Depth

🚀 深度任意模型V2基础版 - Transformers版本

深度任意模型V2基于59.5万张合成标注图像和6200万多张真实无标注图像进行训练，是当前最强大的单目深度估计（MDE）模型，具备以下特性：

• 比深度任意模型V1拥有更精细的细节
• 比深度任意模型V1和基于稳定扩散（SD）的模型（如Marigold、Geowizard）更稳健
• 比基于SD的模型更高效（快10倍）、更轻量级
• 使用预训练模型进行微调后，性能表现出色

此模型检查点与Transformers库兼容。

深度任意模型V2由李和杨等人在同名论文中提出。它采用了与原始深度任意模型相同的架构，但使用了合成数据和更大容量的教师模型，从而实现了更精细、更稳健的深度预测。原始的深度任意模型由李和杨等人在论文《深度任意：释放大规模无标注数据的力量》中提出，并首次在此仓库中发布。

在线演示

✨ 主要特性

• 基于59.5万张合成标注图像和6200万多张真实无标注图像训练，提供强大的单目深度估计能力。
• 相比Depth Anything V1，具有更精细的细节和更强的鲁棒性。
• 比基于SD的模型更高效（快10倍）和轻量级。
• 使用预训练模型进行微调后，能获得出色的性能。

📦 安装指南

文档未提及安装步骤，跳过此章节。

💻 使用示例

基础用法

以下是如何使用该模型进行零样本深度估计的示例：

from transformers import pipeline
from PIL import Image
import requests

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

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

# 推理
depth = pipe(image)["depth"]

高级用法

你也可以使用模型和处理器类：

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")

# 为模型准备图像
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,
)

更多代码示例，请参考文档。

📚 详细文档

模型描述

深度任意模型V2采用了基于DPT架构和DINOv2主干网络。

该模型在约60万张合成标注图像和约6200万张真实无标注图像上进行训练，在相对和绝对深度估计方面均取得了最先进的成果。

深度任意模型概述。取自原始论文。

预期用途与限制

你可以使用原始模型进行零样本深度估计等任务。请参考模型中心，查找其他感兴趣的版本。

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.'}
}

📄 许可证

该项目采用CC BY-NC 4.0许可证。