Depth Anything V2 Small

🚀 Depth-Anything-V2-Small

Depth-Anything-V2-Small是一個單目深度估計（MDE）模型，它基於595K合成標註圖像和62M+真實未標註圖像進行訓練。該模型具有比前代模型更精細的細節、更強的魯棒性，同時具備高效輕量的特點。

🚀 快速開始

安裝

git clone https://huggingface.co/spaces/depth-anything/Depth-Anything-V2
cd Depth-Anything-V2
pip install -r requirements.txt

使用

首先，下載模型，並將其放置在checkpoints目錄下。

import cv2
import torch

from depth_anything_v2.dpt import DepthAnythingV2

model = DepthAnythingV2(encoder='vits', features=64, out_channels=[48, 96, 192, 384])
model.load_state_dict(torch.load('checkpoints/depth_anything_v2_vits.pth', map_location='cpu'))
model.eval()

raw_img = cv2.imread('your/image/path')
depth = model.infer_image(raw_img) # HxW raw depth map

✨ 主要特性

• 相比Depth Anything V1，具有更精細的細節。
• 相比Depth Anything V1和基於穩定擴散（SD）的模型（如Marigold、Geowizard），魯棒性更強。
• 相比基於SD的模型，效率提高10倍，且更輕量級。
• 使用預訓練模型進行微調，能獲得出色的性能。

📄 許可證

本項目採用Apache-2.0許可證。

📚 詳細文檔

引用

如果您覺得這個項目有用，請考慮引用以下文獻：

@article{depth_anything_v2,
  title={Depth Anything V2},
  author={Yang, Lihe and Kang, Bingyi and Huang, Zilong and Zhao, Zhen and Xu, Xiaogang and Feng, Jiashi and Zhao, Hengshuang},
  journal={arXiv:2406.09414},
  year={2024}
}

@inproceedings{depth_anything_v1,
  title={Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data}, 
  author={Yang, Lihe and Kang, Bingyi and Huang, Zilong and Xu, Xiaogang and Feng, Jiashi and Zhao, Hengshuang},
  booktitle={CVPR},
  year={2024}
}