Depth Anything 3

Instalasi

Depth Anything 3 tidak memerlukan extra opsional. Semua yang diimpornya sudah tersedia di instalasi dasar.

pip install libreyolo

Prediksi

Bobot diunduh dari Hugging Face saat pertama kali dipakai lalu disimpan di cache lokal.

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: dense (H, W), makin tinggi = makin dekatraw = depth.data                # tensor, tanpa satuan metrik atau skala lintas gambarnormalized = depth.normalized() # diskalakan ulang ke [0, 1] untuk visualisasi

result.depth_map berisi peta inverse-depth relatif yang dense: nilai yang lebih tinggi berarti lebih dekat ke kamera, dan nilainya tidak punya satuan metrik maupun skala lintas gambar. Checkpoint upstream menghasilkan kedalaman relatif positif; wrapper jaringan LibreYOLO membalikkannya dan mereproduksi penanganan langit resmi sehingga keluarannya mengikuti kontrak kedalaman bersama milik LibreYOLO. save=True menulis visualisasi peta itu dalam colormap ke disk; Results.plot() tidak mencakup family ini, karena metode tersebut hanya didefinisikan untuk surface normal dan edge. Lihat prediksi untuk source, streaming dan penanganan hasil.

Varian

Satu ukuran, l, pada resolusi input tetap. DA3 upstream juga memublikasikan checkpoint any-view Small dan Base, satu checkpoint metric-depth, serta checkpoint Nested dan Giant; LibreYOLO tidak menyediakan satu pun di antaranya. Kedalaman metrik membutuhkan kontrak publik yang berbeda dari task relative-inverse-depth LibreYOLO, dan checkpoint any-view serta Nested membutuhkan API kamera multi-gambar yang tidak ditawarkan LibreYOLO. Checkpoint any-view Large dan Giant juga berlisensi CC-BY-NC-4.0 dan tidak dirujuk oleh jalur unduhan LibreYOLO mana pun.

Pelatihan tidak tersedia untuk family ini. LibreDepthAnything3.train() selalu memunculkan NotImplementedError; lakukan pelatihan di upstream lalu konversi checkpoint DA3MONO-LARGE yang kompatibel dengan weights/convert_depth_anything3_weights.py.

Validasi

val() menjalankan validator kedalaman bersama: setiap prediksi diselaraskan dengan ground truth-nya memakai scale dan shift least-squares per gambar, lalu metrik relative-depth zero-shot standar dilaporkan, yaitu AbsRel, RMSE dan tiga ambang batas 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

Ekspor

Ekspor untuk family ini dibatasi pada lima format: ONNX, TorchScript, ExecuTorch, TensorRT dan OpenVINO. Meminta format lain akan memunculkan NotImplementedError, bukan mencoba konversi yang belum divalidasi. Artefak hasil ekspor dimuat kembali lewat LibreYOLO() berdasarkan suffix berkasnya, jadi berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama, dengan depth_map menggantikan box.

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 # Factory memilih loader dari suffix berkas, jadi artefak hasil ekspor# dimuat seperti checkpoint biasa dan mengembalikan objek Results yang sama.model = LibreYOLO("LibreDepthAnything3l-depth.onnx")result = model(SAMPLE_IMAGE) print(result.depth_map.data.shape)

Checkpoint

Semua berkas bobot yang dipublikasikan untuk family ini.

Lisensi

Sitasi

@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}
}