Depth Anything 3

Cài đặt

Depth Anything 3 không cần extra tùy chọn. Mọi thành phần mà mô hình import đều có trong bản cài đặt cơ sở.

pip install libreyolo

Dự đoán

Trọng số được tải về từ Hugging Face trong lần sử dụng đầu tiên và được lưu vào bộ nhớ đệm cục bộ.

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), cao hơn = gần hơnraw = depth.data                # tensor, không có đơn vị mét hoặc tỷ lệ xuyên ảnhnormalized = depth.normalized() # đổi tỷ lệ thành [0, 1] để trực quan hóa

result.depth_map chứa depth map nghịch đảo tương đối dense: giá trị cao hơn nghĩa là gần camera hơn, các giá trị không có đơn vị mét hoặc tỷ lệ xuyên ảnh. Checkpoint upstream phát ra độ sâu tương đối dương; network wrapper của LibreYOLO đảo giá trị này và tái tạo cách xử lý bầu trời chính thức để đầu ra tuân theo hợp đồng độ sâu chung của LibreYOLO. save=True ghi bản trực quan hóa áp colormap của map đó ra đĩa; Results.plot() không hỗ trợ họ mô hình này vì hàm chỉ được định nghĩa cho pháp tuyến bề mặt và cạnh. Xem dự đoán để biết về nguồn, xử lý luồng và kết quả.

Biến thể

Có một kích thước l ở độ phân giải đầu vào cố định. DA3 upstream cũng phát hành các checkpoint any-view Small và Base, một checkpoint độ sâu theo mét, cùng checkpoint Nested và Giant; LibreYOLO không cung cấp checkpoint nào trong số đó. Độ sâu theo mét cần hợp đồng công khai khác với tác vụ độ sâu nghịch đảo tương đối của LibreYOLO, còn checkpoint any-view và Nested cần API camera đa ảnh mà LibreYOLO không cung cấp. Các checkpoint any-view Large và Giant cũng dùng CC-BY-NC-4.0 và không được tham chiếu bởi bất kỳ đường tải xuống nào của LibreYOLO.

Họ mô hình này không cung cấp huấn luyện. LibreDepthAnything3.train() luôn phát sinh NotImplementedError; hãy huấn luyện ở upstream và chuyển đổi checkpoint DA3MONO-LARGE tương thích bằng weights/convert_depth_anything3_weights.py.

Xác thực

val() chạy trình xác thực độ sâu dùng chung: hàm căn chỉnh từng dự đoán với ground truth bằng scale và shift bình phương tối thiểu theo từng ảnh, rồi báo cáo các metric độ sâu tương đối zero-shot tiêu chuẩn là AbsRel, RMSE và ba ngưỡng 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

Xuất

Việc xuất bị giới hạn ở năm định dạng cho họ mô hình này: ONNX, TorchScript, ExecuTorch, TensorRT và OpenVINO. Yêu cầu bất kỳ định dạng nào khác sẽ phát sinh NotImplementedError thay vì thử phép chuyển đổi chưa được xác thực. Artifact đã xuất được tải lại qua LibreYOLO() dựa trên hậu tố tệp, vì vậy tệp .onnx hoặc .engine hoạt động như checkpoint và trả về cùng đối tượng Results, với depth_map thay cho 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 định tuyến dựa trên hậu tố tệp, vì vậy artifact đã xuất tải# như mọi checkpoint và trả về cùng đối tượng Results.model = LibreYOLO("LibreDepthAnything3l-depth.onnx")result = model(SAMPLE_IMAGE) print(result.depth_map.data.shape)

Checkpoint

Mọi tệp trọng số đã phát hành cho họ mô hình này.

Giấy phép

Trích dẫn

@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}
}