Depth Anything V2 Metric Outdoor Small Hf

🚀 Depth Anything V2 (Metric Depth Estimation用にFine-tuning済み) - Transformersバージョン

このモデルは、合成Virtual KITTIデータセットを使用した屋外の距離深度推定用に、Depth Anything V2 をFine-tuningしたバージョンです。

モデルのチェックポイントは、transformersライブラリと互換性があります。

Depth Anything V2は、Lihe Yangらによる 同名の論文 で紹介されました。元のDepth Anythingと同じアーキテクチャを使用していますが、合成データと大容量の教師モデルを採用することで、より細かく堅牢な深度予測を実現しています。この距離深度推定用にFine-tuningされたバージョンは、このリポジトリ で最初に公開されました。

屋内と屋外のシーンに対して、それぞれ3つの規模の 6つの距離深度モデル が公開されており、利用可能です。

✨ 主な機能

モデルの概要

Depth Anything V2は、DINOv2 をバックボーンとした DPT アーキテクチャを活用しています。

このモデルは、約60万枚の合成ラベル付き画像と約6200万枚の実画像のアンラベルデータで学習されており、相対深度推定と絶対深度推定の両方で最先端の結果を得ています。

Depth Anythingの概要。元の論文 より引用。

想定される用途と制限

この生モデルは、ゼロショット深度推定などのタスクに使用できます。興味のあるタスクに関する他のバージョンを探すには、モデルハブ を参照してください。

📦 インストール

必要条件

transformers>=4.45.0

または、ソースから最新バージョンの transformers をインストールすることもできます。

pip install git+https://github.com/huggingface/transformers

💻 使用例

基本的な使用法

このモデルを使用してゼロショット深度推定を行う方法は次の通りです。

from transformers import pipeline
from PIL import Image
import requests

# パイプラインをロード
pipe = pipeline(task="depth-estimation", model="depth-anything/Depth-Anything-V2-Metric-Outdoor-Small-hf")

# 画像をロード
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

# 推論
depth = pipe(image)["depth"]

高度な使用法

モデルとプロセッサクラスを使用することもできます。

from transformers import AutoImageProcessor, AutoModelForDepthEstimation
import torch
import numpy as np
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

image_processor = AutoImageProcessor.from_pretrained("depth-anything/Depth-Anything-V2-Metric-Outdoor-Small-hf")
model = AutoModelForDepthEstimation.from_pretrained("depth-anything/Depth-Anything-V2-Metric-Outdoor-Small-hf")

# モデル用に画像を準備
inputs = image_processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)
    predicted_depth = outputs.predicted_depth

# 元のサイズに補間
prediction = torch.nn.functional.interpolate(
    predicted_depth.unsqueeze(1),
    size=image.size[::-1],
    mode="bicubic",
    align_corners=False,
)

詳細なコード例については、ドキュメント を参照してください。

📚 ドキュメント

引用

@article{depth_anything_v2,
  title={Depth Anything V2},
  author={Yang, Lihe and Kang, Bingyi and Huang, Zilong and Zhao, Zhen and Xu, Xiaogang and Feng, Jiashi and Zhao, Hengshuang},
  journal={arXiv:2406.09414},
  year={2024}
}

@inproceedings{depth_anything_v1,
  title={Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data}, 
  author={Yang, Lihe and Kang, Bingyi and Huang, Zilong and Xu, Xiaogang and Feng, Jiashi and Zhao, Hengshuang},
  booktitle={CVPR},
  year={2024}
}