ViTPose एक ओपन-सोर्स एक्शन प्रीडिक्शन मॉडल है, जो मानव शरीर की स्थिति पहचानने में विशेष रूप से अच्छा है, जैसे कि यह समझता है कि आप क्या कर रहे हैं। इस मॉडल की सबसे बड़ी खासियत इसकी सरलता और दक्षता है, इसमें जटिल नेटवर्क स्ट्रक्चर का उपयोग नहीं किया गया है, बल्कि सीधे एक तकनीक का उपयोग किया गया है जिसे विज़ुअल ट्रांसफार्मर कहा जाता है। ViTPose का मूलभूत आधार शुद्ध विज़ुअल ट्रांसफार्मर का उपयोग करना है, जो छवि में प्रमुख विशेषताओं को निकालने के लिए एक शक्तिशाली 'स्केलेटन' की तरह है। यह अन्य मॉडलों की तरह जटिलता की आवश्यकता नहीं होती।