/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
depth-anything-3
Опубликована
13 ноя 2025

DA3-SMALL

Оценка глубиныИзображение → depth_map3 профессии

Компактная модель ByteDance для оценки глубины по изображениям и восстановления позы камеры в многовидовых сценах.

101 тыс.скачиваний за 30 дней23лайкавеса обновлены13 ноя 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DA3-SMALL — компактная модель ByteDance Seed Team из серии Depth Anything 3 для оценки глубины по изображениям и восстановления геометрии сцены по нескольким видам. Она использует Vision Transformer с единой глубинно-лучевой репрезентацией; размер модели — около 0,08 млрд параметров. Модель поддерживает относительную оценку глубины, оценку позы камеры и использование позы в качестве условия.

Модель предназначена для задач компьютерного зрения, включая монокулярную и многовидовую оценку глубины, а также оценку позы камеры. В README заявлено преимущество над Depth Anything 2 в монокулярной оценке глубины и над VGGT в многовидовой оценке и оценке позы; конкретные результаты зависят от данных и условий съёмки. Обучение проводилось на открытых академических наборах данных.

Весы опубликованы в формате Safetensors по лицензии Apache 2.0. Ограничения возможны на специализированных изображениях; качество также зависит от чёткости изображения, освещения и сложности сцены.

Сценарии применения

  • оценка относительной глубины по одиночному изображению
  • оценка глубины по нескольким ракурсам сцены
  • оценка позы камеры по изображениям
  • использование заданной позы для оценки геометрии сцены

Ограничения

На специализированных изображениях качество может быть ограничено; результат зависит от качества изображения, освещения и сложности сцены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Depth Anything 3: DA3-SMALL

Project Page Paper Demo # noqa: E501

Model Description

DA3 Small model for multi-view depth estimation and camera pose estimation. Efficient foundation model with unified depth-ray representation.

PropertyValue
Model SeriesAny-view Model
Parameters0.08B
LicenseApache 2.0

Capabilities

  • ✅ Relative Depth
  • ✅ Pose Estimation
  • ✅ Pose Conditioning

Quick Start

Installation

git clone https://github.com/ByteDance-Seed/depth-anything-3
cd depth-anything-3
pip install -e .

Basic Example

import torch
from depth_anything_3.api import DepthAnything3

# Load model from Hugging Face Hub
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = DepthAnything3.from_pretrained("depth-anything/da3-small")
model = model.to(device=device)

# Run inference on images
images = ["image1.jpg", "image2.jpg"]  # List of image paths, PIL Images, or numpy arrays
prediction = model.inference(
    images,
    export_dir="output",
    export_format="glb"  # Options: glb, npz, ply, mini_npz, gs_ply, gs_video
)

# Access results
print(prediction.depth.shape)        # Depth maps: [N, H, W] float32
print(prediction.conf.shape)         # Confidence maps: [N, H, W] float32
print(prediction.extrinsics.shape)   # Camera poses (w2c): [N, 3, 4] float32
print(prediction.intrinsics.shape)   # Camera intrinsics: [N, 3, 3] float32

Command Line Interface

# Process images with auto mode
da3 auto path/to/images \
    --export-format glb \
    --export-dir output \
    --model-dir depth-anything/da3-small

# Use backend for faster repeated inference
da3 backend --model-dir depth-anything/da3-small
da3 auto path/to/images --export-format glb --use-backend

Model Details

  • Developed by: ByteDance Seed Team
  • Model Type: Vision Transformer for Visual Geometry
  • Architecture: Plain transformer with unified depth-ray representation
  • Training Data: Public academic datasets only

Key Insights

💎 A single plain transformer (e.g., vanilla DINO encoder) is sufficient as a backbone without architectural specialization. # noqa: E501

✨ A singular depth-ray representation obviates the need for complex multi-task learning.

Performance

🏆 Depth Anything 3 significantly outperforms:

  • Depth Anything 2 for monocular depth estimation
  • VGGT for multi-view depth estimation and pose estimation

For detailed benchmarks, please refer to our paper. # noqa: E501

Limitations

  • The model is trained on academic datasets and may have limitations on certain domain-specific images # noqa: E501
  • Performance may vary depending on image quality, lighting conditions, and scene complexity

Citation

If you find Depth Anything 3 useful in your research or projects, please cite:

@article{depthanything3,
  title={Depth Anything 3: Recovering the visual space from any views},
  author={Haotong Lin and Sili Chen and Jun Hao Liew and Donny Y. Chen and Zhenyu Li and Guang Shi and Jiashi Feng and Bingyi Kang},  # noqa: E501
  journal={arXiv preprint arXiv:XXXX.XXXXX},
  year={2025}
}

Links

Authors

Haotong Lin · Sili Chen · Junhao Liew · Donny Y. Chen · Zhenyu Li · Guang Shi · Jiashi Feng · Bingyi Kang # noqa: E501

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · depth-anything-3 · depth-estimation

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
e08cab6

0 моделей