¿Qué es Sapiens2?
Sapiens2 es la segunda familia de modelos de visión de Meta hecha solo para imágenes de personas, publicada el 24 de abril de 2026 y aceptada en ICLR 2026. Las columnas vertebrales se preentrenaron con un conjunto curado de 1.000 millones de imágenes de personas, filtradas de un fondo de unos 4.000 millones, y vienen en tamaños de 0,1B, 0,4B, 0,8B, 1B y 5B, más una variante de 1B entrenada a 4096 por 3072 píxeles. Trabajan de forma nativa con imágenes de 1024 por 768 píxeles.
Encima van cinco modelos de tarea. La estimación de pose encuentra 308 puntos clave por persona, 274 de ellos en la cara, además de manos y pies. La segmentación de partes del cuerpo distingue 29 partes. Los modelos de normales de superficie y de pointmaps estiman la forma y la posición 3D de cada píxel, y un modelo de matting de 1B, añadido el 15 de mayo de 2026, recorta a una persona con un borde alfa suave. Pose, segmentación, normales y pointmaps vienen en tamaños de 0,4B, 0,8B, 1B y 5B.
Sustituye al Sapiens original de 2024, con grandes mejoras en todas las tareas comunes, y toma su esquema de entrenamiento de DINOv3. Los pesos se descargan sin registro previo, pero bajo la Sapiens2 License, términos propios de Meta que prohíben el procesamiento biométrico, la vigilancia y los deepfakes además de las exclusiones militares y de ITAR de las otras licencias de visión de Meta.
¿Merece la pena Sapiens2?
Sapiens2 supone un salto claro sobre su predecesor y sobre las columnas vertebrales generales en todo lo que tenga que ver con personas. En el artículo, el modelo de 5B alcanza 82,3 mAP en estimación de pose de 308 puntos clave frente a 78,3 del Sapiens-2B original, y 82,5 mIoU en segmentación de 29 partes del cuerpo frente a 58,2. El error de normales de superficie baja de media de 12,38 a 6,73 grados, e incluso el modelo de 0,4B, con 8,63, supera a la referencia externa más fuerte, DAViD-L, con 10,73. Todo es autodeclarado, en los conjuntos de prueba de los autores.
También supera al modelo general del que aprendió. Con la columna congelada y solo una cabeza ligera entrenada, Sapiens2-5B obtiene 74,7 mAP en pose frente a 68,2 de DINOv3-7B y 69,6 mIoU en segmentación frente a 67,6, pese a ser más pequeño. Un equipo al que solo le importan las personas saca más de Sapiens2 que de DINOv3; uno que también necesita coches, estanterías o cultivos, no.
Las piezas encajan más como una caja de herramientas que como un único modelo. La pose es top-down, así que necesita antes un detector de personas; el repositorio remite al DETR ResNet-101 de Meta. Cada tarea es un checkpoint distinto, de modo que una cadena que quiera pose, máscaras y normales ejecuta tres modelos. El modelo de matting solo existe en 1B, y la columna 4K se publica como modelo preentrenado sin cabezas de tarea. El artículo no da cifras de velocidad, y el modelo de 5B cuesta unos 15,7 billones de operaciones por imagen.
La licencia decide más que los benchmarks. Además de las exclusiones habituales militares y de ITAR, la Sapiens2 License prohíbe la vigilancia, el procesamiento biométrico, reidentificar personas, los deepfakes e inferir datos de salud o demográficos sin consentimiento, y permite a Meta auditar tu uso y ordenar que se borren las copias. El seguimiento de poses para una app de fitness o una prueba virtual de ropa probablemente cabe dentro de esos límites; nada que reconozca o perfile a individuos cabe, y dónde empieza el "procesamiento biométrico" es una pregunta para tu asesoría legal.
Dónde se gana su sitio
Un ingeniero de gráficos en una start-up de prueba virtual de ropa
Obtener la forma del cuerpo y máscaras precisas de sus partes a partir de una sola foto del cliente
Ejecuta los checkpoints de segmentación y pointmap en cada subida para obtener 29 etiquetas de partes y posiciones 3D por píxel a las que ajustar las prendas. Meta indica 82,5 mIoU en segmentación para el modelo de 5B; el de 1B es el punto de partida más barato.
Una responsable de visión por ordenador en una app de entrenamiento físico
Puntuar la técnica de los ejercicios en vídeo, incluida la posición de manos y pies
Detecta a la persona con DETR y luego ejecuta la pose de Sapiens2 para obtener 308 puntos clave por fotograma. Pide a tu asesoría legal que confirme que puntuar la técnica queda fuera de la prohibición de procesamiento biométrico de la licencia antes del lanzamiento.
Una artista de VFX en un estudio de posproducción de 12 personas
Sacar mates limpios de actores sin croma
Usa el modelo de matting de 1B, que devuelve un mate alfa y el primer plano por fotograma, como primera pasada antes del retoque a mano. El Space de demostración enseña resultados antes de instalar nada; la prohibición de deepfakes de la licencia descarta el intercambio de caras.
Antes de decidirte
- Puesta en marcha
- Clona el repositorio de GitHub e instálalo con pip en Python 3.12+ y PyTorch 2.7+, descarga los checkpoints de Hugging Face y ejecuta los scripts de demostración; la pose necesita además el detector DETR ResNet-101. La columna sola se carga desde un único archivo Python independiente.
- Integraciones
- Demos en Hugging Face Spaces para pose, segmentación, normales, pointmaps y matting; scripts de entrenamiento para cada tarea; construido sobre OpenMMLab y Accelerate. Sin integración en Transformers.
- Datos y privacidad
- Autoalojado, las imágenes se quedan en tu hardware. La Sapiens2 License prohíbe la vigilancia, el procesamiento biométrico, la reidentificación, los deepfakes y la inferencia de datos sensibles sin consentimiento, exige cumplir el RGPD, la CCPA y las leyes biométricas, y permite a Meta auditar el uso y exigir el borrado.
- Coste a escala
- Los modelos de tarea de 1B ocupan unos 3 GB de pesos a 16 bits y el de 5B unos 10 GB, según nuestros cálculos, así que una GPU de centro de datos sirve cualquiera de los dos; los scripts de demostración usan por defecto dos trabajos por GPU en ocho GPU. Meta no publica cifras de rendimiento.
- Límites
- Entrenado a 1024 por 768 píxeles; la columna 4K no tiene cabezas de tarea publicadas. La pose es top-down y falla donde el detector de personas no acierta. Los resultados son autodeclarados, y el artículo no enumera limitaciones.
Lo bueno
- 82,3 mAP en pose de 308 puntos clave, +4 sobre Sapiens-2B (Meta)
- 82,5 mIoU en segmentación de 29 partes del cuerpo, frente a 58,2 de Sapiens-2B (Meta)
- Cinco tareas, incluidos pointmaps 3D y matting, desde una sola familia de columnas
- Sin registro previo; una columna en un solo archivo solo necesita torch y safetensors
Lo malo
- La licencia prohíbe el procesamiento biométrico y la vigilancia y permite auditorías de Meta
- Solo personas; no sirve para objetos ni escenas
- La pose necesita un detector de personas aparte; cada tarea es su propio checkpoint
- Sin cifras de latencia publicadas; el modelo de 5B cuesta unos 15,7 TFLOPs por imagen
Ideal para
Equipos de gráficos, RA y fitness que necesitan pose densa y de alta resolución, máscaras de partes del cuerpo o forma 3D de personas en fotos y fotogramas de vídeo.
Alternativas a Sapiens2
Sapiens2: preguntas frecuentes
- ¿Merece la pena Sapiens2?
- Sapiens2 es el modelo abierto más detallado para leer cuerpos humanos en una foto, con una licencia tan estricta que muchos de los productos obvios necesitan antes un abogado. Le damos un 4.1 sobre 5.
- ¿Cuánto cuesta Sapiens2?
- Gratis bajo la Sapiens2 License; sin registro previo. Prohíbe la vigilancia, el procesamiento biométrico, la reidentificación, los deepfakes y los usos militares y relacionados con ITAR, y permite a Meta auditar el cumplimiento. Sin API alojada.
- ¿Qué inconvenientes tiene Sapiens2?
- La licencia prohíbe el procesamiento biométrico y la vigilancia y permite auditorías de Meta; solo personas; no sirve para objetos ni escenas; la pose necesita un detector de personas aparte; cada tarea es su propio checkpoint; sin cifras de latencia publicadas; el modelo de 5B cuesta unos 15,7 TFLOPs por imagen.
- ¿Para quién es Sapiens2?
- Equipos de gráficos, RA y fitness que necesitan pose densa y de alta resolución, máscaras de partes del cuerpo o forma 3D de personas en fotos y fotogramas de vídeo.
- ¿Cuánto cuesta Sapiens2 para un equipo o en producción?
- Los modelos de tarea de 1B ocupan unos 3 GB de pesos a 16 bits y el de 5B unos 10 GB, según nuestros cálculos, así que una GPU de centro de datos sirve cualquiera de los dos; los scripts de demostración usan por defecto dos trabajos por GPU en ocho GPU. Meta no publica cifras de rendimiento.
- ¿Es Sapiens2 seguro para los datos de la empresa?
- Autoalojado, las imágenes se quedan en tu hardware. La Sapiens2 License prohíbe la vigilancia, el procesamiento biométrico, la reidentificación, los deepfakes y la inferencia de datos sensibles sin consentimiento, exige cumplir el RGPD, la CCPA y las leyes biométricas, y permite a Meta auditar el uso y exigir el borrado.
- ¿Cuáles son las mejores alternativas a Sapiens2?
- Las alternativas más cercanas que hemos analizado son SAM 3 (Segment Anything Model 3), DINOv3 y V-JEPA 2 and V-JEPA 2.1.
Respuestas comprobadas el 9 nov 2026.
¿Desarrollas Sapiens2? Muestra esta nota en tu web
