Depth

🚀 深度任意模型V2基礎版 - Transformers版本

深度任意模型V2基於59.5萬張合成標註圖像和6200萬多張真實無標註圖像進行訓練，是當前最強大的單目深度估計（MDE）模型，具備以下特性：

• 比深度任意模型V1擁有更精細的細節
• 比深度任意模型V1和基於穩定擴散（SD）的模型（如Marigold、Geowizard）更穩健
• 比基於SD的模型更高效（快10倍）、更輕量級
• 使用預訓練模型進行微調後，性能表現出色

此模型檢查點與Transformers庫兼容。

深度任意模型V2由李和楊等人在同名論文中提出。它採用了與原始深度任意模型相同的架構，但使用了合成數據和更大容量的教師模型，從而實現了更精細、更穩健的深度預測。原始的深度任意模型由李和楊等人在論文《深度任意：釋放大規模無標註數據的力量》中提出，並首次在此倉庫中發佈。

在線演示

✨ 主要特性

• 基於59.5萬張合成標註圖像和6200萬多張真實無標註圖像訓練，提供強大的單目深度估計能力。
• 相比Depth Anything V1，具有更精細的細節和更強的魯棒性。
• 比基於SD的模型更高效（快10倍）和輕量級。
• 使用預訓練模型進行微調後，能獲得出色的性能。

📦 安裝指南

文檔未提及安裝步驟，跳過此章節。

💻 使用示例

基礎用法

以下是如何使用該模型進行零樣本深度估計的示例：

from transformers import pipeline
from PIL import Image
import requests

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

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

# 推理
depth = pipe(image)["depth"]

高級用法

你也可以使用模型和處理器類：

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")

# 為模型準備圖像
inputs = image_processor(images=image, return_tensors="pt")

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

# 插值到原始大小
prediction = torch.nn.functional.interpolate(
    predicted_depth.unsqueeze(1),
    size=image.size[::-1],
    mode="bicubic",
    align_corners=False,
)

更多代碼示例，請參考文檔。

📚 詳細文檔

模型描述

深度任意模型V2採用了基於DPT架構和DINOv2主幹網絡。

該模型在約60萬張合成標註圖像和約6200萬張真實無標註圖像上進行訓練，在相對和絕對深度估計方面均取得了最先進的成果。

深度任意模型概述。取自原始論文。

預期用途與限制

你可以使用原始模型進行零樣本深度估計等任務。請參考模型中心，查找其他感興趣的版本。

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.'}
}

📄 許可證

該項目採用CC BY-NC 4.0許可證。