license: apache-2.0
tags:

• 视觉
  pipeline_tag: 深度估计
  widget:
• inference: false

Depth Anything（大尺寸模型，Transformers版本）

Depth Anything模型。该模型由Lihe Yang等人在论文《Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data》中提出，并首次发布于此代码库。

同时提供了在线演示。

免责声明：发布Depth Anything的团队未为此模型编写模型卡，因此本模型卡由Hugging Face团队编写。

模型描述

Depth Anything采用DPT架构，并基于DINOv2骨干网络。

该模型在约6200万张图像上进行训练，在相对和绝对深度估计任务中均取得了最先进的结果。

Depth Anything概览图。摘自原论文。

预期用途与限制

您可以将原始模型用于零样本深度估计等任务。请访问模型中心查找其他适用于您感兴趣任务的版本。

使用方法

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="LiheYoung/depth-anything-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"]  

或者，也可以直接使用相关类：

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("LiheYoung/depth-anything-large-hf")  
model = AutoModelForDepthEstimation.from_pretrained("LiheYoung/depth-anything-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。

BibTeX条目及引用信息

@misc{yang2024depth,  
      title={Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data},   
      author={Lihe Yang and Bingyi Kang and Zilong Huang and Xiaogang Xu and Jiashi Feng and Hengshuang Zhao},  
      year={2024},  
      eprint={2401.10891},  
      archivePrefix={arXiv},  
      primaryClass={cs.CV}  
}