Depth Anything V2 Large Hf

🚀 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ており、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印象的な性能を発揮します。

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。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を使用してゼロショット深度推定を行う方法を説明します。

モデルの使用方法

以下は、このモデルを使用してゼロショット深度推定を行うコード例です。

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-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

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。

✨ 主な機能

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

📚 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。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。

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。