/ Модель

Характеристики

Параметры
5,3 млрд
Лицензия
Своя лицензия
Архитектура
sapiens2 · dense
Библиотека
sapiens2
Опубликована
23 апр 2026

sapiens2-pretrain-5b

Эмбеддинги изображенийИзображение → embedding3 профессии

Предобученный 5,3-миллиардный Vision Transformer Meta извлекает плотные признаки изображений людей для настройки моделей позы, сегментации и геометрии тела.

253скачиваний за 30 дней9лайковвеса 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

Sapiens2-5B — разработанная Meta предобученная модель Vision Transformer для анализа изображений с фокусом на человеке. Она обучена на 1 млрд изображений людей и содержит около 5,3 млрд параметров; архитектура использует RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацию. Репозиторий содержит веса в формате safetensors.

Модель извлекает плотные признаки по патчам изображения для последующей настройки специализированных голов и применения в оценке позы, сегментации частей тела, предсказании нормалей поверхности и pointmap. Она также подходит для исследований в области компьютерного зрения, ориентированного на человека. Это визуальный бэкбон, а не готовая модель для выдачи конечных разметок: для downstream-задач требуются соответствующие головы или чекпойнты. Указана лицензия Sapiens2 License; конкретные условия следует сверить с текстом лицензии репозитория.

Сценарии применения

  • извлечение признаков человека из изображений
  • инициализация модели оценки позы человека
  • подготовка бэкбона для сегментации частей тела
  • предсказание нормалей поверхности человека с дополнительной головой
  • исследования компьютерного зрения для изображений людей

Ограничения

Для получения оценок позы, сегментационных масок, нормалей или pointmap нужны дополнительные специализированные головы либо downstream-чекпойнты. Лицензия обозначена как Sapiens2 License; её условия следует проверить 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

Sapiens2-5B

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 5B 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_5b_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_5b", img_size=(1024, 768), patch_size=16).eval().cuda()  # img_size is (H, W)
ckpt_path = hf_hub_download(repo_id="facebook/sapiens2-pretrain-5b", filename="sapiens2_5b_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)
Parameters5.071 B
FLOPs15.722 T
Embedding dim2432
Layers56
Attention heads32
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
Sapiens2-1B1.462 B4.715 T15364024
Sapiens2-1B-4K1.607 B—15364024
Sapiens2-5B (this)5.071 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
407b02b

0 моделей