/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
depth_anything · dense
Базовая модель
Depth-Anything-V2-Base-hf
Библиотека
transformers
Опубликована
27 сен 2026

depth-anything-v2-base-minecraft

Оценка глубиныИзображение → depth_map3 профессии

Модель оценивает метрическую глубину на скриншотах обычного мира Minecraft и выдаёт расстояние в блоках.

38скачиваний за 30 дней0лайковвеса обновлены27 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

thealper2/depth-anything-v2-base-minecraft — дообученная модель на основе Depth Anything V2 Base, разработанная для оценки метрической глубины на скриншотах Minecraft. Она принимает RGB-изображение и предсказывает расстояние до видимых поверхностей в блоках Minecraft в диапазоне до 95 блоков. Архитектура включает DINOv2 ViT-B/14, DPT neck и голову оценки глубины; модель содержит 97,5 млн параметров и предназначена для запуска через Transformers.

Модель обучена на 12 000 парах скриншотов и карт глубины из записей полётов по обычному миру Minecraft. На тестовой выборке из 1199 кадров для метрической версии указаны MAE 0,627 блока и RMSE 2,193 блока. Результаты зависят от стандартного FOV 70° и условий, похожих на обучающие.

Модель не обучалась на Nether, End, существах и мобах; для воды и стекла предсказывает глубину объектов за ними. Разметка обрезана примерно на 90 блоках, поэтому оценки дальше этой границы ненадёжны, а квантование разметки ограничивает точность. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

Сценарии применения

  • оценка расстояния до поверхностей на скриншоте Minecraft
  • построение карты глубины для сцены Minecraft
  • измерение дистанций в записях полёта по обычному миру Minecraft
  • подготовка данных о глубине для анализа или визуализации сцен Minecraft

Ограничения

Обучение охватывает только полёты по обычному миру с FOV 70° и стандартным ресурс-паком; для Nether, End, существ и мобов модель не обучалась. Разметка обрезана примерно на 90 блоках, вода и стекло прозрачны в метках, а коммерческое использование запрещено лицензией CC-BY-NC-4.0.

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

Depth Anything V2 Base — Minecraft metric depth

Fine-tune of depth-anything/Depth-Anything-V2-Base-hf on JulianBvW/Minecraft-Depth-Images. Input: Minecraft RGB screenshot. Output: metric depth in Minecraft blocks, range (0, 95).

Model

ArchitectureDepthAnythingForDepthEstimation (DINOv2 ViT-B/14 backbone + DPT neck + depth head)
Parameters97.5M (all trainable during fine-tuning)
Headdepth_estimation_type="metric": sigmoid(x) * max_depth, max_depth=95
Outputpredicted_depth (B, H, W), float, blocks, same H×W as the input
Input resolution476×854 (H×W; native 480×854 frames, sides multiple of 14)
NormalisationImageNet mean/std (unchanged from the base processor)

The released base checkpoint predicts affine-invariant relative inverse depth. Switching the head to the metric variant changes only the final activation (no new parameters); the last 1×1 conv was re-initialised by a 2-parameter least-squares fit (logit(depth/max_depth) ≈ a·x + b, a=-0.1586, b=-2.0973) on training batches before fine-tuning.

Usage

import torch
from PIL import Image
from transformers import AutoImageProcessor, AutoModelForDepthEstimation

repo = "thealper2/depth-anything-v2-base-minecraft"
processor = AutoImageProcessor.from_pretrained(repo)
model = AutoModelForDepthEstimation.from_pretrained(repo).eval()

image = Image.open("minecraft_screenshot.png").convert("RGB")
inputs = processor(images=image, return_tensors="pt")
with torch.no_grad():
    depth = model(**inputs).predicted_depth                       # (1, H', W') blocks
depth = torch.nn.functional.interpolate(depth[:, None], size=image.size[::-1],
                                        mode="bilinear", align_corners=False)[0, 0]

The saved processor resizes with keep_aspect_ratio=True, ensure_multiple_of=14, target 476×854 (854×480 input → 854×476). Depth scale assumes the default Minecraft FOV (70°) used in the dataset.

Training data

Sourcedepth_dataset.tar.gz (rev d31495a5cc1aa5a169e732939ba13b9d98bf049b): 12,000 RGB (854×480 PNG) + depth (float16 .npy) pairs
Depth labelsmetric depth in blocks, decoded from 8-bit near/far depth shaders; quantisation step ≈0.024 (<6 blocks) to ≈0.56 (>80 blocks)
Far cliplabel saturates at 90.5625 (sky / farther than ~90 blocks)
Excluded822 frames whose depth label is shifted by one frame relative to the RGB (detected via RGB-edge / depth-edge agreement), 169 train frames adjacent to val/test chunks
Splitrecording runs (3000 frames) cut into 200-frame chunks, chunks assigned at random (seed 42): train 8771 / val 1039 / test 1199 frames

Training procedure

Lossmasked Smooth L1 on log-depth (β=0.1) + 0.1 × multi-scale (4) gradient-matching loss on the log-depth residual
Maskinggt ≤ 0 ignored; far-clip pixels supervised as 90.5625
Augmentationshared random crop offset + horizontal flip (RGB and depth identical); colour jitter, Gaussian blur, Gaussian noise (RGB only)
OptimizerAdamW, lr 1e-05 (backbone) / 1e-04 (neck + head), weight decay 1e-04, betas (0.9, 0.999)
Schedulelinear warm-up 3% of steps, cosine decay to 0.01×
Batch4 × 4 gradient accumulation = 16
Epochs10 (5480 optimizer steps); best checkpoint by val abs_rel (epoch 10)
Precisionbf16 autocast, gradient clipping 1.0
HardwareNVIDIA GeForce RTX 5060 Ti; training time 2.07 h; peak memory 6.6 GB
SoftwarePyTorch 2.11.0+cu128, Transformers 5.17.0

Evaluation

Test split: 1199 frames never used for training or model selection. Metrics are computed per image on pixels with 0.1 ≤ gt < 90.5625 blocks and averaged over images. FarRecall = fraction of far-clip (sky / >90 blocks) pixels predicted ≥ 90.5625/1.25.

ModelMAE ↓RMSE ↓AbsRel ↓SqRel ↓RMSElog ↓δ<1.25 ↑δ<1.25² ↑δ<1.25³ ↑FarRecall ↑
DA-V2 Base (pretrained, aligned)4.84011.6560.482224.0320.41580.67070.83470.89760.7845
DA-V2 Base Minecraft (metric)0.6272.1930.06300.5190.12760.95760.98490.99230.9122
DA-V2 Base Minecraft (aligned)0.8682.7400.07100.6450.14190.93970.97670.98760.5784

aligned: per-image least-squares scale and shift in disparity space fitted to the ground truth (MiDaS protocol). Required for the base model, whose output has no metric scale; it uses the test labels and therefore favours the baseline. metric: raw model output in blocks, no alignment.

Limitations

  • Training data: overworld flight recordings only (no Nether / End, no entities / mobs), default resource pack, default FOV.
  • Water and glass are transparent in the depth labels; the model predicts the depth behind them.
  • Labels beyond ~90 blocks are clipped; predictions above that range are not meaningful.
  • Label quantisation (8-bit shaders) limits achievable accuracy, especially at large depth.
  • License follows the base model (CC-BY-NC-4.0).

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
DepthAnythingForDepthEstimation
Ревизия весов
4f06474

0 моделей