/ Модель

Характеристики

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

tipsv2-l14-dpt

Оценка глубиныИзображение → depth_map3 профессии

Модель Google на основе TIPSv2 L/14 предсказывает глубину, поверхностные нормали и семантическую сегментацию по изображению.

460скачиваний за 30 дней8лайковвеса 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

Google TIPSv2 L/14 DPT — модель плотного предсказания изображений с головами Dense Prediction Transformer для оценки глубины, предсказания поверхностных нормалей и семантической сегментации. Она использует замороженную визуальную основу TIPSv2 L/14, которая загружается автоматически; число параметров визуальной основы составляет 303 млн, а три головы содержат около 102 млн параметров. Для глубины и нормалей использованы данные NYU Depth V2, для сегментации — ADE20K с 150 классами.

Модель принимает изображения в диапазоне значений от 0 до 1 при любом разрешении; рекомендуется, чтобы размеры были кратны 14. Основной сценарий — получение пространственных карт по изображению, например для анализа помещений и сцен. Модель распространяется по лицензии Apache-2.0. В README описана реализация для Transformers.

Сценарии применения

  • оценка глубины в изображениях помещений
  • предсказание поверхностных нормалей по изображению
  • семантическая сегментация сцен на 150 классов
  • получение плотных пространственных карт для анализа изображений

Ограничения

Обучение глубины и нормалей выполнено на NYU Depth V2, а сегментации — на ADE20K; перенос качества на другие типы изображений отдельно не описан. Для входа рекомендуется разрешение, кратное 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 — L/14 DPT Heads

DPT (Dense Prediction Transformer) heads for depth estimation, surface normal prediction, and semantic segmentation on top of the frozen TIPSv2 L/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-l14-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 L/14 (loaded automatically)
  • Heads: ~102M 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
eaca790

0 моделей