/ Модель

Характеристики

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

Metric-Video-Depth-Anything-Small-MLX

Оценка глубиныИзображение → depth_map3 профессии

MLX-порт модели ByteDance для согласованной оценки абсолютной глубины в метрах по кадрам монокулярного видео.

55скачиваний 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 Small — это порт на MLX модели Video Depth Anything от ByteDance, подготовленный сообществом mlx-community. Модель оценивает метрическую глубину по кадрам монокулярного видео и выдаёт карту глубины для каждого кадра, сохраняя временную согласованность на видео произвольной длины. Веса преобразованы из официального чекпойнта depth-anything/Metric-Video-Depth-Anything-Small.

Архитектура сочетает backbone DINOv2, голову DPT и временные модули движения в стиле AnimateDiff. Модель принимает видео в виде последовательности RGB-кадров; входные высота и ширина должны быть кратны 14. Она предсказывает абсолютную глубину в метрах. Веса представлены в fp32; по README, результаты на GPU близки к PyTorch-версии примерно в пределах 1% относительной ошибки, а на CPU — примерно 1e-5. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • построение карт глубины для кадров видео
  • оценка расстояний до объектов в монокулярном видео
  • восстановление метрической глубины для видеосцен
  • временная стабилизация оценки глубины между кадрами

Ограничения

Входные кадры должны иметь высоту и ширину, кратные 14; веса fp32 могут требовать значительных вычислительных ресурсов. Лицензия CC BY-NC 4.0 не допускает коммерческого использования.

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 Small (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-Small.

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-Small-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
0d4ff7a

0 моделей