ZipDepth

ZipDepth는 Depth Anything V2 Large에서 증류한 작고 재매개변수화 가능한 CNN으로 조밀한 상대 역깊이 맵을 예측합니다. LibreYOLO는 깊이 작업의 예측과 제로샷 검증을 지원하지만 학습 경로는 제공하지 않습니다.

작업: depth
크기: b, bnpu at 384 px
설치: pip install libreyolo
지원 티어: 추론 전용, v부터 지원. 예측, 검증, 내보내기만 지원합니다. 학습 기능은 적용되지 않습니다.
업스트림: University of Bologna의 ZipDepth, MIT. 논문, 소스
라이선스: 코드 MIT, 가중치 MIT. 상업적 사용

설치

ZipDepth에는 선택적 extra가 필요하지 않습니다. 가져오는 모든 항목이 기본 설치에 포함됩니다.

bash

pip install libreyolo

예측

처음 사용할 때 Hugging Face에서 가중치를 다운로드해 로컬에 캐시합니다.

Python

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

CLI

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

NPU/엣지 체크포인트

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 같은 인코더와 gather/unfold를 지원하지 않는 컴파일러용 unfold 없는# 업샘플링 헤드를 사용합니다. 출력은 b 체크포인트와 시각적으로 동등합니다.model = LibreYOLO("LibreZipDepthbnpu-depth.pt")result = model(SAMPLE_IMAGE, save=True)

result.depth_map은 조밀한 상대 역깊이 맵을 담습니다. 값이 높을수록 카메라에 가깝고 값에는 미터법 단위나 이미지 간 공통 스케일이 없습니다. save=True는 해당 맵의 컬러맵 시각화를 디스크에 기록합니다. Results.plot()은 표면 노멀과 엣지만을 위해 정의되어 있어 이 계열을 지원하지 않습니다. 소스, 스트리밍, 결과 처리는 예측을 참조합니다.

변형

두 체크포인트는 인코더 용량이 같고 학습된 업샘플링 헤드만 다릅니다. b는 볼록 업샘플링을 사용하며 GPU나 CPU에서 실행됩니다. bnpu는 gather/unfold를 지원하지 않는 NPU 및 엣지 컴파일러를 위해 unfold 없는 디코더를 사용하며 출력은 b와 시각적으로 동등하다고 문서화되어 있습니다. 내보내기 대상이 제약된 런타임이면 bnpu, 그 외에는 b를 선택합니다.

두 체크포인트 모두 Depth Anything V2 Large 의사 레이블에서 증류되었습니다. 따라서 이 계열은 더 큰 Depth Anything V2 인코더와 함께 LibreYOLO 깊이 작업의 작고 엣지 지향적인 티어를 이룹니다.

이 계열은 학습을 제공하지 않습니다. LibreZipDepth.train()은 조건 없이 NotImplementedError를 발생시킵니다. 업스트림 레시피는 대규모 이미지 집합에서 의사 레이블을 증류하므로 LibreYOLO 학습 실행으로 재현할 수 없습니다. fabiotosi92/ZipDepth에서 업스트림 방식으로 학습한 뒤 weights/convert_zipdepth_weights.py로 결과를 변환합니다.

검증

val()은 공유 깊이 검증기를 실행합니다. 이미지별 최소제곱 스케일과 시프트로 각 예측을 정답에 정렬한 다음 표준 제로샷 상대 깊이 지표인 AbsRel, RMSE, 세 가지 delta 임곗값을 보고합니다.

Python

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

CLI

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

내보내기

작업	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
depth	depth to ONNX: 지원함	depth to TorchScript: 지원함	depth to ExecuTorch: 지원함	depth to TensorRT: 지원함	depth to OpenVINO: 지원함	depth to Paddle: 지원하지 않음	depth to MNN: 지원하지 않음	depth to RKNN: 지원하지 않음	depth to ncnn: 지원함	depth to TFLite: 지원하지 않음	depth to CoreML: 지원하지 않음	depth to Core AI: 지원함

내보내기는 고정 해상도 조밀 계약을 따릅니다. 소스 이미지를 내보낸 캔버스에 맞춰 늘여 크기를 조정하고 반환된 깊이 맵은 이후 원본 캔버스 크기로 되돌립니다. 내보낸 아티팩트는 파일 접미사에 따라 LibreYOLO()로 다시 불러오므로 .onnx 또는 .ncnn 파일은 체크포인트처럼 동작하며 박스 대신 depth_map을 포함한 동일한 Results를 반환합니다.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreZipDepthb-depth.pt")model.export(format="onnx")model.export(format="ncnn")

CLI

libreyolo export model=LibreZipDepthb-depth.pt format=onnxlibreyolo export model=LibreZipDepthbnpu-depth.pt format=ncnn

내보낸 파일 사용

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 팩토리는 파일 접미사에 따라 라우팅하므로 내보낸 아티팩트도# 다른 체크포인트처럼 불러와 동일한 Results 객체를 반환합니다.model = LibreYOLO("LibreZipDepthb-depth.onnx")result = model(SAMPLE_IMAGE) print(result.depth_map.data.shape)

체크포인트

이 계열에 공개된 모든 가중치 파일입니다.

파일	입력(px)	가중치 라이선스
depth
LibreZipDepthb-depth.pt		mit
LibreZipDepthbnpu-depth.pt		mit

위의 모든 파일은 현재 LibreYOLO 조직에 있으며 처음 사용할 때 내려받습니다.

라이선스

내려받는 특정 가중치의 Hugging Face 저장소에서 라이선스를 확인하십시오. LibreYOLO 조직의 모든 체크포인트에는 라이선스가 있으며 한 계열 안에서도 항상 같지는 않습니다. 해당 저장소가 신뢰할 수 있는 기준입니다. 아래 요약은 이 페이지를 마지막으로 검증했을 때 적용된 내용을 설명합니다.

관련 라이선스에 관한 설명이며 법률 자문이 아닙니다. 상업적으로 중요한 사안이라면 라이선스를 직접 읽고 별도의 법률 자문을 받으십시오.

원작: ZipDepth, University of Bologna
업스트림 라이선스: MIT
업스트림 소스: github.com/fabiotosi92/ZipDepth
LibreYOLO 코드: MIT
가중치: MIT, huggingface.co/LibreYOLO에 다시 게시됨
해석: MIT is a permissive license, so both checkpoints can be used in commercial and closed-source products with no redistribution restriction beyond keeping the license notice. It places no obligation on your own application code. The weights were trained by distilling pseudo-labels from Depth Anything V2 Large, whose Large checkpoint is itself CC-BY-NC-4.0; the ZipDepth authors publish the distilled student under MIT regardless, and LibreYOLO republishes that same MIT-licensed student.

인용

@inproceedings{tosi2026zipdepth,
  title     = {ZipDepth: Bringing Lightweight Zero-Shot Monocular Depth Anywhere, on Any Device},
  author    = {Tosi, Fabio and Bartolomei, Luca and Poggi, Matteo and Mattoccia, Stefano},
  booktitle = {European Conference on Computer Vision (ECCV)},
  year      = {2026}
}

github.com/fabiotosi92/ZipDepth#-citation에 있는 저자의 인용 블록에서 복사했습니다.