Transformers 文档

深度學習

Hugging Face's logo
加入Hugging Face社区

并获得增强型文档体验

开始使用

深度感知一切

概述

Depth Anything 模型在 Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data 中由 Lihe Yang、Bingyi Kang、Zilong Huang、Xiaogang Xu、Jiashi Feng 和 Hengshuang Zhao 提出。Depth Anything 基于 DPT 架构,在约 6200 万张图像上进行训练,在相对深度估计和绝对深度估计方面都取得了最先进的结果。

Depth Anything V2 于 2024 年 6 月发布。它使用与 Depth Anything 相同的架构,因此与所有代码示例和现有工作流程兼容。然而,它利用合成数据和更大的容量教师模型来实现更精细和鲁棒的深度预测。

论文摘要如下

这项工作介绍了 Depth Anything,这是一种高度实用的解决方案,用于鲁棒的单目深度估计。我们没有追求新颖的技术模块,而是旨在构建一个简单但强大的基础模型来处理任何情况下的任何图像。为此,我们通过设计一个数据引擎来收集和自动标注大规模的未标注数据(约 6200 万张),从而扩大数据覆盖范围,并因此能够减少泛化误差。我们研究了两种简单但有效的策略,这些策略使数据扩展变得很有前景。首先,通过利用数据增强工具,创建了更具挑战性的优化目标。它迫使模型积极地寻求额外的视觉知识并获得鲁棒的表示。其次,开发了一种辅助监督来强制模型从预训练编码器继承丰富的语义先验。我们广泛地评估了它的零样本能力,包括六个公共数据集和随机捕获的照片。它展示了令人印象深刻的泛化能力。此外,通过使用来自 NYUv2 和 KITTI 的度量深度信息对其进行微调,设定了新的 SOTA。我们更好的深度模型也导致了更好的深度条件 ControlNet。

drawing Depth Anything 概述。摘自 原始论文

该模型由 nielsr 贡献。原始代码可以在这里找到 here

使用示例

使用 Depth Anything 主要有两种方法:使用管道 API,它为您抽象了所有复杂性,或者自己使用 DepthAnythingForDepthEstimation 类。

管道 API

管道允许使用模型只需几行代码

>>> from transformers import pipeline
>>> from PIL import Image
>>> import requests

>>> # load pipe
>>> pipe = pipeline(task="depth-estimation", model="LiheYoung/depth-anything-small-hf")

>>> # load image
>>> url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> # inference
>>> depth = pipe(image)["depth"]

自己使用模型

如果您想自己进行预处理和后处理,以下是如何操作

>>> from transformers import AutoImageProcessor, AutoModelForDepthEstimation
>>> import torch
>>> import numpy as np
>>> from PIL import Image
>>> import requests

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> image_processor = AutoImageProcessor.from_pretrained("LiheYoung/depth-anything-small-hf")
>>> model = AutoModelForDepthEstimation.from_pretrained("LiheYoung/depth-anything-small-hf")

>>> # prepare image for the model
>>> inputs = image_processor(images=image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)
...     predicted_depth = outputs.predicted_depth

>>> # interpolate to original size
>>> prediction = torch.nn.functional.interpolate(
...     predicted_depth.unsqueeze(1),
...     size=image.size[::-1],
...     mode="bicubic",
...     align_corners=False,
... )

>>> # visualize the prediction
>>> output = prediction.squeeze().cpu().numpy()
>>> formatted = (output * 255 / np.max(output)).astype("uint8")
>>> depth = Image.fromarray(formatted)

资源

官方 Hugging Face 和社区(用 🌎 表示)资源列表,可帮助您开始使用 Depth Anything。

如果您有兴趣提交要包含在此处的资源,请随时打开一个 Pull Request,我们将对其进行审查!理想情况下,该资源应该展示一些新内容,而不是重复现有资源。

DepthAnythingConfig

class transformers.DepthAnythingConfig

< >

( backbone_config = None backbone = None use_pretrained_backbone = False use_timm_backbone = False backbone_kwargs = None patch_size = 14 initializer_range = 0.02 reassemble_hidden_size = 384 reassemble_factors = [4, 2, 1, 0.5] neck_hidden_sizes = [48, 96, 192, 384] fusion_hidden_size = 64 head_in_index = -1 head_hidden_size = 32 depth_estimation_type = 'relative' max_depth = None **kwargs )

参数

  • backbone_config (Union[Dict[str, Any], PretrainedConfig], 可选) — 主干模型的配置。仅在 is_hybridTrue 或您想利用 AutoBackbone API 的情况下使用。
  • backbone (str, 可选) — 当 backbone_configNone 时要使用的主干名称。如果 use_pretrained_backboneTrue,这将从 timm 或 transformers 库加载相应的预训练权重。如果 use_pretrained_backboneFalse,这将加载主干的配置并使用它用随机权重初始化主干。
  • use_pretrained_backbone (bool, 可选,默认值为 False) — 是否使用主干的预训练权重。
  • use_timm_backbone (bool, 可选,默认值为 False) — 是否使用 timm 库作为主干。如果设置为 False,将使用 AutoBackbone API。
  • backbone_kwargs (dict, 可选) — 传递给 AutoBackbone 的关键字参数,在从检查点加载时使用,例如 {'out_indices': (0, 1, 2, 3)}。如果设置了 backbone_config,则无法指定。
  • patch_size (int, 可选,默认值为 14) — 从主干特征中提取的补丁大小。
  • initializer_range (float, 可选,默认值为 0.02) — 初始化所有权重矩阵的截断正态初始化的标准差。
  • reassemble_hidden_size (int, 可选,默认值为 384) — 重新组装层的输入通道数。
  • reassemble_factors (List[int], 可选,默认值为 [4, 2, 1, 0.5]) — 重新组装层的向上/向下采样因子。
  • neck_hidden_sizes (List[str], 可选,默认值为 [48, 96, 192, 384]) — 主干特征图要投影到的隐藏大小。
  • head_in_index (int, 可选, 默认值 -1) — 深度估计头部中要使用的特征的索引。
  • head_hidden_size (int, 可选, 默认值 32) — 深度估计头部第二个卷积层的输出通道数。
  • depth_estimation_type (str, 可选, 默认值 "relative") — 要使用的深度估计类型。 可以是 ["relative", "metric"] 之一。
  • max_depth (float, 可选) — 用于“度量”深度估计头的最大深度。 室内模型应使用 20,室外模型应使用 80。 对于“相对”深度估计,此值将被忽略。

这是一个配置类,用于存储 DepthAnythingModel 的配置。 它用于根据指定的参数实例化 DepthAnything 模型,定义模型架构。 使用默认值实例化配置将产生类似于 DepthAnything LiheYoung/depth-anything-small-hf 架构的配置。

配置对象继承自 PretrainedConfig 并且可以用于控制模型输出。 阅读 PretrainedConfig 的文档以获取更多信息。

示例

>>> from transformers import DepthAnythingConfig, DepthAnythingForDepthEstimation

>>> # Initializing a DepthAnything small style configuration
>>> configuration = DepthAnythingConfig()

>>> # Initializing a model from the DepthAnything small style configuration
>>> model = DepthAnythingForDepthEstimation(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

to_dict

< >

( )

将此实例序列化为 Python 字典。 覆盖默认的 to_dict()。 返回: Dict[str, any]: 构成此配置实例的所有属性的字典,

DepthAnythingForDepthEstimation

class transformers.DepthAnythingForDepthEstimation

< >

( config )

参数

  • config (DepthAnythingConfig) — 模型配置类,包含模型的所有参数。 使用配置文件初始化不会加载与模型关联的权重,只会加载配置。 查看 from_pretrained() 方法以加载模型权重。

Depth Anything 模型,顶部带有深度估计头部(包含 3 个卷积层),例如用于 KITTI、NYUv2。

此模型是 PyTorch torch.nn.Module 子类。 将其用作常规的 PyTorch 模块,并参考 PyTorch 文档以获取与一般使用和行为相关的所有事项。

forward

< >

( pixel_values: FloatTensor labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.DepthEstimatorOutput or tuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获取。查看 DPTImageProcessor.call() 获取更多信息。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。查看返回张量中的 attentions 获取更多详细信息。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。查看返回张量中的 hidden_states 获取更多详细信息。
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通元组。
  • labels (torch.LongTensor 形状为 (batch_size, height, width), 可选) — 用于计算损失的真实深度估计图。

返回

transformers.modeling_outputs.DepthEstimatorOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.DepthEstimatorOutput 或一个 torch.FloatTensor 元组(如果传递了 return_dict=Falseconfig.return_dict=False),包含根据配置 (DepthAnythingConfig) 和输入而定的各种元素。

  • loss (torch.FloatTensor 形状为 (1,), 可选, 当提供 labels 时返回) — 分类(如果 config.num_labels==1 则为回归)损失。

  • predicted_depth (torch.FloatTensor 形状为 (batch_size, height, width)) — 每个像素的预测深度。

  • hidden_states (tuple(torch.FloatTensor), 可选, 当传递了 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 元组(一个用于嵌入层的输出,如果模型具有嵌入层,以及一个用于每个层的输出)形状为 (batch_size, num_channels, height, width)

    模型在每一层输出的隐藏状态,以及可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor), 可选, 当传递了 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 元组(每一层一个),形状为 (batch_size, num_heads, patch_size, sequence_length)

    注意力softmax 后的注意力权重,用于计算自注意力头中的加权平均值。

DepthAnythingForDepthEstimation 正向方法覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数内定义,但应在之后调用 Module 实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, AutoModelForDepthEstimation
>>> import torch
>>> import numpy as np
>>> from PIL import Image
>>> import requests

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> image_processor = AutoImageProcessor.from_pretrained("LiheYoung/depth-anything-small-hf")
>>> model = AutoModelForDepthEstimation.from_pretrained("LiheYoung/depth-anything-small-hf")

>>> # prepare image for the model
>>> inputs = image_processor(images=image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)
...     predicted_depth = outputs.predicted_depth

>>> # interpolate to original size
>>> prediction = torch.nn.functional.interpolate(
...     predicted_depth.unsqueeze(1),
...     size=image.size[::-1],
...     mode="bicubic",
...     align_corners=False,
... )

>>> # visualize the prediction
>>> output = prediction.squeeze().cpu().numpy()
>>> formatted = (output * 255 / np.max(output)).astype("uint8")
>>> depth = Image.fromarray(formatted)
< > 在 GitHub 上更新