/ Модель

Характеристики

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

DA3MONO-LARGE

Оценка глубиныИзображение → depth_map3 профессии

Модель ByteDance на основе Vision Transformer оценивает относительную глубину и сегментирует небо на одиночных изображениях.

272 тыс.скачиваний за 30 дней16лайковвеса 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

DA3MONO-LARGE — модель ByteDance Seed Team для оценки относительной глубины по одному изображению. Она предназначена для сценариев компьютерного зрения, где нужно восстановить геометрическую структуру сцены без стереопары или нескольких ракурсов.

Модель содержит 0,35 млрд параметров и построена на архитектуре Vision Transformer с обычным трансформерным энкодером и унифицированным представлением глубины и лучей. Она предсказывает глубину напрямую, а также поддерживает сегментацию неба. По данным карточки, модель превосходит Depth Anything 2 в монокулярной оценке глубины; результаты зависят от качества изображения, освещения и сложности сцены.

Модель выпущена под лицензией Apache 2.0. Она обучалась на общедоступных академических датасетах, поэтому может хуже работать на изображениях из узкоспециализированных областей.

Сценарии применения

  • оценка относительной глубины по фотографии
  • восстановление геометрии сцены по одному кадру
  • сегментация неба на изображениях
  • подготовка карт глубины для компьютерного зрения

Ограничения

Модель может хуже работать на изображениях из специализированных областей; качество зависит от разрешения и 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: DA3MONO-LARGE

Project Page Paper Demo # noqa: E501

Model Description

DA3 Monocular Large model for high-quality relative monocular depth estimation. Unlike disparity-based models (e.g., Depth Anything 2), it directly predicts depth, resulting in superior geometric accuracy.

PropertyValue
Model SeriesMonocular Depth
Parameters0.35B
LicenseApache 2.0

Capabilities

  • ✅ Relative Depth
  • ✅ Sky Segmentation

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/da3mono-large")
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/da3mono-large

# Use backend for faster repeated inference
da3 backend --model-dir depth-anything/da3mono-large
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
f465978

0 моделей