/ Модель

Характеристики

Размер весов
458 МБ
Лицензия
CC BY-NC 4.0
Архитектура
video_depth_anything · dense
Опубликована
1 сен 2026

Metric-Video-Depth-Anything-Base-MLX

Оценка глубиныИзображение → depth_map3 профессии

MLX-порт Video Depth Anything для согласованной оценки абсолютной глубины в метрах по кадрам длинных видео.

62скачиваний за 30 дней0лайковвеса обновлены1 сен 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

Metric Video Depth Anything Base MLX — порт модели Video Depth Anything от ByteDance в формат MLX, подготовленный mlx-community. Модель оценивает глубину по каждому кадру монокулярного видео и сохраняет согласованность оценок между кадрами в видео произвольной длительности.

Архитектура включает backbone DINOv2, голову DPT и временные модули движения в стиле AnimateDiff. На вход подаются кадры видео в виде последовательности изображений; на выходе — карты глубины с абсолютными значениями в метрах. Веса представлены в fp32. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Модель подходит для извлечения метрической глубины из видео, когда важны согласованность между кадрами и оценка расстояний в физических единицах. Размеры высоты и ширины входных кадров должны быть кратны 14. В README отмечено, что результаты на GPU отличаются от PyTorch-эталона примерно на 1% по относительной ошибке, а на CPU — примерно на 1e-5.

Сценарии применения

  • построение карт глубины для каждого кадра видео
  • оценка абсолютных расстояний в сцене по монокулярному видео
  • анализ изменения глубины объектов между кадрами
  • подготовка метрических карт глубины для компьютерного зрения

Ограничения

Высота и ширина входных кадров должны быть кратны 14. Коммерческое использование ограничено лицензией CC BY-NC 4.0; на GPU результаты могут отличаться от PyTorch-эталона примерно на 1% по относительной ошибке.

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

Metric Video Depth Anything Base (MLX)

MLX port of Video Depth Anything (ByteDance, CVPR 2025 highlight): consistent monocular depth estimation for arbitrarily long videos. Converted from the official checkpoint depth-anything/Metric-Video-Depth-Anything-Base.

Architecture: DINOv2 backbone + DPT head with AnimateDiff-style temporal motion modules. Outputs per-frame depth maps, not text.

Usage

from mlx_vlm import load
from mlx_vlm.models.video_depth_anything.generate import (
    VideoDepthPredictor,
    read_video_frames,
)

model, processor = load("mlx-community/Metric-Video-Depth-Anything-Base-MLX")
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

Notes

  • Inputs are channel-last (B, T, H, W, 3); H and W must be multiples of 14.
  • Metric model: yes. Metric models output absolute depth (meters) and skip scale/shift window alignment.
  • Weights are fp32. On GPU, output matches the PyTorch reference to ~1% relative (Metal fast-math); on CPU to ~1e-5.

License

CC-BY-NC-4.0 (same as the source checkpoint). Non-commercial use only.

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
e4a047f

0 моделей