Dpt Large

🚀 DPT-Large (MiDaS 3.0)

Dense Prediction Transformer (DPT) モデルは、単眼深度推定のために140万枚の画像で学習されています。このモデルは、Ranftl ら (2021) による論文 Vision Transformers for Dense Prediction で紹介され、このリポジトリ で最初に公開されました。DPT は Vision Transformer (ViT) をバックボーンとして使用し、単眼深度推定のためにネックとヘッドを追加しています。

このモデルカードは、Hugging Face チームと Intel によって共同で作成されました。

🚀 クイックスタート

モデルの基本情報

想定される使用方法

💻 使用例

基本的な使用法

最も簡単な方法は、パイプライン API を利用することです。

from transformers import pipeline

pipe = pipeline(task="depth-estimation", model="Intel/dpt-large")
result = pipe(image)
result["depth"]

高度な使用法

独自にすべてのロジックを実装したい場合は、画像の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 DPTImageProcessor, DPTForDepthEstimation
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)

processor = DPTImageProcessor.from_pretrained("Intel/dpt-large")
model = DPTForDepthEstimation.from_pretrained("Intel/dpt-large")

# prepare image for the model
inputs = 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,
)

# visualize the prediction
output = prediction.squeeze().cpu().numpy()
formatted = (output * 255 / np.max(output)).astype("uint8")
depth = Image.fromarray(formatted)

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。

📚 ドキュメント

影響因子

評価指標

学習と評価データ

定量分析

表1. 単眼深度推定における最先端技術との比較。[30] で定義されたプロトコルに従って、ゼロショットクロスデータセット転移を評価します。相対的なパフォーマンスは、元の MiDaS モデル [30] に対して計算されます。すべてのメトリクスについて、値が低いほど良いです。(Ranftl et al., 2021)

倫理的な考慮事項

注意事項と推奨事項

BibTeX エントリと引用情報

@article{DBLP:journals/corr/abs-2103-13413,
  author    = {Ren{\'{e}} Ranftl and
               Alexey Bochkovskiy and
               Vladlen Koltun},
  title     = {Vision Transformers for Dense Prediction},
  journal   = {CoRR},
  volume    = {abs/2103.13413},
  year      = {2021},
  url       = {https://arxiv.org/abs/2103.13413},
  eprinttype = {arXiv},
  eprint    = {2103.13413},
  timestamp = {Wed, 07 Apr 2021 15:31:46 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2103-13413.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 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。