depth anything解读与复现教程

已于 2024-02-18 22:59:16 修改
阅读量9.2k 收藏 91
点赞数 38
文章标签： 人工智能 神经网络 深度学习 计算机视觉
于 2024-02-18 22:55:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_58846303/article/details/136159562
版权
TikTok与高校合作的DepthAnything技术能从2D图像中高效提取深度信息，提升3D转换质量。本文介绍了技术原理、论文贡献、模型复现步骤，以及未来可能的研究方向，如模型优化转换。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

depth anything介绍

depth anything复现

源码和权重文件clone

配置环境

运行

如果你仅仅是想试用一下效果

进一步展望

depth anything介绍

 近日，TikTok发布一项新型AI技术“DepthAnything”，该技术由TikTok联合香港大学和浙江大学共同研发的一种先进单目深度估计（MDE）技术，能更有效地从2D图像中识别出深度信息图。基于这些深度信息图，普通的2D影像便可转化为3D影像。相比此前已有技术，“DepthAnything”在提升深度图的质量方面取得重大突破。此技术的应用将使得TikTok平台上现有的海量2D影像能够轻松转化为3D影像，让普通手机拍摄的2D影像“一键转3D”，或将大幅推进XR产业的发展。


论文地址：Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data

源码地址：GitHub - LiheYoung/Depth-Anything: Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data. Foundation Model for Monocular Depth Estimation

这篇论文的主要贡献包括：

  • 强调了大规模、低成本和多样化无标注图像的数据扩展对 MDE 价值。
  • 指出了在联合训练大规模有标注和无标注图像方面的一个重要实践方法：不是直接学习原始无标注图像，而是为模型提供更困难的优化目标，让
最低0.47元/天 解锁文章
DepthAnything试玩
DeepDriving
02-01 4736
本文首发于公众号【DeepDriving】，欢迎关注。
强大到离谱！硬核解读Stable Diffusion（完整版）
qq_41771998的博客
04-11 1万+
2022年可谓是，上半年有文生图大模型和，下半年有OpenAI的文本对话大模型问世，这让冷却的AI又沸腾起来了，因为AIGC能让更多的人真真切切感受到AI的力量。这篇文章将介绍比较火的文生图模型，Stable Diffusion不仅是一个完全开源的模型（代码，数据，模型全部开源），而且是它的参数量只有1B左右，大部分人可以在普通的显卡上进行推理甚至精调模型。毫不夸张的说，Stable Diffusion的出现和开源对AIGC的火热和发展是有巨大推动作用的，因为它让更多的人能快地上手AI作画。
2024单目测距Depth anything解读和复现
ChengBUAA的博客
03-15 5426
2024年2月份，TikTok发布一项新型AI技术“DepthAnything”，该技术由TikTok联合香港大学和浙江大学共同研发的一种先进单目深度估计（MDE）技术，能更有效地从2D图像中识别出深度信息图。基于这些深度信息图，普通的2D影像便可转化为3D影像。相比此前已有技术，“DepthAnything”在提升深度图的质量方面取得重大突破。此技术的应用将使得TikTok平台上现有的海量2D影像能够轻松转化为3D影像，让普通手机拍摄的2D影像“一键转3D”，或将大幅推进XR产业的发展。
（深度估计学习）Depth Anything V2 复现
Wu_JingYi0829的博客
07-12 4943
根据自己的数据修改DepthAnythingV2/metric_depth/dataset/splits和train.py中的路径数据。但我运行不了这个sh文件，所以我选择直接配置.vscode/launch.json。并且我将我的train代码改为了非分布式的。由于服务器上面我不能安装CUDA，只能在conda上安装cuda。我安装的cuda11.7。在本机电脑win跑之后依旧爆显存，放到服务器跑：Ubuntu22.04，CUDA17。训练的时候需要，我这里之前就准备了vkitti。
Depth-Anything-V2 吊装作业 深度 单目检测
最新发布
sinat_23581595的博客
03-10 861
Depth-Anything-V2-Base-hf 模型对数据进行实时深度计算，目标检测模型，通过吊装作业数据集进行训练而成
Depth-Anything推理详解及部署实现（下）
周同学的博客
12-14 2861
Depth-Anything推理详解及部署实现（下）
深度感知的艺术：Depth Anything 使用深度解析
gitblog_02320的博客
01-08 644
深度感知的艺术：Depth Anything 使用深度解析 depth_anything_vitl14 项目地址: https://gitcode.com/mirrors/LiheYoung/depth_anything_vit...
Depth Anything: 释放大规模未标注数据的潜力
gitblog_00495的博客
08-08 435
Depth Anything: 释放大规模未标注数据的潜力 Depth-Anything项目地址:https://gitcode.com/gh_mirrors/de/Depth-Anything 在计算机视觉领域，深度估计是一个基础且关键的任务。今天，我们要介绍的是一个革命性的开源项目——Depth Anything，它通过利用大规模的未标注数据，为单目深度估计提供了一个高度实用的解决方案。 项...
Depth Anything——强大的单目深度估计模型
知来者逆的博客
08-03 3964
本研究引入了Depth Anything模型，该模型在稳健的单目深度估计方面展现了高度实用性。通过强调廉价且多样化的未标记图像的价值，并采用两种有效策略，即在学习未标记图像时设定更具挑战性的优化目标以及保留预训练模型的丰富语义先验，使得该模型在零样本深度估计方面表现出色。此外，该模型还可作为有望初始化下游度量深度估计和语义分割任务的有效工具。
Depth-Anything的使用记录
Swiss__Roll的博客
02-23 1812
今年年初的Depth-Anything和去年刚出的SAM一样让人感觉震撼。如何获得深度图？Depth-Anything足够了。
单目深度估计---Depth Anything论文详解
qq_44799766的博客
03-30 1万+
论文题目：Depth Anything: Unleashing the Power of Large-Scale—— 任何深度：释放大规模无标记数据的力量（注意论文名字，因为后续的很多工作都是在未标注数据上做的。作者认为Depth Anything是一种用于稳健单目深度估计的非常实用的解决方案。在不追求新颖的技术模块的情况下，作者目标建立一个简单而强大的基础模型（而且是Zero-shot）。为此，作者通过设计一个数据引擎来收集并自动标注大规模未标记数据（∼62M），从而扩大数据覆盖范围，来能够减少泛化误差。
【单目深度估计】Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data
热门推荐
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
01-31 1万+
这项工作介绍了深度任何东西，这是一种用于鲁棒单目深度估计的高度实用的解决方案。在不追求新的技术模块的情况下，我们的目标是构建一个简单而强大的基础模型来处理在任何情况下的任何图像。为此，我们通过设计一个数据引擎来收集和自动注释大规模未标记数据（~62M）来扩展数据集，这显着扩大了数据覆盖率，从而能够减少泛化误差。我们研究了两种简单而有效的策略，使数据扩展变得有希望。首先，通过利用数据增强工具创建了一个更具挑战性的优化目标。它迫使模型积极寻求额外的视觉知识并获得稳健的表示。其次，开发了一种辅助监督来强制模型从预
【GNN4Medical】GNN在医疗领域发展和应用
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
11-21 1317
医疗AI在肿瘤方面应用综述 - 知乎。
论文翻译：OK-Robot: What Really Matters in Integrating Open-Knowledge Models for Robotics
机器学习实战
01-25 2060
图1：OK-Robot是一种开放知识机器人系统，集成了多种在公开可用数据上训练的学习模型，用于在现实环境中拾取和放置物体。利用诸如CLIP、Lang-SAM、AnyGrasp和OWL-ViT等开放知识模型，OK-Robot在10个未见过的、混乱的家庭环境中实现了58.5%的成功率，在更干净、整理过的环境中达到了82.4%。摘要—近年来，在视觉、语言和机器人领域取得了显著的进展。我们现在拥有能够根据语言查询识别物体的视觉模型，能够有效控制移动系统的导航系统，以及能够处理各种物体的抓取模型。
DepthAnyting本地复现
weixin_40358863的博客
02-10 680
（2025.01.22）部署环境：windows本地部署一直报错，以为是python版本不对，使用了3.8和2.10都不行，还是报错如下：（2025.01.23）换到服务器重新部署无语，之前指令复制了两遍，可能是这个原因导致了下载不成功。。。。重新使用如下指令安装真的很慢。。。下午继续。。。有点奇怪 用之前安装好的又可以了，还是得有耐心仔细看报错。。。中间有报错：'ColormapRegistry' object has no attribute 'get_cmap'
Depth Anything：释放大规模无标注数据的深度估计
CV_Autobot的博客
02-01 524
‍作者|黄浴点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【深度估计】技术交流群本文只做学术分享，如有侵权，联系删文24年1月论文“Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data“，来自香港大学、字节、浙江实验室和浙江大学。这项工作提出了Depth Anything，...
OnnxRuntime----DepthAnything深度估计ONNX推理
qq_37172182的博客
04-10 1475
DepthAnything ONNX opencv c++ inference
Depth-Anything推理详解及部署实现（上）
周同学的博客
12-14 5024
Depth-Anything推理详解及部署实现（上）
深度学习模型试跑(十七):Depth-Anything
qq_33642342的博客
02-02 960
Depth-Anything的精华部分基本是在代码里面，论文只是做了相对简要的介绍，看了几篇公众号上的讲解，绝大部分就是照着论文里的内容翻译了一遍，很多比较牛的地方都没发掘出来。根据项目的星标⭐数量，决定是否写。
depthanything复现指南
12-31
### DepthAnything 项目复现教程 #### 准备工作 为了成功复现 DepthAnything 项目，需先获取源码和预训练模型权重文件。这可以通过克隆官方仓库来完成[^1]。 ```bash git clone https://github.com/author/repo.git cd repo ``` #### 安装依赖环境 部分 GitHub 项目会附带 `requirements.txt` 文件以简化依赖项管理。如果存在此文件，则可通过如下命令一次性安装所有必需的 Python 库[^2]： ```bash pip install -r requirements.txt ``` 对于未提供 `requirements.txt` 的情况，建议手动查阅文档或 README 中列出的具体版本号并逐一安装所需库。 #### 数据集准备 针对特定任务的数据集整理至关重要。例如，在 MSBDN 项目实例中提到创建专门目录存放数据集，并按照指定结构组织文件有助于后续实验顺利开展[^3]。对于 DepthAnything 来说，可能也需要遵循类似的模式设置自己的数据存储位置。 #### 处理数据流函数 在某些情况下，还需要编写额外脚本来辅助处理原始数据。比如 SySeVR 提到了一个名为 `process_dataflow_func.py` 的工具可以用来解析 pkl 格式的中间表示文件，并构建适合进一步分析使用的语料库格式[^4]。虽然这不是直接属于 DepthAnything 的一部分，但在遇到相似需求时可借鉴此类做法实现自定义功能扩展。 通过上述几个方面的工作，应该能够较为全面地掌握如何从零开始搭建起一套完整的 DepthAnything 实验平台。
评论 15
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

图像阿克曼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值