/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
sapiens2-pretrain-5b
Библиотека
timm
Опубликована
9 сен 2026

vit_5b_patch16_sapiens2.fb

Эмбеддинги изображенийИзображение → embedding3 профессии

Предобученный 5,071-миллиардный Vision Transformer Meta извлекает плотные признаки изображений людей для задач анализа тела.

30скачиваний за 30 дней0лайковвеса обновлены9 сен 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

timm/vit_5b_patch16_sapiens2.fb — конвертированное для timm представление предобученного зрительного бэкбона Sapiens2-5B, разработанного Meta. Это Vision Transformer с RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацией, содержащий около 5,071 млрд параметров. Модель обучена на 1 млрд изображений людей и выдаёт плотные признаки по патчам изображения для настройки специализированных моделей.

Бэкбон предназначен для извлечения признаков и инициализации голов для оценки позы, сегментации частей тела, предсказания нормалей поверхности и карт точек тела. Репозиторий содержит веса safetensors с именами параметров, преобразованными под timm; веса не дообучались. Применяется лицензия Sapiens2 License.

Сценарии применения

  • извлечение признаков человека на изображении для downstream-модели
  • подготовка бэкбона для оценки позы человека
  • инициализация модели сегментации частей тела
  • подготовка модели для предсказания нормалей поверхности тела
  • подготовка модели для построения pointmap тела

Ограничения

Модель является предобученным бэкбоном и выдаёт признаки, а не готовые результаты оценки позы или сегментации; для этих задач нужны специализированные головы. Для использования действуют условия лицензии Sapiens2.

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

NOTE: This is a native timm (EVA) remap of facebook/sapiens2-pretrain-5b. Checkpoint keys have been converted to timm naming; the weights have not been fine-tuned. The original Sapiens2 License applies. The upstream model card is reproduced below with timm usage instructions.

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: model.safetensors

Quick Start

Use a timm version that includes Sapiens2 support.

import torch
import timm
from PIL import Image

device = "cuda" if torch.cuda.is_available() else "cpu"
model = timm.create_model(
    "hf-hub:timm/vit_5b_patch16_sapiens2.fb", pretrained=True, use_naflex=False,
).eval().to(device)

data_config = timm.data.resolve_model_data_config(model)
transform = timm.data.create_transform(**data_config, is_training=False)
image = Image.open("image.jpg").convert("RGB")
x = transform(image).unsqueeze(0).to(device)

with torch.inference_mode():
    tokens = model.forward_features(x)
    cls_features = tokens[:, 0]
    patch_features = tokens[:, model.num_prefix_tokens:]  # exclude CLS and register tokens

model(x) uses CLS-token pooling by default, matching the original Sapiens2 convention. Pass global_pool="avg" to create_model for average pooling over patch tokens.

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 · timm · image-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
a2fa9f6

0 моделей