Depth Anything 3

Installation

Depth Anything 3 braucht kein optionales Extra. Alles, was es importiert, steckt in der Basis-Installation.

pip install libreyolo

Vorhersage

Die Gewichte werden beim ersten Aufruf von Hugging Face geladen und lokal zwischengespeichert.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDepthAnything3l-depth.pt")result = model(SAMPLE_IMAGE, save=True) depth = result.depth_mapprint(depth.min, depth.max, depth.mean)

libreyolo predict model=LibreDepthAnything3l-depth.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDepthAnything3l-depth.pt")result = model(SAMPLE_IMAGE) depth = result.depth_map    # DepthMap: dicht (H, W), höher = näherraw = depth.data                # Tensor, ohne Einheit und ohne feste Skalanormalized = depth.normalized() # auf [0, 1] skaliert zur Visualisierung

result.depth_map trägt eine dichte relative inverse Tiefenkarte: höhere Werte bedeuten näher an der Kamera, und die Werte haben keine metrische Einheit und keine bildübergreifende Skala. Der Upstream-Checkpoint gibt positive relative Tiefe aus; LibreYOLOs Netzwerk-Wrapper invertiert sie und reproduziert die offizielle Himmelsbehandlung, damit die Ausgabe dem gemeinsamen Tiefen-Kontrakt von LibreYOLO folgt. save=True schreibt eine farbcodierte Visualisierung dieser Karte auf die Festplatte; Results.plot() deckt diese Familie nicht ab, da es nur für Oberflächennormalen und Kanten definiert ist. Siehe Vorhersage für Quellen, Streaming und den Umgang mit Ergebnissen.

Varianten

Eine Größe, l, bei fester Eingabeauflösung. Das Upstream-Projekt DA3 veröffentlicht außerdem Small- und Base-Any-View-Checkpoints, einen Checkpoint für metrische Tiefe sowie Nested- und Giant-Checkpoints; LibreYOLO stellt keinen davon bereit. Metrische Tiefe braucht einen anderen öffentlichen Kontrakt als LibreYOLOs Aufgabe der relativen inversen Tiefe, und die Any-View- und Nested-Checkpoints brauchen eine Mehrbild-Kamera-API, die LibreYOLO nicht anbietet. Die Large- und Giant-Any-View-Checkpoints stehen zudem unter CC-BY-NC-4.0 und werden von keinem LibreYOLO-Download-Pfad referenziert.

Training wird für diese Familie nicht angeboten. LibreDepthAnything3.train() löst bedingungslos NotImplementedError aus; trainiere upstream und konvertiere einen kompatiblen DA3MONO-LARGE-Checkpoint mit weights/convert_depth_anything3_weights.py.

Validierung

val() führt den gemeinsamen Tiefen-Validator aus: er richtet jede Vorhersage mit einer Skalierung und Verschiebung nach kleinsten Quadraten pro Bild an ihrer Ground Truth aus und meldet dann die üblichen Zero-Shot-Metriken für relative Tiefe, AbsRel, RMSE und die drei Delta-Schwellenwerte.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDepthAnything3l-depth.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/abs_rel"])print(metrics["metrics/rmse"])print(metrics["metrics/delta1"])

libreyolo val model=LibreDepthAnything3l-depth.pt data=my-dataset.yaml

Export

Der Export ist für diese Familie auf fünf Formate beschränkt: ONNX, TorchScript, ExecuTorch, TensorRT und OpenVINO. Jedes andere angeforderte Format löst NotImplementedError aus, statt eine unvalidierte Konvertierung zu versuchen. Ein exportiertes Artefakt lädt über seine Dateiendung wieder durch LibreYOLO(), sodass sich eine .onnx- oder .engine-Datei wie ein Checkpoint verhält und dieselben Results liefert, mit depth_map an Stelle von Boxen.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDepthAnything3l-depth.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreDepthAnything3l-depth.pt format=onnxlibreyolo export model=LibreDepthAnything3l-depth.pt format=tensorrt half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Die Factory routet über die Dateiendung, ein exportiertes Artefakt# lädt wie jeder Checkpoint und liefert dasselbe Results-Objekt.model = LibreYOLO("LibreDepthAnything3l-depth.onnx")result = model(SAMPLE_IMAGE) print(result.depth_map.data.shape)

Checkpoints

Jede veröffentlichte Gewichtsdatei dieser Familie.

Lizenzierung

Zitieren

@article{depthanything3,
  title={Depth Anything 3: Recovering the visual space from any views},
  author={Haotong Lin and Sili Chen and Jun Hao Liew and Donny Y. Chen and Zhenyu Li and Guang Shi and Jiashi Feng and Bingyi Kang},
  journal={arXiv preprint arXiv:2511.10647},
  year={2025}
}