Sapiens2: مدل هوش مصنوعی متا برای تحلیل دقیق بدن انسان
هوش مصنوعی
پایتونخلاصهٔ کاملتر
متا ریسرچ یه مدل جدید و قدرتمند به اسم Sapiens2 معرفی کرده که برای درک تصویری بدن انسان طراحی شده. این مدل پشت سه اصل اصلی ایستاده: مقیاس (Scale)، معناشناسی (Semantics) و وفاداری (Fidelity)؛ یعنی هم بزرگه، هم عمیق درک میکنه، هم جزئیات رو دقیق نگه میداره.
Sapiens2 در واقع یه خانواده از ترنسفورمرهای بینایی هستن که روی یک میلیارد تصویر از انسان پیشآموزش دیدن. این حجم از داده آموزشی انسانمحور، چیزیه که خیلی از مدلهای قبلی ازش بیبهره بودن و همینه که Sapiens2 رو از رقباش متمایز میکنه.
این مدلها از چهار وظیفه اصلی پشتیبانی میکنن: تخمین پوز (که موقعیت مفاصل و اندامهای بدن رو شناسایی میکنه)، تقسیمبندی بخشهای بدن (که هر قسمت مثل سر، دست، پا رو جدا میکنه)، تخمین نرمال سطح (که جهت سطح پوست رو در فضای سهبعدی مشخص میکنه) و نقشهبرداری نقطهای یا Pointmap (که موقعیت سهبعدی نقاط روی بدن رو تخمین میزنه).
خانواده Sapiens2 از مدلهای مختلفی تشکیل شده که از ۰.۱۱۴ میلیارد تا ۵ میلیارد پارامتر متفاوتن. کوچکترین مدل با ۰.۱B پارامتر برای استفادههای سبکتر مناسبه و بزرگترینش با ۵B پارامتر بیشترین دقت رو داره. جالبه که یه نسخه خاص از مدل ۱ میلیارد پارامتری هم هست که با رزولوشن ۴K یعنی چهار هزار در سه هزار پیکسل کار میکنه؛ چیزی که برای پروژههای با جزئیات خیلی بالا عالیه.
از نظر فنی، همه مدلها از پچ سایز ۱۶ استفاده میکنن و در رزولوشن پایه ۱۰۲۴ در ۷۶۸ پیکسل آموزش دیدن. معماری ترنسفورمری این مدلها با لایههای ۱۲ تا ۵۶ و هدهای اتنشن ۱۲ تا ۳۲، امکان استخراج ویژگیهای خیلی غنی از تصویر رو فراهم میکنه.
استفاده از Sapiens2 نسبتاً راحته. فقط با نصب پایتون ۳.۱۲ به بالا و PyTorch 2.7 به بالا میشه شروع کرد. چکپوینتهای پیشآموزشدیده برای همه وظایف به صورت رایگان در دسترسن و حتی فایلهای standalone بکبون وجود دارن که میشه بدون نیاز به کل ریپو، مستقیماً توی پروژههای شخصی ازشون استفاده کرد.
این پروژه در ICLR 2026 پذیرفته شده و توسط تیمی از محققان متا از جمله Rawal Khirodkar و Shunsuke Saito توسعه پیدا کرده. کد پروژه در گیتهاب متا ریسرچ منتشر شده و از پروژههایی مثل DINOv3 و OpenMMLab بهره برده.
نکات کلیدی:
- Sapiens2 روی یک میلیارد تصویر انسان پیشآموزش دیده و در وظایف انسانمحور به نتایج پیشرفته میرسه
- چهار وظیفه اصلی پشتیبانی میشه: تخمین پوز، تقسیمبندی اعضا، نرمال سطح و نقشه نقطهای
- خانواده مدل از ۰.۱B تا ۵B پارامتر در اندازههای مختلف در دسترسه
- نسخه ۴K برای کار با تصاویر با رزولوشن فوقالعاده بالا طراحی شده
- کد و وزنهای مدل به صورت عمومی منتشر شدن و استفاده ازشون در پروژههای خودت راحته
- پیپر این پروژه در ICLR 2026 پذیرفته شده
