Hugging Face's logo

Transformers documentation

Depth Anything

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Mô hình này được công bố trên HF papers vào ngày 19-01-2024 và được đóng góp cho Hugging Face Transformers vào ngày 25-01-2024.

Depth Anything

Depth Anything được thiết kế như một mô hình nền tảng cho ước lượng độ sâu đơn mục (MDE). Nó được huấn luyện đồng thời trên dữ liệu có nhãn và ~62M ảnh không nhãn để tăng cường bộ dữ liệu. Mô hình sử dụng mô hình DINOv2 đã được huấn luyện trước làm bộ mã hóa ảnh để kế thừa các tiên nghiệm ngữ nghĩa phong phú có sẵn, và DPT làm bộ giải mã. Một mô hình giáo viên được huấn luyện trên các ảnh không nhãn để tạo ra các nhãn giả. Mô hình học trò được huấn luyện trên sự kết hợp của các nhãn giả và ảnh có nhãn. Để cải thiện hiệu suất của mô hình học trò, các nhiễu loạn mạnh được thêm vào các ảnh không nhãn nhằm thách thức mô hình học trò học thêm nhiều kiến thức thị giác hơn từ ảnh.

Bạn có thể tìm thấy tất cả các checkpoint gốc của Depth Anything trong bộ sưu tập Depth Anything.

Nhấp vào các mô hình Depth Anything ở thanh bên phải để xem thêm các ví dụ về cách áp dụng Depth Anything cho các tác vụ thị giác khác nhau.

Ví dụ dưới đây minh họa cách lấy bản đồ độ sâu bằng Pipeline hoặc lớp AutoModel.

Pipeline
AutoModel
from transformers import pipeline


pipe = pipeline(task="depth-estimation", model="LiheYoung/depth-anything-base-hf", device=0)
pipe("http://images.cocodataset.org/val2017/000000039769.jpg")["depth"]

Ghi chú

  • DepthAnythingV2, phát hành vào tháng 6 năm 2024, sử dụng cùng kiến trúc với Depth Anything và tương thích với tất cả các ví dụ mã và quy trình làm việc hiện có. Nó sử dụng dữ liệu tổng hợp và một mô hình teacher có dung lượng lớn hơn để đạt được các dự đoán độ sâu chi tiết và bền vững hơn nhiều.

DepthAnythingConfig

lớp transformers.DepthAnythingConfig

< >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonebackbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonepatch_size: int | list[int] | tuple[int, int] = 14initializer_range: float = 0.02reassemble_hidden_size: int = 384reassemble_factors: list[int | float] | tuple[int | float, ...] = (4, 2, 1, 0.5)neck_hidden_sizes: list[int] | tuple[int, ...] = (48, 96, 192, 384)fusion_hidden_size: int = 64head_in_index: int = -1head_hidden_size: int = 32depth_estimation_type: str = 'relative'max_depth: int | None = 1 )

Tham số

  • backbone_config (Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Cấu hình của mô hình backbone.
  • patch_size (Union[int, list[int], tuple[int, int]], tùy chọn, mặc định là 14) — Kích thước (độ phân giải) của mỗi patch.
  • initializer_range (float, tùy chọn, mặc định là 0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.
  • reassemble_hidden_size (int, tuỳ chọn, mặc định là 384) — Số lượng kênh đầu vào của các lớp reassemble.
  • reassemble_factors (list[int], tuỳ chọn, mặc định là [4, 2, 1, 0.5]) — Các hệ số tăng/giảm mẫu của các lớp reassemble.
  • neck_hidden_sizes (list[str], tùy chọn, mặc định là [48, 96, 192, 384]) — Các kích thước ẩn để chiếu (project) cho các bản đồ đặc trưng (feature maps) của backbone.
  • fusion_hidden_size (int, tùy chọn, mặc định là 64) — Số lượng kênh trước khi hợp nhất.
  • head_in_index (int, tùy chọn, mặc định là -1) — Chỉ số của các đặc trưng cần sử dụng trong đầu ước lượng độ sâu.
  • head_hidden_size (int, tùy chọn, mặc định là 32) — Số lượng kênh đầu ra trong lớp tích chập thứ hai của đầu ước lượng độ sâu.
  • depth_estimation_type (str, tùy chọn, mặc định là "relative") — Loại ước lượng độ sâu cần sử dụng. Có thể là một trong ["relative", "metric"].
  • max_depth (float, tùy chọn) — Độ sâu tối đa để sử dụng cho đầu ước lượng độ sâu “metric”. Nên dùng 20 cho các mô hình trong nhà và 80 cho các mô hình ngoài trời. Đối với ước lượng độ sâu “relative”, giá trị này bị bỏ qua.

Đây là lớp cấu hình để lưu trữ cấu hình của một Depth AnythingModel. Nó được sử dụng để khởi tạo một mô hình Depth Anything theo các đối số được chỉ định, xác định kiến trúc mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như của LiheYoung/depth-anything-small-hf

Các đối tượng cấu hình kế thừa từ PreTrainedConfig và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ PreTrainedConfig để biết thêm thông tin.

Ví dụ:

>>> from transformers import DepthAnythingConfig, DepthAnythingForDepthEstimation

>>> # Initializing a DepthAnything small style configuration
>>> configuration = DepthAnythingConfig()

>>> # Initializing a model from the DepthAnything small style configuration
>>> model = DepthAnythingForDepthEstimation(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

DepthAnythingForDepthEstimation

lớp transformers.DepthAnythingForDepthEstimation

< >

( config: DepthAnythingConfig )

Tham số

  • config (DepthAnythingConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số của mô hình.

Depth Anything Model với đầu ước lượng độ sâu phía trên (gồm 3 lớp tích chập), ví dụ cho KITTI, NYUv2.

Mô hình này kế thừa từ PreTrainedModel. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu, v.v.)

Mô hình này cũng là một lớp con của torch.nn.Module trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

forward

< >

( pixel_values: FloatTensorlabels: typing.Optional[torch.LongTensor] = Noneoutput_attentions: bool | None = Noneoutput_hidden_states: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → DepthEstimatorOutput or tuple(torch.FloatTensor)

Tham số

  • pixel_values (torch.FloatTensor có hình dạng (batch_size, num_channels, image_size, image_size)) — Các tensor tương ứng với các hình ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng DPTImageProcessor. Xem DPTImageProcessor.call() để biết chi tiết (processor_class sử dụng DPTImageProcessor để xử lý hình ảnh).
  • labels (torch.LongTensor có hình dạng (batch_size, height, width), tùy chọn) — Bản đồ ước lượng độ sâu chuẩn để tính toán loss.
  • output_attentions (bool, tùy chọn) — Có trả về các tensor attentions của tất cả các lớp attention hay không. Xem attentions trong phần tensor được trả về để biết thêm chi tiết.
  • output_hidden_states (bool, tùy chọn) — Có trả về trạng thái ẩn (hidden states) của tất cả các lớp hay không. Xem hidden_states trong phần tensor trả về để biết thêm chi tiết.
  • return_dict (bool, tùy chọn) — Có nên trả về một ModelOutput thay vì một tuple thông thường hay không.

Trả về

DepthEstimatorOutput hoặc tuple(torch.FloatTensor)

Một DepthEstimatorOutput hoặc một tuple của torch.FloatTensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình (DepthAnythingConfig) và đầu vào.

Phương thức forward của DepthAnythingForDepthEstimation ghi đè lên phương thức đặc biệt __call__.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của Module sau đó thay vì gọi hàm này, vì instance Module sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.

  • loss (torch.FloatTensor có shape (1,), optional, được trả về khi labels được cung cấp) — Loss phân loại (hoặc hồi quy nếu config.num_labels==1).

  • predicted_depth (torch.FloatTensor có hình dạng (batch_size, height, width)) — Độ sâu dự đoán cho từng pixel.

  • hidden_states (tuple(torch.FloatTensor), tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple của torch.FloatTensor (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng (batch_size, num_channels, height, width).

    Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.

  • attentions (tuple(torch.FloatTensor), tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.FloatTensor (một cho mỗi lớp) có hình dạng (batch_size, num_heads, patch_size, sequence_length).

    Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.

Ví dụ:

>>> from transformers import AutoImageProcessor, AutoModelForDepthEstimation
>>> import torch
>>> import numpy as np
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> image_processor = AutoImageProcessor.from_pretrained("LiheYoung/depth-anything-small-hf")
>>> model = AutoModelForDepthEstimation.from_pretrained("LiheYoung/depth-anything-small-hf")

>>> # prepare image for the model
>>> inputs = image_processor(images=image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> # interpolate to original size
>>> post_processed_output = image_processor.post_process_depth_estimation(
...     outputs,
...     target_sizes=[(image.height, image.width)],
... )

>>> # visualize the prediction
>>> predicted_depth = post_processed_output[0]["predicted_depth"]
>>> depth = predicted_depth * 255 / predicted_depth.max()
>>> depth = depth.detach().cpu().numpy()
>>> depth = Image.fromarray(depth.astype("uint8"))
Update on GitHub

←DeiT Depth Anything V2→