library_name: transformers library: transformers license: cc-by-nc-4.0 tags:

• 深度估计
• 相对深度 pipeline_tag: depth-estimation widget:
• inference: false

Depth Anything V2基础版——Transformers版本

Depth Anything V2基于59.5万张合成标注图像和6200万+真实无标注图像训练而成，是目前最强大的单目深度估计（MDE）模型，具有以下特点：

• 比V1版本呈现更精细的细节
• 比V1版本和基于SD的模型（如Marigold、Geowizard）更鲁棒
• 比基于SD的模型更高效（快10倍）且更轻量
• 使用我们的预训练模型进行微调可获得惊人效果

本模型检查点与transformers库完全兼容。

Depth Anything V2由李贺阳等人在同名论文中提出。该模型采用与原始Depth Anything相同的架构，但通过合成数据和更大容量的教师模型实现了更精细、更鲁棒的深度预测。原始Depth Anything模型首次发表于李贺阳等人的论文Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data，并在该代码库中开源。

在线演示。

模型描述

Depth Anything V2采用DPT架构，以DINOv2作为主干网络。

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训练，在相对深度和绝对深度估计任务上均达到了最先进水平。

Depth Anything架构概览。图片源自原始论文。

应用场景与限制

您可将该原始模型用于零样本深度估计等任务。访问模型中心可探索更多相关任务的模型版本。

使用方法

以下是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"]

也可直接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")

# 图像预处理
inputs = image_processor(images=image, return_tensors="pt")

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

# 插值还原原始尺寸
prediction = torch.nn.functional.interpolate(
    predicted_depth.unsqueeze(1),
    size=image.size[::-1],
    mode="bicubic",
    align_corners=False,
)

更多代码示例请参阅官方文档。

引用文献

@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.'}
}