库名称: transformers
库: transformers
许可证: cc-by-nc-4.0
标签:

• 深度
• 相对深度
  任务标签: 深度估计
  小部件:
• 推理: 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Depth Anything V1展现更精细的细节
• 比Depth Anything V1和基于SD的模型（如Marigold、Geowizard）更鲁棒
• 比基于SD的模型更高效（速度快10倍）且更轻量
• 使用我们的预训练模型进行微调时表现惊艳

该模型检查点与transformers库兼容。

Depth Anything V2由Lihe Yang等人在同名论文中提出。其架构与原始Depth Anything版本相同，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模型由Lihe Yang等人在论文Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data中首次提出，并在该代码库发布。

在线演示。

模型描述

Depth Anything V2采用DPT架构，以DINOv2为骨干网络。

该模型基于约60万张合成标注图像和约6200万真实无标注图像训练，在相对深度和绝对深度估计任务上均达到最先进水平。

Depth Anything概览图。摘自原论文。

使用场景与限制

您可将该原始模型用于零样本深度估计等任务。访问模型中心探索其他任务版本。

使用方法

以下示例展示如何使用该模型进行零样本深度估计：

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-Base-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"]  

或使用模型与处理器类：

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-Base-hf")  
model = AutoModelForDepthEstimation.from_pretrained("depth-anything/Depth-Anything-V2-Base-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  

# 插值至原始尺寸  
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文档。

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.'}  
}