Depth Anything V2 Small Hf

🚀 Depth Anything V2 Small – 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から学習され、以下の特徴を持つ最も高性能な単眼深度推定（MDE）モデルを提供します。

• Depth Anything V1よりも細かい詳細を持つ
• Depth Anything V1やSDベースのモデル（例：Marigold、Geowizard）よりも頑健
• SDベースのモデルよりも効率的（10倍高速）で軽量
• 事前学習モデルを用いた印象的な微調整性能

このモデル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リリース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使用して、はるかに細かく頑健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

🚀 クイックスタート

このセクションでは、Depth Anything V2 Smallモデルの基本的な使い方を説明します。

✨ 主な機能

• 細かい詳細：Depth Anything V1よりも細かい深度推定結果を提供します。
• 頑健性：Depth Anything V1やSDベースのモデルよりも頑健で、さまざまなシーンで安定した性能を発揮します。
• 効率性：SDベースのモデルよりも10倍高速で、軽量なモデルです。
• 微調整性能：事前学習モデルを用いて、印象的な微調整性能を実現します。

📚 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で最先端の結果を得ています。

Depth Anythingの概要。元の論文から引用。

想定される用途と制限

このモデルは、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。

使い方

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を以下に示します。

基本的な使用法

from transformers import pipeline
from PIL import Image
import requests

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

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

このモデルは、Apache-2.0ライセンスの下で提供されています。