/ Модель

Характеристики

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

Video-Depth-Anything-Base-MLX

Оценка глубиныИзображение → depth_map3 профессии

Порт модели Video Depth Anything на MLX для согласованного построения карт глубины по кадрам длинных видео.

48скачиваний 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

Video Depth Anything Base MLX — перенос на MLX модели Video Depth Anything от ByteDance, представленной на CVPR 2025. Модель использует основу DINOv2, голову DPT и временные модули движения в стиле AnimateDiff для согласованной монокулярной оценки глубины в видео произвольной длины.

На вход подаются цветные кадры видео в формате (B, T, H, W, 3), причём высота и ширина должны быть кратны 14. На выходе модель строит карту глубины для каждого кадра; текст она не генерирует. Это относительная оценка глубины: модель не выдаёт абсолютное расстояние в метрах. Веса сохранены в fp32; перенос MLX рассчитан на запуск с библиотекой MLX. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

Сценарии применения

  • построение карт глубины для каждого кадра видео
  • оценка относительной глубины в монокулярных видеозаписях
  • анализ пространственной структуры сцен в длинных видео

Ограничения

Модель оценивает относительную глубину и не выдаёт абсолютные расстояния в метрах. Размеры кадров должны быть кратны 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

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/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/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: no. 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
c4ec598

0 моделей