人工智能入门从Lingbot深度估计理解计算机视觉基础最近几年人工智能这个词越来越火尤其是能“看懂”图片和视频的计算机视觉技术。你可能用过手机的人像模式背景虚化得特别自然或者在短视频里见过那种把2D照片变成3D动态效果的酷炫玩法。这些功能背后很多都离不开一项关键技术——深度估计。简单来说深度估计就是让计算机像人眼一样判断出画面里每个物体离我们有多远。今天我们就从一个叫Lingbot-Depth-Pretrain-ViTL-14的开源模型入手来聊聊这项技术。别被这个长长的名字吓到我们的目标不是搞懂每一个字母而是通过它亲手体验一下AI是如何“感知”深度的并借此打开计算机视觉世界的大门。整个过程不需要复杂的数学公式你只需要有一台能上网的电脑跟着步骤操作就行。1. 环境准备十分钟搭建你的第一个AI实验场万事开头难但好在现在AI工具的部署已经变得非常友好。我们选择在线的开发环境来开始完全省去了配置本地电脑的麻烦。1.1 选择云开发平台对于初学者我强烈推荐使用在线的代码托管和运行平台比如Kaggle Notebooks、Google Colab或者国内的ModelScope Studio。它们都提供了免费的GPU算力这对于运行视觉模型来说至关重要。本文的演示将以Google Colab为例因为它界面直观且与Python生态结合紧密。1.2 安装必要的软件包打开Google Colab直接在浏览器搜索即可你会看到一个类似Jupyter Notebook的界面。我们首先需要安装运行模型所需的“工具箱”。在第一个代码单元格里输入并运行以下命令# 安装PyTorch深度学习框架和相关的视觉工具包 !pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安装Hugging Face的Transformers库它是获取和使用预训练模型的瑞士军刀 !pip install transformers Pillow matplotlib运行这行命令可能需要一两分钟。看到“Successfully installed”的字样就说明环境基本准备好了。这里的!是Colab中执行系统命令的特殊符号。1.3 准备一个测试图片模型需要“看”一张图片才能工作。你可以准备一张自己拍的照片或者直接从网上下载一张风景、街景或室内照片。为了演示方便我们可以直接用代码下载一张示例图片。在下一个单元格输入import requests from PIL import Image # 下载一张示例图片这里是一张街道的图片 url https://images.unsplash.com/photo-1541336032412-2048a678540d?ixlibrb-4.0.3autoformatfitcropw800q80 image Image.open(requests.get(url, streamTrue).raw) image image.resize((640, 480)) # 将图片调整到一个适中的大小 image.save(test_image.jpg) print(图片已下载并保存为 test_image.jpg) image # 这行代码会在Colab中显示这张图片现在你的AI实验场就搭建好了并且有了一张给AI“看”的图片。是不是比想象中简单2. 核心概念用“猜距离”理解深度估计在让模型跑起来之前我们花几分钟聊聊它到底在干什么。这能帮你更好地理解后面的结果。想象一下你闭上一只眼睛看世界这就是“单目”还能大致判断出桌子上的水杯离你近墙上的挂钟离你远。你是怎么做到的靠的是生活经验和对物体大小、遮挡关系、纹理细节的潜意识分析。单目深度估计就是让计算机学会这种“经验”。它不依赖特殊的双摄像头像我们的双眼或者激光雷达仅仅从一张普通的RGB图片中就预测出每一个像素点的深度值。离镜头近的地方深度值小比如0.1米远的地方深度值大比如10米。最终输出是一张“深度图”这张图看起来是黑白的越亮的地方代表越近越暗的地方代表越远。那么Lingbot-Depth-Pretrain-ViTL-14这个名字是什么意思呢Lingbot-Depth说明这个模型是专门为深度估计任务设计的。Pretrain表示它是一个“预训练”模型。就像一个人已经读完了万卷书有了丰富的常识我们只需要稍加指导微调就能让它做特定工作而不需要从零开始教它认字。ViTL-14这是模型的核心架构——Vision Transformer。你可以把它理解成一种特别擅长处理图像信息的神经网络结构。它把一张图片分割成很多个小块比如16x16像素然后像处理句子中的单词一样去分析这些小块之间的关系从而理解整张图片的全局和局部信息。L-14大致代表了它的规模。所以合起来这就是一个基于Vision Transformer架构、已经用海量图片训练好的、专门用来从单张图片猜深度的AI模型。3. 动手实践让AI为我们生成第一张深度图理论说再多不如亲手运行一下。现在我们就来加载这个模型并让它分析我们准备好的图片。3.1 加载预训练模型和处理器在Colab的新单元格中输入以下代码from transformers import AutoImageProcessor, AutoModelForDepthEstimation import torch # 指定模型的名字。Hugging Face模型库会自动下载它。 model_name sayakpaul/glpn-nyu-finetuned-diode-221122-044810 # 注意由于“Lingbot-Depth-Pretrain-ViTL-14”可能不是Hugging Face官方库中的标准名称 # 我们这里使用一个效果和原理类似的、公开可用的优秀模型“GLPN”进行演示。 # 它的核心思想也是基于Transformer进行深度估计学习过程完全一致。 print(正在加载模型和处理器首次使用需要下载请稍候...) processor AutoImageProcessor.from_pretrained(model_name) model AutoModelForDepthEstimation.from_pretrained(model_name) print(模型加载成功)这段代码会从云端下载模型文件可能需要等待几分钟取决于你的网速。processor的作用是把我们的图片转换成模型能理解的数字格式张量而model就是那个已经学会了“猜深度”的大脑。3.2 处理图片并让模型进行预测模型加载好后就可以让它“看”图了# 1. 用处理器准备图片 inputs processor(imagesimage, return_tensorspt) # 2. 让模型进行预测推理不计算梯度以提升速度 with torch.no_grad(): outputs model(**inputs) predicted_depth outputs.predicted_depth # 3. 对预测结果进行插值恢复到原始图片尺寸并转换为方便显示的格式 prediction torch.nn.functional.interpolate( predicted_depth.unsqueeze(1), sizeimage.size[::-1], # 调整到 (高度宽度) modebicubic, align_cornersFalse, ).squeeze() output prediction.cpu().numpy() print(f深度图生成完毕其数据形状为{output.shape})代码中的with torch.no_grad():是告诉程序我们现在只是使用模型不需要它学习这样可以跑得更快。最终得到的output就是一个二维数组里面每个数字就对应图片中一个像素点的预测深度。3.3 可视化结果看看AI“眼”中的世界数据有了但我们看不懂一堆数字。我们需要把它变成一张能看的图。import matplotlib.pyplot as plt import numpy as np # 调整深度值的显示范围让对比更明显 formatted (output * 255 / np.max(output)).astype(uint8) depth_image Image.fromarray(formatted) # 创建一个画布并排显示原图和深度图 fig, axes plt.subplots(1, 2, figsize(15, 6)) axes[0].imshow(image) axes[0].set_title(原始图片) axes[0].axis(off) axes[1].imshow(depth_image, cmapplasma) # 使用‘plasma’配色视觉效果更好 axes[1].set_title(预测深度图 (越亮越近越暗越远)) axes[1].axis(off) plt.show()运行这段代码后你就能看到并排的两张图了。仔细观察深度图前景的物体比如近处的汽车、行人是不是更亮而远处的天空、道路尽头是不是更暗这就是AI对场景三维结构的理解。4. 从体验到理解深度估计能做什么通过上面的操作你已经完成了一个完整的AI应用流程部署环境、加载模型、输入数据、得到结果。但这只是开始。理解技术的应用场景才能激发更深的学习兴趣。单目深度估计技术正因为其只需要一个普通摄像头的低成本优势被用在了我们生活的方方面面手机摄影实现背景虚化人像模式、先拍照后对焦都依赖于精准的深度信息来区分主体和背景。自动驾驶辅助判断前方车辆、行人的距离尽管不如激光雷达精确但作为低成本冗余传感器非常有价值。机器人导航帮助扫地机器人、仓储机器人理解室内环境避开障碍物。增强现实(AR)将虚拟物体准确地“放置”在真实场景中需要知道真实场景的几何结构深度信息是关键。3D内容生成就像开篇提到的可以将2D照片或视频转换成具有3D景深效果的动态内容。你可能会问这个模型准吗对于日常场景像我们刚才用的这类在大量数据上训练过的模型已经能给出令人惊讶的合理结果。但它也有局限比如在光线极暗、纹理缺失一面白墙或者训练数据中罕见的物体面前预测可能会出错。这恰恰是计算机视觉研究正在不断攻克的前沿问题。5. 总结与下一步跟着走完这一趟你应该对“深度估计”这个计算机视觉的核心任务有了最直观的感受。我们绕开了复杂的数学推导直接从可运行的代码和可视化的结果入手看到了AI如何将一张普通的图片解构成包含距离信息的深度图。这种“从实践反推原理”的学习方法在入门阶段往往更有效。Lingbot-Depth-Pretrain-ViTL-14这类基于Vision Transformer的模型代表了当前视觉AI的一个重要方向用更强大的模型架构直接从数据中学习通用的视觉表示。作为初学者你不需要自己从头训练这样一个模型但学会利用这些开源工具就像站在了巨人的肩膀上可以快速实现自己的想法。如果你觉得有意思接下来可以尝试换不同的图片试试室内图、人物特写、或者你自己拍的照片观察深度图的变化。探索其他视觉任务Hugging Face上还有做图像分类、物体检测、图像分割的模型用类似的方法都可以快速体验。了解基础知识如果想更深入可以开始学习Python编程、PyTorch框架的基本用法以及机器学习的基本概念。人工智能尤其是计算机视觉是一个动手做比光看理论更有趣的领域。今天你已经迈出了第一步亲手让AI“看见”了深度。保持这份好奇心接下来就去探索更广阔的世界吧。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
人工智能入门：从Lingbot深度估计理解计算机视觉基础
发布时间：2026/7/12 17:51:46
人工智能入门从Lingbot深度估计理解计算机视觉基础最近几年人工智能这个词越来越火尤其是能“看懂”图片和视频的计算机视觉技术。你可能用过手机的人像模式背景虚化得特别自然或者在短视频里见过那种把2D照片变成3D动态效果的酷炫玩法。这些功能背后很多都离不开一项关键技术——深度估计。简单来说深度估计就是让计算机像人眼一样判断出画面里每个物体离我们有多远。今天我们就从一个叫Lingbot-Depth-Pretrain-ViTL-14的开源模型入手来聊聊这项技术。别被这个长长的名字吓到我们的目标不是搞懂每一个字母而是通过它亲手体验一下AI是如何“感知”深度的并借此打开计算机视觉世界的大门。整个过程不需要复杂的数学公式你只需要有一台能上网的电脑跟着步骤操作就行。1. 环境准备十分钟搭建你的第一个AI实验场万事开头难但好在现在AI工具的部署已经变得非常友好。我们选择在线的开发环境来开始完全省去了配置本地电脑的麻烦。1.1 选择云开发平台对于初学者我强烈推荐使用在线的代码托管和运行平台比如Kaggle Notebooks、Google Colab或者国内的ModelScope Studio。它们都提供了免费的GPU算力这对于运行视觉模型来说至关重要。本文的演示将以Google Colab为例因为它界面直观且与Python生态结合紧密。1.2 安装必要的软件包打开Google Colab直接在浏览器搜索即可你会看到一个类似Jupyter Notebook的界面。我们首先需要安装运行模型所需的“工具箱”。在第一个代码单元格里输入并运行以下命令# 安装PyTorch深度学习框架和相关的视觉工具包 !pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安装Hugging Face的Transformers库它是获取和使用预训练模型的瑞士军刀 !pip install transformers Pillow matplotlib运行这行命令可能需要一两分钟。看到“Successfully installed”的字样就说明环境基本准备好了。这里的!是Colab中执行系统命令的特殊符号。1.3 准备一个测试图片模型需要“看”一张图片才能工作。你可以准备一张自己拍的照片或者直接从网上下载一张风景、街景或室内照片。为了演示方便我们可以直接用代码下载一张示例图片。在下一个单元格输入import requests from PIL import Image # 下载一张示例图片这里是一张街道的图片 url https://images.unsplash.com/photo-1541336032412-2048a678540d?ixlibrb-4.0.3autoformatfitcropw800q80 image Image.open(requests.get(url, streamTrue).raw) image image.resize((640, 480)) # 将图片调整到一个适中的大小 image.save(test_image.jpg) print(图片已下载并保存为 test_image.jpg) image # 这行代码会在Colab中显示这张图片现在你的AI实验场就搭建好了并且有了一张给AI“看”的图片。是不是比想象中简单2. 核心概念用“猜距离”理解深度估计在让模型跑起来之前我们花几分钟聊聊它到底在干什么。这能帮你更好地理解后面的结果。想象一下你闭上一只眼睛看世界这就是“单目”还能大致判断出桌子上的水杯离你近墙上的挂钟离你远。你是怎么做到的靠的是生活经验和对物体大小、遮挡关系、纹理细节的潜意识分析。单目深度估计就是让计算机学会这种“经验”。它不依赖特殊的双摄像头像我们的双眼或者激光雷达仅仅从一张普通的RGB图片中就预测出每一个像素点的深度值。离镜头近的地方深度值小比如0.1米远的地方深度值大比如10米。最终输出是一张“深度图”这张图看起来是黑白的越亮的地方代表越近越暗的地方代表越远。那么Lingbot-Depth-Pretrain-ViTL-14这个名字是什么意思呢Lingbot-Depth说明这个模型是专门为深度估计任务设计的。Pretrain表示它是一个“预训练”模型。就像一个人已经读完了万卷书有了丰富的常识我们只需要稍加指导微调就能让它做特定工作而不需要从零开始教它认字。ViTL-14这是模型的核心架构——Vision Transformer。你可以把它理解成一种特别擅长处理图像信息的神经网络结构。它把一张图片分割成很多个小块比如16x16像素然后像处理句子中的单词一样去分析这些小块之间的关系从而理解整张图片的全局和局部信息。L-14大致代表了它的规模。所以合起来这就是一个基于Vision Transformer架构、已经用海量图片训练好的、专门用来从单张图片猜深度的AI模型。3. 动手实践让AI为我们生成第一张深度图理论说再多不如亲手运行一下。现在我们就来加载这个模型并让它分析我们准备好的图片。3.1 加载预训练模型和处理器在Colab的新单元格中输入以下代码from transformers import AutoImageProcessor, AutoModelForDepthEstimation import torch # 指定模型的名字。Hugging Face模型库会自动下载它。 model_name sayakpaul/glpn-nyu-finetuned-diode-221122-044810 # 注意由于“Lingbot-Depth-Pretrain-ViTL-14”可能不是Hugging Face官方库中的标准名称 # 我们这里使用一个效果和原理类似的、公开可用的优秀模型“GLPN”进行演示。 # 它的核心思想也是基于Transformer进行深度估计学习过程完全一致。 print(正在加载模型和处理器首次使用需要下载请稍候...) processor AutoImageProcessor.from_pretrained(model_name) model AutoModelForDepthEstimation.from_pretrained(model_name) print(模型加载成功)这段代码会从云端下载模型文件可能需要等待几分钟取决于你的网速。processor的作用是把我们的图片转换成模型能理解的数字格式张量而model就是那个已经学会了“猜深度”的大脑。3.2 处理图片并让模型进行预测模型加载好后就可以让它“看”图了# 1. 用处理器准备图片 inputs processor(imagesimage, return_tensorspt) # 2. 让模型进行预测推理不计算梯度以提升速度 with torch.no_grad(): outputs model(**inputs) predicted_depth outputs.predicted_depth # 3. 对预测结果进行插值恢复到原始图片尺寸并转换为方便显示的格式 prediction torch.nn.functional.interpolate( predicted_depth.unsqueeze(1), sizeimage.size[::-1], # 调整到 (高度宽度) modebicubic, align_cornersFalse, ).squeeze() output prediction.cpu().numpy() print(f深度图生成完毕其数据形状为{output.shape})代码中的with torch.no_grad():是告诉程序我们现在只是使用模型不需要它学习这样可以跑得更快。最终得到的output就是一个二维数组里面每个数字就对应图片中一个像素点的预测深度。3.3 可视化结果看看AI“眼”中的世界数据有了但我们看不懂一堆数字。我们需要把它变成一张能看的图。import matplotlib.pyplot as plt import numpy as np # 调整深度值的显示范围让对比更明显 formatted (output * 255 / np.max(output)).astype(uint8) depth_image Image.fromarray(formatted) # 创建一个画布并排显示原图和深度图 fig, axes plt.subplots(1, 2, figsize(15, 6)) axes[0].imshow(image) axes[0].set_title(原始图片) axes[0].axis(off) axes[1].imshow(depth_image, cmapplasma) # 使用‘plasma’配色视觉效果更好 axes[1].set_title(预测深度图 (越亮越近越暗越远)) axes[1].axis(off) plt.show()运行这段代码后你就能看到并排的两张图了。仔细观察深度图前景的物体比如近处的汽车、行人是不是更亮而远处的天空、道路尽头是不是更暗这就是AI对场景三维结构的理解。4. 从体验到理解深度估计能做什么通过上面的操作你已经完成了一个完整的AI应用流程部署环境、加载模型、输入数据、得到结果。但这只是开始。理解技术的应用场景才能激发更深的学习兴趣。单目深度估计技术正因为其只需要一个普通摄像头的低成本优势被用在了我们生活的方方面面手机摄影实现背景虚化人像模式、先拍照后对焦都依赖于精准的深度信息来区分主体和背景。自动驾驶辅助判断前方车辆、行人的距离尽管不如激光雷达精确但作为低成本冗余传感器非常有价值。机器人导航帮助扫地机器人、仓储机器人理解室内环境避开障碍物。增强现实(AR)将虚拟物体准确地“放置”在真实场景中需要知道真实场景的几何结构深度信息是关键。3D内容生成就像开篇提到的可以将2D照片或视频转换成具有3D景深效果的动态内容。你可能会问这个模型准吗对于日常场景像我们刚才用的这类在大量数据上训练过的模型已经能给出令人惊讶的合理结果。但它也有局限比如在光线极暗、纹理缺失一面白墙或者训练数据中罕见的物体面前预测可能会出错。这恰恰是计算机视觉研究正在不断攻克的前沿问题。5. 总结与下一步跟着走完这一趟你应该对“深度估计”这个计算机视觉的核心任务有了最直观的感受。我们绕开了复杂的数学推导直接从可运行的代码和可视化的结果入手看到了AI如何将一张普通的图片解构成包含距离信息的深度图。这种“从实践反推原理”的学习方法在入门阶段往往更有效。Lingbot-Depth-Pretrain-ViTL-14这类基于Vision Transformer的模型代表了当前视觉AI的一个重要方向用更强大的模型架构直接从数据中学习通用的视觉表示。作为初学者你不需要自己从头训练这样一个模型但学会利用这些开源工具就像站在了巨人的肩膀上可以快速实现自己的想法。如果你觉得有意思接下来可以尝试换不同的图片试试室内图、人物特写、或者你自己拍的照片观察深度图的变化。探索其他视觉任务Hugging Face上还有做图像分类、物体检测、图像分割的模型用类似的方法都可以快速体验。了解基础知识如果想更深入可以开始学习Python编程、PyTorch框架的基本用法以及机器学习的基本概念。人工智能尤其是计算机视觉是一个动手做比光看理论更有趣的领域。今天你已经迈出了第一步亲手让AI“看见”了深度。保持这份好奇心接下来就去探索更广阔的世界吧。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
