальный backbone, а не готовая система для перечисленных downstream-задач: для получения оценок позы, сегментации или геометрии нужны соответствующие дообученные головы. README указывает высокие вычислительные затраты — 4,715 TFLOPs.

Сценарии применения

  • извлечение признаков из изображений людей
  • инициализация модели оценки позы человека
  • дообучение сегментации частей тела
  • дообучение предсказания нормалей поверхности человека
  • дообучение построения pointmaps для изображений людей

Ограничения

Модель выдаёт признаки, а не готовые результаты оценки позы, сегментации или геометрии; для этих задач нужны специализированные головы и дообучение. Заявленные вычислительные затраты составляют 4,715 TFLOPs.

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

Sapiens2-1B

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 1B 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_1b_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_1b", img_size=(1024, 768), patch_size=16).eval().cuda()  # img_size is (H, W)
ckpt_path = hf_hub_download(repo_id="facebook/sapiens2-pretrain-1b", filename="sapiens2_1b_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)
Parameters1.462 B
FLOPs4.715 T
Embedding dim1536
Layers40
Attention heads24
Pretraining resolution1024 × 768 (H × W)
Patch size16
Pretraining data1B human images

Sapiens2 Family

ModelParamsFLOPsEmbed dimLayersHeads
Sapiens2-0.1B0.114 B0.342 T7681212
Sapiens2-0.4B0.398 B1.260 T10242416
Sapiens2-0.8B0.818 B2.592 T12803216
Sapiens2-1B (this)1.462 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
267ee98

0 моделей