Depth-Anything-V2

<div align="center"> <h1>Depth Anything V2</h1>

杨理赫<sup>1</sup> · 康冰毅<sup>2†</sup> · 黄子龙<sup>2</sup> <br> 赵震 · 徐晓刚 · 冯佳时<sup>2</sup> · 赵恒双<sup>1*</sup>

<sup>1</sup>香港大学 <sup>2</sup>字节跳动 <br> †项目负责人 *通讯作者

</div>

本文介绍了Depth Anything V2。与V1相比，它在细节处理和鲁棒性方面有显著提升。相比于基于SD的模型，它具有更快的推理速度、更少的参数量和更高的深度精度。

预览图

新闻

2024年7月6日: Depth Anything V2已在Transformers中得到支持。请参阅使用说明以方便使用。
2024年6月25日: Depth Anything已集成到Apple Core ML Models中。请参阅使用说明（V1，V2）。
2024年6月22日: 我们发布了基于Depth-Anything-V2-Small和Base的较小的度量深度模型。
2024年6月20日: 我们的仓库和项目页面被GitHub标记并从公众视野中移除了6天。对此造成的不便我们深表歉意。
2024年6月14日: 论文、项目页面、代码、模型、演示和基准测试全部发布。

预训练模型

我们提供了四个不同规模的模型用于稳健的相对深度估计：

模型	参数量	检查点
Depth-Anything-V2-Small	24.8M	下载
Depth-Anything-V2-Base	97.5M	下载
Depth-Anything-V2-Large	335.3M	下载
Depth-Anything-V2-Giant	1.3B	即将推出

使用方法

准备工作

git clone https://github.com/DepthAnything/Depth-Anything-V2
cd Depth-Anything-V2
pip install -r requirements.txt

下载这里列出的检查点并将它们放在checkpoints目录下。

使用我们的模型

import cv2
import torch

from depth_anything_v2.dpt import DepthAnythingV2

DEVICE = 'cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu'

model_configs = {
    'vits': {'encoder': 'vits', 'features': 64, 'out_channels': [48, 96, 192, 384]},
    'vitb': {'encoder': 'vitb', 'features': 128, 'out_channels': [96, 192, 384, 768]},
    'vitl': {'encoder': 'vitl', 'features': 256, 'out_channels': [256, 512, 1024, 1024]},
    'vitg': {'encoder': 'vitg', 'features': 384, 'out_channels': [1536, 1536, 1536, 1536]}
}

encoder = 'vitl' # 或 'vits', 'vitb', 'vitg'

model = DepthAnythingV2(**model_configs[encoder])
model.load_state_dict(torch.load(f'checkpoints/depth_anything_v2_{encoder}.pth', map_location='cpu'))
model = model.to(DEVICE).eval()

raw_img = cv2.imread('你的图像路径')
depth = model.infer_image(raw_img) # HxW 原始深度图（numpy格式）

如果你不想克隆这个仓库，你也可以通过Transformers加载我们的模型。以下是一个简单的代码片段。更多详情请参考官方页面。

注意1：确保你能连接到Hugging Face并已安装最新版的Transformers。
注意2：由于OpenCV（我们使用的）和Pillow（HF使用的）之间的上采样差异，预测结果可能会略有不同。因此，我们更推荐你通过上面介绍的方式使用我们的模型。

from transformers import pipeline
from PIL import Image

pipe = pipeline(task="depth-estimation", model="depth-anything/Depth-Anything-V2-Small-hf")
image = Image.open('你的图像路径')
depth = pipe(image)["depth"]

在图像上运行脚本

python run.py \
  --encoder <vits | vitb | vitl | vitg> \
  --img-path <路径> --outdir <输出目录> \
  [--input-size <大小>] [--pred-only] [--grayscale]

选项:

--img-path: 你可以1)指向存储所有感兴趣图像的目录，2)指向单张图像，或3)指向存储所有图像路径的文本文件。
--input-size（可选）：默认情况下，我们使用输入大小518进行模型推理。你可以增加大小以获得更加精细的结果。
--pred-only（可选）：仅保存预测的深度图，不保存原始图像。
--grayscale（可选）：保存灰度深度图，不应用色彩调色板。

例如：

python run.py --encoder vitl --img-path assets/examples --outdir depth_vis

在视频上运行脚本

python run_video.py \
  --encoder <vits | vitb | vitl | vitg> \
  --video-path assets/examples_video --outdir video_depth_vis \
  [--input-size <大小>] [--pred-only] [--grayscale]

我们的更大模型在视频上有更好的时间一致性。

Gradio演示

要在本地使用我们的Gradio演示：

python app.py

你也可以尝试我们的在线演示。

注意：相比V1，我们对DINOv2-DPT架构做了一个小修改（源自这个问题）。 在V1中，我们无意中使用了DINOv2最后四层的特征进行解码。在V2中，我们改为使用中间特征。尽管这个修改并未改善细节或准确性，但我们决定遵循这一常见做法。

微调到度量深度估计

请参考度量深度估计。

DA-2K评估基准

请参考DA-2K基准。

社区支持

我们衷心感谢社区对我们Depth Anything系列的所有支持。非常感谢！

Apple Core ML:
Transformers:
- https://huggingface.co/docs/transformers/main/en/model_doc/depth_anything_v2
- https://huggingface.co/docs/transformers/main/en/model_doc/depth_anything
TensorRT:
- https://github.com/spacewalk01/depth-anything-tensorrt
- https://github.com/zhujiajian98/Depth-Anythingv2-TensorRT-python
ONNX: https://github.com/fabio-sim/Depth-Anything-ONNX
ComfyUI: https://github.com/kijai/ComfyUI-DepthAnythingV2
Transformers.js（网页实时深度）: https://huggingface.co/spaces/Xenova/webgpu-realtime-depth-estimation
Android:
- https://github.com/shubham0204/Depth-Anything-Android
- https://github.com/FeiGeChuanShu/ncnn-android-depth_anything

致谢

我们衷心感谢出色的Hugging Face团队（@Pedro Cuenca、@Niels Rogge、@Merve Noyan、@Amy Roberts等）在Transformers和Apple Core ML中支持我们模型的巨大努力。

我们还要感谢DINOv2团队为我们的社区贡献了如此令人印象深刻的模型。

许可证

Depth-Anything-V2-Small模型使用Apache-2.0许可证。Depth-Anything-V2-Base/Large/Giant模型使用CC-BY-NC-4.0许可证。

引用

如果您发现这个项目有用，请考虑引用：

@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}
}