/ Модель

Характеристики

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

tipsv2-so400m14-dpt

Оценка глубиныИзображение → depth_map3 профессии

Модель Google на основе TIPSv2 SO400m/14 для оценки глубины, нормалей поверхности и семантической сегментации изображений.

186скачиваний за 30 дней12лайковвеса 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-so400m14-dpt — модель семейства TIPSv2 от Google с головами Dense Prediction Transformer поверх замороженной визуальной основы SO400m/14. Она предназначена для плотного анализа изображений: оценки глубины, предсказания нормалей поверхности и семантической сегментации на 150 классов. Основа загружается автоматически; для работы используются Transformers и PyTorch. Модель принимает изображения в диапазоне значений [0, 1]; рекомендуется разрешение, кратное 14. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

Головы для глубины и нормалей обучены на NYU Depth V2, а голова сегментации — на ADE20K. Вариант SO400m/14 имеет 412 млн параметров визуальной основы, 448 млн параметров текстовой части основы и около 120 млн параметров голов. Модель рассчитана на визуальное предсказание плотных карт; описание не указывает на обработку текста как пользовательского входа. Результаты могут зависеть от предметной области изображений и отличаться от качества на обучающих наборах.

Сценарии применения

  • оценка глубины по изображению комнаты
  • предсказание ориентации поверхностей на изображении
  • семантическая сегментация сцен на 150 классов ADE20K
  • создание плотных карт признаков для визуального анализа

Ограничения

Головы глубины и нормалей обучены на NYU Depth V2, а сегментации — на ADE20K, поэтому качество на изображениях из других областей может отличаться. 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 — SO400m/14 DPT Heads

DPT (Dense Prediction Transformer) heads for depth estimation, surface normal prediction, and semantic segmentation on top of the frozen TIPSv2 SO400m/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-so400m14-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 SO400m/14 (loaded automatically)
  • Heads: ~120M 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
545c26e

0 моделей