论文中还写到，他们引入了全面的 308 个关键点，对人体的身体、手部、脚部、表面和面部等进行了标注。而且，在进行分割时还引入了 28 个类别，例如头发、舌头、嘴唇（上嘴唇、下嘴唇）、躯干、牙齿等都是单独的类别，因此在分割时就可以按照这 28 个类别进行分割。继续来看这个 可以看到，他们这个项目叫 Sapiens。这是一个在大规模人类图像数据集上进行预训练的视觉 Transformer，其实就是使用视觉 Transformer 方法，基于大量的人类图像进行训练的一个模型。可以看到，他们使用的训练集叫做 Human-300M dataset，这是 Meta 在训练该模型时使用的数据集。在这 3 亿张照片中，不同人数情况的占比分别为：1. 只有 1 个人：占 17%2. 只有 2 个人：占 14%3.