Depth Anything 3

Instalación

Depth Anything 3 no necesita ningún extra opcional. Todo lo que importa está en la instalación base.

pip install libreyolo

Predicción

Los pesos se descargan de Hugging Face en el primer uso y se guardan en la caché local.

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: densa (H, W), más alto = más cercaraw = depth.data                # tensor, sin unidad métrica ni escala entre imágenesnormalized = depth.normalized() # reescalado a [0, 1] para visualización

result.depth_map lleva un mapa denso de profundidad inversa relativa: los valores más altos significan más cerca de la cámara, y los valores no tienen unidad métrica ni escala común entre imágenes. El checkpoint original emite profundidad relativa positiva; el wrapper de red de LibreYOLO la invierte y reproduce el tratamiento oficial del cielo para que la salida siga el contrato de profundidad compartido de LibreYOLO. save=True escribe en disco una visualización de ese mapa con mapa de color; Results.plot() no cubre esta familia, ya que está definido solo para normales de superficie y bordes. Consulta predicción para fuentes, streaming y manejo de resultados.

Variantes

Un solo tamaño, l, con una resolución de entrada fija. El proyecto original de DA3 publica además checkpoints any-view Small y Base, un checkpoint de profundidad métrica y checkpoints Nested y Giant; LibreYOLO no expone ninguno de ellos. La profundidad métrica necesita un contrato público distinto del de la tarea de profundidad inversa relativa de LibreYOLO, y los checkpoints any-view y Nested necesitan una API de cámara multiimagen que LibreYOLO no ofrece. Los checkpoints any-view Large y Giant son además CC-BY-NC-4.0 y ninguna ruta de descarga de LibreYOLO los referencia.

Esta familia no ofrece entrenamiento. LibreDepthAnything3.train() lanza NotImplementedError incondicionalmente; entrena con el proyecto original y convierte un checkpoint DA3MONO-LARGE compatible con weights/convert_depth_anything3_weights.py.

Validación

val() ejecuta el validador de profundidad compartido: alinea cada predicción con su ground truth mediante una escala y un desplazamiento por mínimos cuadrados calculados por imagen, y después informa de las métricas estándar de profundidad relativa zero-shot: AbsRel, RMSE y los tres umbrales delta.

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

Exportación

En esta familia la exportación está restringida a cinco formatos: ONNX, TorchScript, ExecuTorch, TensorRT y OpenVINO. Pedir cualquier otro formato lanza NotImplementedError en lugar de intentar una conversión sin validar. Un artefacto exportado se vuelve a cargar con LibreYOLO() según su extensión de archivo, así que un archivo .onnx o .engine se comporta como un checkpoint y devuelve el mismo Results, con depth_map en lugar de boxes.

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 # La factoría enruta según la extensión del archivo, así que un artefacto# exportado se carga como cualquier checkpoint y devuelve el mismo objeto Results.model = LibreYOLO("LibreDepthAnything3l-depth.onnx")result = model(SAMPLE_IMAGE) print(result.depth_map.data.shape)

Checkpoints

Todos los archivos de pesos publicados de esta familia.

Licencia

Cita

@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}
}