/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
tipsv2_dpt · dense
Библиотека
transformers
Опубликована
9 апр 2026

tipsv2-b14-dpt

Оценка глубиныИзображение → depth_map3 профессии

Модель Google на базе TIPSv2 B/14 оценивает глубину изображения и также предсказывает поверхностные нормали и семантическую сегментацию.

14 606скачиваний за 30 дней18лайковвеса обновлены17 авг 2026

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

TIPSv2 B/14 DPT Heads — модель плотного предсказания Google на базе замороженного визуального энкодера TIPSv2 B/14 и голов Dense Prediction Transformer. Она предназначена для оценки глубины по изображению; также доступны головы предсказания поверхностных нормалей и семантической сегментации на 150 классов ADE20K. Головы содержат около 72 млн параметров; визуальная часть базовой модели — 86 млн параметров.

Модель принимает изображения в диапазоне значений [0, 1]; рекомендуется разрешение, кратное 14. Головы глубины и нормалей обучены на NYU Depth V2, а сегментации — на ADE20K. Для загрузки визуального энкодера требуется базовая модель TIPSv2 B/14. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.

Сценарии применения

  • оценка глубины сцены по изображению
  • предсказание поверхностных нормалей объектов и поверхностей
  • семантическая сегментация изображения на классы ADE20K
  • анализ геометрии помещений по RGB-изображению

Ограничения

Качество предсказаний связано с доменами обучающих наборов: NYU Depth V2 для глубины и нормалей и ADE20K для сегментации. Для работы требуется базовая модель TIPSv2 B/14; рекомендуется подавать изображения с разрешением, кратным 14.

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

TIPSv2 — B/14 DPT Heads

DPT (Dense Prediction Transformer) heads for depth estimation, surface normal prediction, and semantic segmentation on top of the frozen TIPSv2 B/14 backbone. The backbone is loaded automatically. The depth and normals heads are trained on the NYU Depth V2 dataset and segmentation is trained on the ADE20K dataset (150 classes).

VariantVision paramsText paramsEmbed dimDPT Heads
B/1486M110M768B/14-dpt
L/14303M184M1024L/14-dpt
SO400m/14412M448M1152SO400m/14-dpt
g/141.1B389M1536g/14-dpt

Usage

pip install transformers torch torchvision sentencepiece
from transformers import AutoModel
from torchvision import transforms
from PIL import Image
import requests

model = AutoModel.from_pretrained("google/tipsv2-b14-dpt", trust_remote_code=True)
model.eval().cuda()

url = "https://huggingface.co/spaces/google/tipsv2/resolve/main/examples/depth/ade20k_00014.png"
image = Image.open(requests.get(url, stream=True).raw)
transform = transforms.Compose([transforms.Resize((448, 448)), transforms.ToTensor()])
pixel_values = transform(image).unsqueeze(0).cuda()

# All tasks at once
outputs = model(pixel_values)
print(outputs.depth.shape)         # (1, 1, 448, 448) — depth map
print(outputs.normals.shape)       # (1, 3, 448, 448) — surface normals
print(outputs.segmentation.shape)  # (1, 150, 448, 448) — segmentation logits

# Or individual tasks (only runs the requested head)
depth = model.predict_depth(pixel_values)
normals = model.predict_normals(pixel_values)
seg = model.predict_segmentation(pixel_values)
print(seg.argmax(dim=1).shape)     # (1, 448, 448) — per-pixel class prediction

Model details

  • Backbone: TIPSv2 B/14 (loaded automatically)
  • Heads: ~72M total params (depth + normals + segmentation)
  • Depth & normals: NYU Depth V2
  • Segmentation: ADE20K, 150 classes
  • Input: images in [0, 1] range, any resolution (multiples of 14 recommended)

License

Apache 2.0

Citation

@inproceedings{cao2026tipsv2,
  title     = {{TIPSv2: Advancing Vision-Language Pretraining with Enhanced Patch-Text Alignment}},
  author    = {Cao, Bingyi and Chen, Koert and Maninis, Kevis-Kokitsi and Chen, Kaifeng and Karpur, Arjun and Xia, Ye and Dua, Sahil and Dabral, Tanmaya and Han, Guangxing and Han, Bohyung and Ainslie, Joshua and Bewley, Alex and Jacob, Mithun and Wagner, Rene and Ramos, Washington and Choromanski, Krzysztof and Seyedhosseini, Mojtaba and Zhou, Howard and Araujo, Andre},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year      = {2026},
  url       = {https://arxiv.org/abs/2604.12012}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · depth-estimation

Можно запустить

Подбираем GPU…

Класс архитектуры
TIPSv2DPTModel
Ревизия весов
da81b55

0 моделей