Depth

🚀 Depth Anything V2 Base – Transformers Version

Depth Anything V2は、595Kの合成ラベル付き画像と62M以上の実際のラベルなし画像を用いて学習され、以下の特徴を持つ最先端の単眼深度推定（MDE）モデルを提供します。

• Depth Anything V1よりも細かい詳細を捉える
• Depth Anything V1やSDベースのモデル（例: Marigold、Geowizard）よりも堅牢
• SDベースのモデルよりも10倍高速で軽量
• 事前学習モデルを用いたファインチューニングで優れた性能を発揮

この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ながら、合成データと大容量の教師モデルを用いることで、より細かく堅牢な深度予測を実現しています。元のDepth Anythingモデルは、Lihe Yangらによる論文Depth Anything: Unleashing the Power of Large-Scale Unlabeled Dataで紹介され、このリポジトリで最初に公開されました。

オンラインデモ

✨ 主な機能

• Depth Anything V1よりも細かい詳細を捉えることができます。
• Depth Anything V1やSDベースのモデル（例: Marigold、Geowizard）よりも堅牢です。
• SDベースのモデルよりも10倍高速で軽量です。
• 事前学習モデルを用いたファインチューニングで優れた性能を発揮します。

📚 ドキュメント

モデルの説明

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

このモデルは、約600Kの合成ラベル付き画像と約6200万の実際のラベルなし画像で学習され、相対深度推定と絶対深度推定の両方において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。関心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。

💻 使用例

基本的な使用法

このモデルを使っ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

# load pipe
pipe = pipeline(task="depth-estimation", model="depth-anything/Depth-Anything-V2-Large-hf")

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

# inference
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-Large-hf")
model = AutoModelForDepthEstimation.from_pretrained("depth-anything/Depth-Anything-V2-Large-hf")

# prepare image for the model
inputs = image_processor(images=image, return_tensors="pt")

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

# interpolate to original size
prediction = torch.nn.functional.interpolate(
    predicted_depth.unsqueeze(1),
    size=image.size[::-1],
    mode="bicubic",
    align_corners=False,
)

より多くのコード例については、ドキュメントを参照してください。

引用

@misc{yang2024depth,
      title={Depth Anything V2}, 
      author={Lihe Yang and Bingyi Kang and Zilong Huang and Zhen Zhao and Xiaogang Xu and Jiashi Feng and Hengshuang Zhao},
      year={2024},
      eprint={2406.09414},
      archivePrefix={arXiv},
      primaryClass={id='cs.CV' full_name='Computer Vision and Pattern Recognition' is_active=True alt_name=None in_archive='cs' is_general=False description='Covers image processing, computer vision, pattern recognition, and scene understanding. Roughly includes material in ACM Subject Classes I.2.10, I.4, and I.5.'}
}

📄 ライセンス

このライブラリは、cc-by-nc-4.0ライセンスの下で提供されています。