Depth Anything V2 单目深度估计实战只需3步让AI看懂任意照片里的距离【免费下载链接】Depth-Anything-V2[NeurIPS 2024] Depth Anything V2. A More Capable Foundation Model for Monocular Depth Estimation项目地址: https://gitcode.com/gh_mirrors/de/Depth-Anything-V2想象这样一个画面你随手拍下一张街景照片想知道最近的行人离你几米、前方建筑物的轮廓如何分层——不依赖任何激光雷达或双目设备仅凭这一张二维图片AI 就能在几十毫秒内给出每一处像素的相对远近。这正是 Depth Anything V2 在做的事。作为一篇面向实际使用的技术解读本文将带你从安装、跑通 Demo到理解其背后的原理再到避开新手最常见的坑一步步把这套单目深度估计工具真正用起来。项目速览一个会看距离的开源基础模型Depth Anything V2 是发表在 NeurIPS 2024 上的单目深度估计基础模型出自港大与字节跳动研究者之手。简单说它接收一张普通 RGB 图片输出一张同样大小的深度图——越亮的区域代表离相机越近越暗则越远。相比第一代版本它在物体边缘细节、非真实场景动漫、线稿和玻璃水面等特殊材质上明显更稳且推理速度比基于扩散模型的同类方案快一个量级。速览项说明一句话定位从单张图片预测深度图的视觉基础模型核心能力相对深度估计 度量深度微调输出米制深度技术底座DINOv2 视觉骨干 DPT 解码器PyTorch 实现上手成本安装依赖 下载权重即可运行单卡即可推理适用人群CV 学习者、自动驾驶/AR/机器人从业者、独立开发者模型规模Small/Base/Large/Giant 四档24.8M 到 1.3B 参数社区热度2024 年 6 月开源已被 Transformers、Core ML、ONNX 等生态接入项目在depth_anything_v2/目录下封装了完整模型代码同时提供图片、视频、Gradio 交互三种开箱即用的入口run.py、run_video.py、app.py你不需要读一行源码也能跑出结果。3分钟跑通第一个 Demo从装环境到输出深度图上手路径非常短。先把仓库克隆下来并装好依赖git clone https://gitcode.com/gh_mirrors/de/Depth-Anything-V2 cd Depth-Anything-V2 pip install -r requirements.txt依赖清单很轻量核心只有torch、torchvision、opencv-python、matplotlib和gradio几项。接着去项目 README 的 Pre-trained Models 表格里把对应权重下载到checkpoints/目录即可。如果你只想验证效果从 24.8M 的 Small 模型开始最省事。然后对单张图片跑一次推理python run.py \ --encoder vitl \ --img-path assets/examples/demo01.jpg \ --outdir depth_vis \ --input-size 518 \ --pred-only输出目录里会生成一张与原始图片同尺寸的深度图。四个核心参数逐个解释--encoder骨干网络规模可选vits/vitb/vitl/vitg越大精度越高、显存占用越大--input-size送入模型的边长默认 518调大到 1024 可拿到更精细的边缘细节代价是更慢--pred-only只保存深度图不加原始图片去掉它则输出原图 白色分隔条 深度图的拼接对比图--grayscale把默认的彩色伪彩图换成灰度图适合后续做数值处理或叠加展示。想用 Python API 做深度集成时更简单核心只有两行import cv2, torch from depth_anything_v2.dpt import DepthAnythingV2 model DepthAnythingV2(**model_configs[vitl]) model.load_state_dict(torch.load(checkpoints/depth_anything_v2_vitl.pth, map_locationcpu)) model model.to(cuda if torch.cuda.is_available() else cpu).eval() depth model.infer_image(cv2.imread(demo.jpg)) # HxW 的 numpy 深度图infer_image会自动完成缩放、归一化和反算回原图尺寸你拿到的深度图与输入图片像素一一对应。原理拆解它凭什么又快又准理解 Depth Anything V2 不需要硬啃论文。你可以把它想象成一个翻译员视觉骨干DINOv2负责把图片翻译成一连串描述这里是什么形状、什么纹理的特征而 DPT 解码器负责把这些特征再拼回一张完整的距离地图。关键巧思藏在取哪些特征上。第一代版本用的是 DINOv2 最后四层的深层特征而 V2 特意改成了中间层的特征——类似看一幅画时不只盯细节而是同时参考构图、轮廓和光影几个层次的整体印象解码出的深度图边缘更锐利、层次更分明。这一点在depth_anything_v2/dpt.py中写得很直白# 每个规模对应 DINOv2 中要抽取的 4 个中间层 self.intermediate_layer_idx { vits: [2, 5, 8, 11], vitb: [2, 5, 8, 11], vitl: [4, 11, 17, 23], vitg: [9, 19, 29, 39] } features self.pretrained.get_intermediate_layers(x, self.intermediate_layer_idx[self.encoder], ...) depth self.depth_head(features, patch_h, patch_w) # DPT 头完成多尺度融合解码端则是标准的 DPT 结构四层特征各自经过 1x1 卷积做通道压缩再用FeatureFusionBlock像搭积木一样从粗到细逐级上采样、融合最后接一个小卷积头回归出单通道深度。整个流程是纯卷积解码没有扩散模型的迭代去噪步骤所以速度能压到毫秒级。效果差距有多大项目首页的对比图给了量化答案在 DA-2K 基准上Large 模型准确率达到 97.1%、V100 上单张推理仅 213msSmall 模型只有 25M 参数却能保持 95.3% 的准确率而同类基于 Stable Diffusion 的方案通常要 800M 参数、数秒推理。这份参数量-速度-精度的平衡正是它被广泛采用的原因。数据集侧同样值得一提。团队构建了 DA-2K 评估基准见DA-2K.md覆盖室内、室外、非真实、透明反射、水下、航拍等 8 类场景并用多模型投票 人工复核的流水线保证标注质量——这让模型在不同环境下的表现可被公平量化。进阶技巧与避坑清单掌握下面几条能帮你把工具用得比多数人都熟练先跑通 Small再升级到 Large。调参排错阶段用vits把流程走通正式出效果再换vitl能省下大量等待时间。用--pred-only配合灰度输出做二次处理。彩色伪彩图好看但不适合继续计算灰度图配合matplotlib或 numpy 可以直接做深度阈值、分割等后处理。视频输入优先选大模型。项目文档明确提示更大的模型在视频上有更好的时间一致性run_video.py可直接处理 mp4如果发现相邻帧深度闪烁先检查是不是用了 Small。要真实米制距离就用 metric_depth 子项目。相对深度图只有大小关系室内外精确到米需要加载metric_depth/下基于 Hypersim室内或 Virtual KITTI 2室外微调的权重室内最大深度设 20、室外设 80还能用depth_to_pointcloud.py直接把图片投影成 3D 点云。注意双线性上采样实现差异。README 提到官方用 OpenCV 的插值与 Transformers 里 Pillow 的实现结果会有细微出入——对精度敏感的管线建议走官方原生接口。新手最容易踩的坑汇总如下坑现象解决方案权重放错目录报No such file or directory检查checkpoints/depth_anything_v2_vitl.pth路径与--encoder是否一致--img-path指向目录直接抛异常该参数支持单图、目录、txt 文件列表三种输入目录需不含空格显存不足CUDA out of memory换vits或调小--input-size到 384深度图方向不对远近关系反直觉确认用的是彩色 Spectral 伪彩图近处暖色数值本身越大越近视频内存爆炸长视频中途 OOM用run_video.py逐帧流式写入不要自己一次性加载全部帧想深入源码推荐三个入口模型结构与infer_image在depth_anything_v2/dpt.py数据预处理缩放、归一化、转张量在depth_anything_v2/util/transform.py度量深度的训练与点云导出在metric_depth/目录下。适用场景与结语Depth Anything V2 的能力边界很宽典型的落地场景包括自动驾驶与机器人单目相机即可做障碍物测距和可通行区域估计配合室外度量模型80 米范围覆盖行车场景AR/VR 与空间计算从单张照片重建 3D 点云用于虚拟物体摆放、遮挡处理和场景理解影视后期与设计给动漫、线稿、静物等非真实图像补深度信息支撑 2D 转 3D 工作流工业视觉基于深度图做表面缺陷检测、物体定位与粗略尺寸测量移动端产品Small 模型 Core ML / ONNX 可部署到手机和边缘盒子实现实时预览。如果你正需要一个开箱即用、代价可控的深度估计方案这个项目几乎没有学习成本的门槛安装两分钟、跑通一个 Demo 三分钟剩下的就是探索它在你的业务里能碰撞出什么。单目深度估计的价值正在从论文走向每一个需要理解空间的应用而 Depth Anything V2 已经把这条路铺得足够平——剩下的事交给你了。【免费下载链接】Depth-Anything-V2[NeurIPS 2024] Depth Anything V2. A More Capable Foundation Model for Monocular Depth Estimation项目地址: https://gitcode.com/gh_mirrors/de/Depth-Anything-V2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Depth Anything V2 单目深度估计实战只需3步让AI看懂任意照片里的距离【免费下载链接】Depth-Anything-V2[NeurIPS 2024] Depth Anything V2. A More Capable Foundation Model for Monocular Depth Estimation项目地址: https://gitcode.com/gh_mirrors/de/Depth-Anything-V2想象这样一个画面你随手拍下一张街景照片想知道最近的行人离你几米、前方建筑物的轮廓如何分层——不依赖任何激光雷达或双目设备仅凭这一张二维图片AI 就能在几十毫秒内给出每一处像素的相对远近。这正是 Depth Anything V2 在做的事。作为一篇面向实际使用的技术解读本文将带你从安装、跑通 Demo到理解其背后的原理再到避开新手最常见的坑一步步把这套单目深度估计工具真正用起来。项目速览一个会看距离的开源基础模型Depth Anything V2 是发表在 NeurIPS 2024 上的单目深度估计基础模型出自港大与字节跳动研究者之手。简单说它接收一张普通 RGB 图片输出一张同样大小的深度图——越亮的区域代表离相机越近越暗则越远。相比第一代版本它在物体边缘细节、非真实场景动漫、线稿和玻璃水面等特殊材质上明显更稳且推理速度比基于扩散模型的同类方案快一个量级。速览项说明一句话定位从单张图片预测深度图的视觉基础模型核心能力相对深度估计 度量深度微调输出米制深度技术底座DINOv2 视觉骨干 DPT 解码器PyTorch 实现上手成本安装依赖 下载权重即可运行单卡即可推理适用人群CV 学习者、自动驾驶/AR/机器人从业者、独立开发者模型规模Small/Base/Large/Giant 四档24.8M 到 1.3B 参数社区热度2024 年 6 月开源已被 Transformers、Core ML、ONNX 等生态接入项目在depth_anything_v2/目录下封装了完整模型代码同时提供图片、视频、Gradio 交互三种开箱即用的入口run.py、run_video.py、app.py你不需要读一行源码也能跑出结果。3分钟跑通第一个 Demo从装环境到输出深度图上手路径非常短。先把仓库克隆下来并装好依赖git clone https://gitcode.com/gh_mirrors/de/Depth-Anything-V2 cd Depth-Anything-V2 pip install -r requirements.txt依赖清单很轻量核心只有torch、torchvision、opencv-python、matplotlib和gradio几项。接着去项目 README 的 Pre-trained Models 表格里把对应权重下载到checkpoints/目录即可。如果你只想验证效果从 24.8M 的 Small 模型开始最省事。然后对单张图片跑一次推理python run.py \ --encoder vitl \ --img-path assets/examples/demo01.jpg \ --outdir depth_vis \ --input-size 518 \ --pred-only输出目录里会生成一张与原始图片同尺寸的深度图。四个核心参数逐个解释--encoder骨干网络规模可选vits/vitb/vitl/vitg越大精度越高、显存占用越大--input-size送入模型的边长默认 518调大到 1024 可拿到更精细的边缘细节代价是更慢--pred-only只保存深度图不加原始图片去掉它则输出原图 白色分隔条 深度图的拼接对比图--grayscale把默认的彩色伪彩图换成灰度图适合后续做数值处理或叠加展示。想用 Python API 做深度集成时更简单核心只有两行import cv2, torch from depth_anything_v2.dpt import DepthAnythingV2 model DepthAnythingV2(**model_configs[vitl]) model.load_state_dict(torch.load(checkpoints/depth_anything_v2_vitl.pth, map_locationcpu)) model model.to(cuda if torch.cuda.is_available() else cpu).eval() depth model.infer_image(cv2.imread(demo.jpg)) # HxW 的 numpy 深度图infer_image会自动完成缩放、归一化和反算回原图尺寸你拿到的深度图与输入图片像素一一对应。原理拆解它凭什么又快又准理解 Depth Anything V2 不需要硬啃论文。你可以把它想象成一个翻译员视觉骨干DINOv2负责把图片翻译成一连串描述这里是什么形状、什么纹理的特征而 DPT 解码器负责把这些特征再拼回一张完整的距离地图。关键巧思藏在取哪些特征上。第一代版本用的是 DINOv2 最后四层的深层特征而 V2 特意改成了中间层的特征——类似看一幅画时不只盯细节而是同时参考构图、轮廓和光影几个层次的整体印象解码出的深度图边缘更锐利、层次更分明。这一点在depth_anything_v2/dpt.py中写得很直白# 每个规模对应 DINOv2 中要抽取的 4 个中间层 self.intermediate_layer_idx { vits: [2, 5, 8, 11], vitb: [2, 5, 8, 11], vitl: [4, 11, 17, 23], vitg: [9, 19, 29, 39] } features self.pretrained.get_intermediate_layers(x, self.intermediate_layer_idx[self.encoder], ...) depth self.depth_head(features, patch_h, patch_w) # DPT 头完成多尺度融合解码端则是标准的 DPT 结构四层特征各自经过 1x1 卷积做通道压缩再用FeatureFusionBlock像搭积木一样从粗到细逐级上采样、融合最后接一个小卷积头回归出单通道深度。整个流程是纯卷积解码没有扩散模型的迭代去噪步骤所以速度能压到毫秒级。效果差距有多大项目首页的对比图给了量化答案在 DA-2K 基准上Large 模型准确率达到 97.1%、V100 上单张推理仅 213msSmall 模型只有 25M 参数却能保持 95.3% 的准确率而同类基于 Stable Diffusion 的方案通常要 800M 参数、数秒推理。这份参数量-速度-精度的平衡正是它被广泛采用的原因。数据集侧同样值得一提。团队构建了 DA-2K 评估基准见DA-2K.md覆盖室内、室外、非真实、透明反射、水下、航拍等 8 类场景并用多模型投票 人工复核的流水线保证标注质量——这让模型在不同环境下的表现可被公平量化。进阶技巧与避坑清单掌握下面几条能帮你把工具用得比多数人都熟练先跑通 Small再升级到 Large。调参排错阶段用vits把流程走通正式出效果再换vitl能省下大量等待时间。用--pred-only配合灰度输出做二次处理。彩色伪彩图好看但不适合继续计算灰度图配合matplotlib或 numpy 可以直接做深度阈值、分割等后处理。视频输入优先选大模型。项目文档明确提示更大的模型在视频上有更好的时间一致性run_video.py可直接处理 mp4如果发现相邻帧深度闪烁先检查是不是用了 Small。要真实米制距离就用 metric_depth 子项目。相对深度图只有大小关系室内外精确到米需要加载metric_depth/下基于 Hypersim室内或 Virtual KITTI 2室外微调的权重室内最大深度设 20、室外设 80还能用depth_to_pointcloud.py直接把图片投影成 3D 点云。注意双线性上采样实现差异。README 提到官方用 OpenCV 的插值与 Transformers 里 Pillow 的实现结果会有细微出入——对精度敏感的管线建议走官方原生接口。新手最容易踩的坑汇总如下坑现象解决方案权重放错目录报No such file or directory检查checkpoints/depth_anything_v2_vitl.pth路径与--encoder是否一致--img-path指向目录直接抛异常该参数支持单图、目录、txt 文件列表三种输入目录需不含空格显存不足CUDA out of memory换vits或调小--input-size到 384深度图方向不对远近关系反直觉确认用的是彩色 Spectral 伪彩图近处暖色数值本身越大越近视频内存爆炸长视频中途 OOM用run_video.py逐帧流式写入不要自己一次性加载全部帧想深入源码推荐三个入口模型结构与infer_image在depth_anything_v2/dpt.py数据预处理缩放、归一化、转张量在depth_anything_v2/util/transform.py度量深度的训练与点云导出在metric_depth/目录下。适用场景与结语Depth Anything V2 的能力边界很宽典型的落地场景包括自动驾驶与机器人单目相机即可做障碍物测距和可通行区域估计配合室外度量模型80 米范围覆盖行车场景AR/VR 与空间计算从单张照片重建 3D 点云用于虚拟物体摆放、遮挡处理和场景理解影视后期与设计给动漫、线稿、静物等非真实图像补深度信息支撑 2D 转 3D 工作流工业视觉基于深度图做表面缺陷检测、物体定位与粗略尺寸测量移动端产品Small 模型 Core ML / ONNX 可部署到手机和边缘盒子实现实时预览。如果你正需要一个开箱即用、代价可控的深度估计方案这个项目几乎没有学习成本的门槛安装两分钟、跑通一个 Demo 三分钟剩下的就是探索它在你的业务里能碰撞出什么。单目深度估计的价值正在从论文走向每一个需要理解空间的应用而 Depth Anything V2 已经把这条路铺得足够平——剩下的事交给你了。【免费下载链接】Depth-Anything-V2[NeurIPS 2024] Depth Anything V2. A More Capable Foundation Model for Monocular Depth Estimation项目地址: https://gitcode.com/gh_mirrors/de/Depth-Anything-V2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
