/ Модель

Характеристики

Размер весов
458 МБ
Лицензия
Apache 2.0
Архитектура
video_depth_anything · dense
Опубликована
31 авг 2026

video-depth-anything-base-mlx

Оценка глубиныИзображение → depth_map3 профессии

Конверсия Video Depth Anything Base для MLX оценивает согласованную во времени глубину по монокулярному видео.

23скачиваний за 30 дней0лайковвеса обновлены31 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

Video Depth Anything Base в формате MLX — конверсия модели depth-anything/Video-Depth-Anything-Base, разработанной ByteDance и отмеченной как highlight на CVPR 2025. Модель оценивает глубину по монокулярному видео, выдавая согласованные во времени карты глубины. Архитектура включает backbone DINOv2 и временную голову DPT; репозиторий содержит веса в формате safetensors.

Модель предназначена для извлечения структуры сцены и оценки расстояний по последовательности видеокадров. В README указана проверка относительно реализации PyTorch: максимальная относительная ошибка около 1e-5 на CPU и около 1% на GPU с fast-math в Metal. Лицензия — Apache-2.0.

Сценарии применения

  • оценка глубины в видеопоследовательности с одной камеры
  • построение карт глубины для анализа видео
  • извлечение пространственной структуры сцены из видео

Ограничения

Оценка выполняется по монокулярному видео и является предсказанием глубины. При запуске на GPU с fast-math в Metal указана относительная ошибка около 1% относительно PyTorch-референса.

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

Video Depth Anything Base (MLX)

MLX conversion of depth-anything/Video-Depth-Anything-Base (ByteDance, CVPR 2025 highlight). Consistent monocular video depth estimation: DINOv2 backbone + temporal DPT head.

Converted with python -m mlx_vlm.models.video_depth_anything.convert --variant base.

Usage

from mlx_vlm.utils import load_model, get_model_path
from mlx_vlm.models.video_depth_anything.processing_video_depth_anything import (
    VideoDepthProcessor,
)
from mlx_vlm.models.video_depth_anything.generate import (
    VideoDepthPredictor,
    read_video_frames,
)

path = get_model_path("jarjoura/video-depth-anything-base-mlx")
model = load_model(path)
processor = VideoDepthProcessor.from_pretrained(path)
predictor = VideoDepthPredictor(model, processor)

frames, fps = read_video_frames("input.mp4", max_len=300, target_fps=15)
depths = predictor.infer(frames)  # (T, H, W) float32 depth maps

Validated against the PyTorch reference: ~1e-5 max relative error on CPU, ~1% on GPU (Metal fast-math).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
53f83f9

0 моделей