Depth-Anything-V2从单目图像到三维世界的深度感知革命【免费下载链接】Depth-Anything-V2[NeurIPS 2024] Depth Anything V2. A More Capable Foundation Model for Monocular Depth Estimation项目地址: https://gitcode.com/gh_mirrors/de/Depth-Anything-V2你是否曾想过给一张普通照片就能让它活起来拥有三维空间感Depth-Anything-V2正是这样一个革命性的单目深度估计基础模型它让计算机能够像人类一样理解图像的深度信息。作为NeurIPS 2024的最新研究成果这个开源项目在细节还原和鲁棒性方面相比V1版本有了质的飞跃为自动驾驶、机器人导航、AR/VR等应用提供了强大的深度感知能力。 从零开始5分钟部署你的深度估计系统Depth-Anything-V2最吸引人的地方就是它的易用性。无论你是AI新手还是资深开发者都能在几分钟内搭建起自己的深度估计系统。环境配置简单三步走git clone https://gitcode.com/gh_mirrors/de/Depth-Anything-V2 cd Depth-Anything-V2 pip install -r requirements.txt核心依赖只有PyTorch、OpenCV和Gradio这意味着你不需要复杂的配置就能开始工作。项目提供了四个不同规模的模型满足从边缘设备到高性能服务器的各种需求模型版本参数量推理速度 (V100)准确率适用场景Small (小型)24.8M60ms95.3%移动设备、实时应用Base (基础)97.5M120ms96.2%平衡性能与精度Large (大型)335.3M213ms97.1%高精度需求场景Giant (巨型)1.3B即将发布-极致精度要求代码实战10行代码实现深度估计Depth-Anything-V2的API设计极其简洁让深度估计变得像调用函数一样简单import cv2 import torch from depth_anything_v2.dpt import DepthAnythingV2 # 选择模型Small适合实时应用Large适合高精度需求 encoder vits # 或 vitb, vitl, vitg # 加载模型 model DepthAnythingV2(encoderencoder, features64, out_channels[48, 96, 192, 384]) model.load_state_dict(torch.load(fcheckpoints/depth_anything_v2_{encoder}.pth)) model model.cuda().eval() # 推理深度图 raw_img cv2.imread(assets/examples/demo01.jpg) depth_map model.infer_image(raw_img) # 返回numpy格式的深度图更棒的是如果你不想克隆整个仓库还可以通过Hugging Face Transformers直接使用from transformers import pipeline from PIL import Image pipe pipeline(taskdepth-estimation, modeldepth-anything/Depth-Anything-V2-Small-hf) image Image.open(assets/examples/demo02.jpg) depth pipe(image)[depth] # 深度图已就绪 性能对比为什么Depth-Anything-V2如此出色Depth-Anything-V2在延迟、参数量和准确率方面的全面优势从上面的对比图可以看出Depth-Anything-V2在多个维度上都表现出色速度优势Small模型在V100上仅需60ms比同类模型快2-3倍精度领先在DA-2K基准测试中达到95.3%-97.1%的准确率参数高效相同精度下参数量减少30%-50%多场景适应支持室内、室外、非真实、透明反射等8类场景DA-2K基准测试全面的评估体系DA-2K数据集的标注流程和场景分布Depth-Anything-V2的评估基于DA-2K数据集这是一个包含8种场景类型的全面基准室内场景 (20%)办公室、家庭、商场等室外场景 (17%)街道、公园、城市景观非真实场景 (15%)动漫、游戏、艺术风格恶劣风格 (16%)低光照、雾天、雨天透明反射 (10%)玻璃、水面、镜面物体级 (7%)单个物体、产品航拍 (9%)无人机视角、高空拍摄水下 (6%)海洋、湖泊、水下摄影 实战应用深度估计的无限可能场景一城市街道深度感知Depth-Anything-V2准确捕捉城市街道中行人、车辆和建筑物的空间关系在城市自动驾驶场景中Depth-Anything-V2能够精确识别行人与车辆的距离区分近处建筑物和远处天际线处理复杂的交通场景和遮挡关系场景二自然景观深度分析向日葵花田的层次感和空间渐变处理自然在环境感知和机器人导航中这个模型可以分析地形起伏和障碍物分布识别植被密度和开放空间为路径规划提供精确的距离信息场景三室内场景三维重建室内家具布局和空间结构的深度关系准确还原对于AR/VR和室内导航应用准确测量房间尺寸和家具布局识别门窗位置和开放空间为虚拟家具摆放提供深度参考 进阶功能从相对深度到绝对度量Depth-Anything-V2不仅支持相对深度估计还提供了度量深度估计功能这意味着你可以获得以米为单位的实际距离度量深度模型部署项目中的metric_depth目录专门用于度量深度估计cd metric_depth pip install -r requirements.txt度量深度模型分为室内和室外两个版本应用场景基础模型最大深度训练数据集室内深度估计Small/Base/Large20米Hypersim室外深度估计Small/Base/Large80米Virtual KITTI 2度量深度代码示例import cv2 import torch from depth_anything_v2.dpt import DepthAnythingV2 encoder vitl # 选择编码器 dataset hypersim # hypersim用于室内vkitti用于室外 max_depth 20 if dataset hypersim else 80 # 室内20米室外80米 model DepthAnythingV2(**{ encoder: encoder, features: 256, out_channels: [256, 512, 1024, 1024], max_depth: max_depth }) # 加载度量深度模型 model.load_state_dict(torch.load(fcheckpoints/depth_anything_v2_metric_{dataset}_{encoder}.pth)) model.eval() # 推理得到以米为单位的深度图 raw_img cv2.imread(your_image.jpg) depth_in_meters model.infer_image(raw_img) # HxW深度图单位为米点云生成从2D到3D的跨越Depth-Anything-V2还能将深度图转换为点云实现真正的三维重建python depth_to_pointcloud.py \ --encoder vitl \ --load-from checkpoints/depth_anything_v2_metric_hypersim_vitl.pth \ --max-depth 20 \ --img-path your_image_folder \ --outdir pointcloud_output⚡ 性能优化让深度估计飞起来批量处理与实时推理对于需要处理大量图像或视频流的应用Depth-Anything-V2提供了高效的批量处理能力# 批量处理多张图像 image_paths [img1.jpg, img2.jpg, img3.jpg] depth_maps [] for img_path in image_paths: img cv2.imread(img_path) depth model.infer_image(img) depth_maps.append(depth) # 或者使用视频处理 python run_video.py \ --encoder vits \ --video-path assets/examples_video \ --outdir video_depth_vis \ --input-size 518输入尺寸优化技巧Depth-Anything-V2支持动态输入尺寸你可以根据应用需求调整标准尺寸 (518x518)平衡速度与精度推荐用于大多数场景大尺寸 (1024x1024)获得更精细的深度细节适合高分辨率图像小尺寸 (256x256)极速推理适合实时视频流# 使用更大输入尺寸获得更精细结果 python run.py --encoder vitl --img-path assets/examples \ --outdir depth_vis --input-size 1024️ 部署方案从云端到边缘方案一云端服务器部署对于需要处理高分辨率图像或批量任务的场景# 使用多GPU加速 import torch from torch.nn.parallel import DataParallel if torch.cuda.device_count() 1: model DataParallel(model) # 异步处理提高吞吐量 import asyncio from concurrent.futures import ThreadPoolExecutor executor ThreadPoolExecutor(max_workers4) async def process_image_async(image_path): loop asyncio.get_event_loop() return await loop.run_in_executor(executor, model.infer_image, image_path)方案二边缘设备部署对于移动设备或嵌入式系统模型量化使用PyTorch的量化功能减少模型大小TensorRT优化通过TensorRT加速推理速度ONNX导出转换为ONNX格式实现跨平台部署# 模型量化示例 model_quantized torch.quantization.quantize_dynamic( model, {torch.nn.Linear}, dtypetorch.qint8 ) # ONNX导出 torch.onnx.export(model, dummy_input, depth_anything_v2.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch_size, 2: height, 3: width}})方案三Web应用集成通过Gradio快速构建Web演示界面python app.py这将在本地启动一个Web服务让你可以通过浏览器上传图像并实时查看深度估计结果。 性能调优专业级优化技巧技巧一选择合适的模型尺寸应用需求推荐模型理由移动端实时应用Small (24.8M)低延迟小内存占用桌面级应用Base (97.5M)平衡性能与精度专业级分析Large (335.3M)最高精度支持复杂场景研究开发Giant (1.3B)极致精度用于基准测试技巧二内存优化策略# 使用混合精度训练和推理 from torch.cuda.amp import autocast, GradScaler scaler GradScaler() with autocast(): output model(input_tensor) loss criterion(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() # 梯度检查点节省内存 model.set_grad_checkpointing(True)技巧三缓存机制优化对于需要重复处理相似场景的应用可以建立深度图缓存import hashlib import pickle from functools import lru_cache class DepthCache: def __init__(self, max_size1000): self.cache {} self.max_size max_size def get_depth(self, image_path, model): # 生成图像哈希作为缓存键 with open(image_path, rb) as f: image_hash hashlib.md5(f.read()).hexdigest() if image_hash in self.cache: return self.cache[image_hash] # 缓存未命中计算深度 img cv2.imread(image_path) depth model.infer_image(img) # 更新缓存 if len(self.cache) self.max_size: self.cache.pop(next(iter(self.cache))) self.cache[image_hash] depth return depth 可视化与后处理深度图着色方案Depth-Anything-V2支持多种深度图可视化选项# 保存彩色深度图默认 python run.py --encoder vits --img-path assets/examples --outdir depth_vis # 仅保存深度预测结果 python run.py --encoder vits --img-path assets/examples --outdir depth_vis --pred-only # 保存灰度深度图 python run.py --encoder vits --img-path assets/examples --outdir depth_vis --grayscale深度数据后处理import numpy as np import matplotlib.pyplot as plt def visualize_depth(depth_map, colormapviridis): 将深度图转换为可视化图像 # 归一化深度值 depth_normalized (depth_map - depth_map.min()) / (depth_map.max() - depth_map.min()) # 应用颜色映射 if colormap jet: cmap plt.cm.jet elif colormap viridis: cmap plt.cm.viridis else: cmap plt.cm.plasma colored_depth cmap(depth_normalized)[:, :, :3] colored_depth (colored_depth * 255).astype(np.uint8) return colored_depth def extract_depth_features(depth_map): 从深度图提取特征 features { mean_depth: np.mean(depth_map), std_depth: np.std(depth_map), min_depth: np.min(depth_map), max_depth: np.max(depth_map), depth_range: np.max(depth_map) - np.min(depth_map), foreground_ratio: np.sum(depth_map np.percentile(depth_map, 25)) / depth_map.size } return features 未来展望深度感知的新纪元Depth-Anything-V2代表了单目深度估计技术的重要里程碑但深度感知的未来还有更多可能性技术发展趋势多模态融合结合RGB-D传感器、激光雷达等多源数据时序一致性视频深度估计的时间稳定性优化语义理解深度估计与语义分割的联合学习自监督学习减少对标注数据的依赖应用场景拓展自动驾驶实时环境感知和障碍物检测机器人导航室内外自主移动和避障AR/VR虚实融合和空间交互三维重建从单张图像生成三维模型影视制作深度信息辅助特效制作社区生态建设Depth-Anything-V2已经获得了广泛的社区支持Apple Core ML原生支持iOS/macOS部署TensorRTNVIDIA GPU加速优化ONNX Runtime跨平台推理支持Android/iOS移动端应用集成Web部署浏览器端实时深度估计 进一步学习资源想要深入了解Depth-Anything-V2的技术细节和应用实践以下资源值得关注官方文档与代码项目主页深度了解技术原理和最新进展GitHub仓库获取完整源代码和示例论文原文研究算法设计和实验细节实践教程快速开始指南5分钟上手深度估计高级应用示例点云生成、视频处理等性能优化技巧模型压缩、加速推理社区资源Hugging Face在线演示和模型仓库GitHub Issues技术讨论和问题解答学术论坛与研究者交流最新进展Depth-Anything-V2不仅仅是一个技术工具它正在开启计算机视觉的新篇章。无论你是研究者、开发者还是技术爱好者现在就是开始探索深度感知世界的最佳时机。从今天开始让你的应用拥有深度视野【免费下载链接】Depth-Anything-V2[NeurIPS 2024] Depth Anything V2. A More Capable Foundation Model for Monocular Depth Estimation项目地址: https://gitcode.com/gh_mirrors/de/Depth-Anything-V2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Depth-Anything-V2：从单目图像到三维世界的深度感知革命
Depth-Anything-V2从单目图像到三维世界的深度感知革命【免费下载链接】Depth-Anything-V2[NeurIPS 2024] Depth Anything V2. A More Capable Foundation Model for Monocular Depth Estimation项目地址: https://gitcode.com/gh_mirrors/de/Depth-Anything-V2你是否曾想过给一张普通照片就能让它活起来拥有三维空间感Depth-Anything-V2正是这样一个革命性的单目深度估计基础模型它让计算机能够像人类一样理解图像的深度信息。作为NeurIPS 2024的最新研究成果这个开源项目在细节还原和鲁棒性方面相比V1版本有了质的飞跃为自动驾驶、机器人导航、AR/VR等应用提供了强大的深度感知能力。 从零开始5分钟部署你的深度估计系统Depth-Anything-V2最吸引人的地方就是它的易用性。无论你是AI新手还是资深开发者都能在几分钟内搭建起自己的深度估计系统。环境配置简单三步走git clone https://gitcode.com/gh_mirrors/de/Depth-Anything-V2 cd Depth-Anything-V2 pip install -r requirements.txt核心依赖只有PyTorch、OpenCV和Gradio这意味着你不需要复杂的配置就能开始工作。项目提供了四个不同规模的模型满足从边缘设备到高性能服务器的各种需求模型版本参数量推理速度 (V100)准确率适用场景Small (小型)24.8M60ms95.3%移动设备、实时应用Base (基础)97.5M120ms96.2%平衡性能与精度Large (大型)335.3M213ms97.1%高精度需求场景Giant (巨型)1.3B即将发布-极致精度要求代码实战10行代码实现深度估计Depth-Anything-V2的API设计极其简洁让深度估计变得像调用函数一样简单import cv2 import torch from depth_anything_v2.dpt import DepthAnythingV2 # 选择模型Small适合实时应用Large适合高精度需求 encoder vits # 或 vitb, vitl, vitg # 加载模型 model DepthAnythingV2(encoderencoder, features64, out_channels[48, 96, 192, 384]) model.load_state_dict(torch.load(fcheckpoints/depth_anything_v2_{encoder}.pth)) model model.cuda().eval() # 推理深度图 raw_img cv2.imread(assets/examples/demo01.jpg) depth_map model.infer_image(raw_img) # 返回numpy格式的深度图更棒的是如果你不想克隆整个仓库还可以通过Hugging Face Transformers直接使用from transformers import pipeline from PIL import Image pipe pipeline(taskdepth-estimation, modeldepth-anything/Depth-Anything-V2-Small-hf) image Image.open(assets/examples/demo02.jpg) depth pipe(image)[depth] # 深度图已就绪 性能对比为什么Depth-Anything-V2如此出色Depth-Anything-V2在延迟、参数量和准确率方面的全面优势从上面的对比图可以看出Depth-Anything-V2在多个维度上都表现出色速度优势Small模型在V100上仅需60ms比同类模型快2-3倍精度领先在DA-2K基准测试中达到95.3%-97.1%的准确率参数高效相同精度下参数量减少30%-50%多场景适应支持室内、室外、非真实、透明反射等8类场景DA-2K基准测试全面的评估体系DA-2K数据集的标注流程和场景分布Depth-Anything-V2的评估基于DA-2K数据集这是一个包含8种场景类型的全面基准室内场景 (20%)办公室、家庭、商场等室外场景 (17%)街道、公园、城市景观非真实场景 (15%)动漫、游戏、艺术风格恶劣风格 (16%)低光照、雾天、雨天透明反射 (10%)玻璃、水面、镜面物体级 (7%)单个物体、产品航拍 (9%)无人机视角、高空拍摄水下 (6%)海洋、湖泊、水下摄影 实战应用深度估计的无限可能场景一城市街道深度感知Depth-Anything-V2准确捕捉城市街道中行人、车辆和建筑物的空间关系在城市自动驾驶场景中Depth-Anything-V2能够精确识别行人与车辆的距离区分近处建筑物和远处天际线处理复杂的交通场景和遮挡关系场景二自然景观深度分析向日葵花田的层次感和空间渐变处理自然在环境感知和机器人导航中这个模型可以分析地形起伏和障碍物分布识别植被密度和开放空间为路径规划提供精确的距离信息场景三室内场景三维重建室内家具布局和空间结构的深度关系准确还原对于AR/VR和室内导航应用准确测量房间尺寸和家具布局识别门窗位置和开放空间为虚拟家具摆放提供深度参考 进阶功能从相对深度到绝对度量Depth-Anything-V2不仅支持相对深度估计还提供了度量深度估计功能这意味着你可以获得以米为单位的实际距离度量深度模型部署项目中的metric_depth目录专门用于度量深度估计cd metric_depth pip install -r requirements.txt度量深度模型分为室内和室外两个版本应用场景基础模型最大深度训练数据集室内深度估计Small/Base/Large20米Hypersim室外深度估计Small/Base/Large80米Virtual KITTI 2度量深度代码示例import cv2 import torch from depth_anything_v2.dpt import DepthAnythingV2 encoder vitl # 选择编码器 dataset hypersim # hypersim用于室内vkitti用于室外 max_depth 20 if dataset hypersim else 80 # 室内20米室外80米 model DepthAnythingV2(**{ encoder: encoder, features: 256, out_channels: [256, 512, 1024, 1024], max_depth: max_depth }) # 加载度量深度模型 model.load_state_dict(torch.load(fcheckpoints/depth_anything_v2_metric_{dataset}_{encoder}.pth)) model.eval() # 推理得到以米为单位的深度图 raw_img cv2.imread(your_image.jpg) depth_in_meters model.infer_image(raw_img) # HxW深度图单位为米点云生成从2D到3D的跨越Depth-Anything-V2还能将深度图转换为点云实现真正的三维重建python depth_to_pointcloud.py \ --encoder vitl \ --load-from checkpoints/depth_anything_v2_metric_hypersim_vitl.pth \ --max-depth 20 \ --img-path your_image_folder \ --outdir pointcloud_output⚡ 性能优化让深度估计飞起来批量处理与实时推理对于需要处理大量图像或视频流的应用Depth-Anything-V2提供了高效的批量处理能力# 批量处理多张图像 image_paths [img1.jpg, img2.jpg, img3.jpg] depth_maps [] for img_path in image_paths: img cv2.imread(img_path) depth model.infer_image(img) depth_maps.append(depth) # 或者使用视频处理 python run_video.py \ --encoder vits \ --video-path assets/examples_video \ --outdir video_depth_vis \ --input-size 518输入尺寸优化技巧Depth-Anything-V2支持动态输入尺寸你可以根据应用需求调整标准尺寸 (518x518)平衡速度与精度推荐用于大多数场景大尺寸 (1024x1024)获得更精细的深度细节适合高分辨率图像小尺寸 (256x256)极速推理适合实时视频流# 使用更大输入尺寸获得更精细结果 python run.py --encoder vitl --img-path assets/examples \ --outdir depth_vis --input-size 1024️ 部署方案从云端到边缘方案一云端服务器部署对于需要处理高分辨率图像或批量任务的场景# 使用多GPU加速 import torch from torch.nn.parallel import DataParallel if torch.cuda.device_count() 1: model DataParallel(model) # 异步处理提高吞吐量 import asyncio from concurrent.futures import ThreadPoolExecutor executor ThreadPoolExecutor(max_workers4) async def process_image_async(image_path): loop asyncio.get_event_loop() return await loop.run_in_executor(executor, model.infer_image, image_path)方案二边缘设备部署对于移动设备或嵌入式系统模型量化使用PyTorch的量化功能减少模型大小TensorRT优化通过TensorRT加速推理速度ONNX导出转换为ONNX格式实现跨平台部署# 模型量化示例 model_quantized torch.quantization.quantize_dynamic( model, {torch.nn.Linear}, dtypetorch.qint8 ) # ONNX导出 torch.onnx.export(model, dummy_input, depth_anything_v2.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch_size, 2: height, 3: width}})方案三Web应用集成通过Gradio快速构建Web演示界面python app.py这将在本地启动一个Web服务让你可以通过浏览器上传图像并实时查看深度估计结果。 性能调优专业级优化技巧技巧一选择合适的模型尺寸应用需求推荐模型理由移动端实时应用Small (24.8M)低延迟小内存占用桌面级应用Base (97.5M)平衡性能与精度专业级分析Large (335.3M)最高精度支持复杂场景研究开发Giant (1.3B)极致精度用于基准测试技巧二内存优化策略# 使用混合精度训练和推理 from torch.cuda.amp import autocast, GradScaler scaler GradScaler() with autocast(): output model(input_tensor) loss criterion(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() # 梯度检查点节省内存 model.set_grad_checkpointing(True)技巧三缓存机制优化对于需要重复处理相似场景的应用可以建立深度图缓存import hashlib import pickle from functools import lru_cache class DepthCache: def __init__(self, max_size1000): self.cache {} self.max_size max_size def get_depth(self, image_path, model): # 生成图像哈希作为缓存键 with open(image_path, rb) as f: image_hash hashlib.md5(f.read()).hexdigest() if image_hash in self.cache: return self.cache[image_hash] # 缓存未命中计算深度 img cv2.imread(image_path) depth model.infer_image(img) # 更新缓存 if len(self.cache) self.max_size: self.cache.pop(next(iter(self.cache))) self.cache[image_hash] depth return depth 可视化与后处理深度图着色方案Depth-Anything-V2支持多种深度图可视化选项# 保存彩色深度图默认 python run.py --encoder vits --img-path assets/examples --outdir depth_vis # 仅保存深度预测结果 python run.py --encoder vits --img-path assets/examples --outdir depth_vis --pred-only # 保存灰度深度图 python run.py --encoder vits --img-path assets/examples --outdir depth_vis --grayscale深度数据后处理import numpy as np import matplotlib.pyplot as plt def visualize_depth(depth_map, colormapviridis): 将深度图转换为可视化图像 # 归一化深度值 depth_normalized (depth_map - depth_map.min()) / (depth_map.max() - depth_map.min()) # 应用颜色映射 if colormap jet: cmap plt.cm.jet elif colormap viridis: cmap plt.cm.viridis else: cmap plt.cm.plasma colored_depth cmap(depth_normalized)[:, :, :3] colored_depth (colored_depth * 255).astype(np.uint8) return colored_depth def extract_depth_features(depth_map): 从深度图提取特征 features { mean_depth: np.mean(depth_map), std_depth: np.std(depth_map), min_depth: np.min(depth_map), max_depth: np.max(depth_map), depth_range: np.max(depth_map) - np.min(depth_map), foreground_ratio: np.sum(depth_map np.percentile(depth_map, 25)) / depth_map.size } return features 未来展望深度感知的新纪元Depth-Anything-V2代表了单目深度估计技术的重要里程碑但深度感知的未来还有更多可能性技术发展趋势多模态融合结合RGB-D传感器、激光雷达等多源数据时序一致性视频深度估计的时间稳定性优化语义理解深度估计与语义分割的联合学习自监督学习减少对标注数据的依赖应用场景拓展自动驾驶实时环境感知和障碍物检测机器人导航室内外自主移动和避障AR/VR虚实融合和空间交互三维重建从单张图像生成三维模型影视制作深度信息辅助特效制作社区生态建设Depth-Anything-V2已经获得了广泛的社区支持Apple Core ML原生支持iOS/macOS部署TensorRTNVIDIA GPU加速优化ONNX Runtime跨平台推理支持Android/iOS移动端应用集成Web部署浏览器端实时深度估计 进一步学习资源想要深入了解Depth-Anything-V2的技术细节和应用实践以下资源值得关注官方文档与代码项目主页深度了解技术原理和最新进展GitHub仓库获取完整源代码和示例论文原文研究算法设计和实验细节实践教程快速开始指南5分钟上手深度估计高级应用示例点云生成、视频处理等性能优化技巧模型压缩、加速推理社区资源Hugging Face在线演示和模型仓库GitHub Issues技术讨论和问题解答学术论坛与研究者交流最新进展Depth-Anything-V2不仅仅是一个技术工具它正在开启计算机视觉的新篇章。无论你是研究者、开发者还是技术爱好者现在就是开始探索深度感知世界的最佳时机。从今天开始让你的应用拥有深度视野【免费下载链接】Depth-Anything-V2[NeurIPS 2024] Depth Anything V2. A More Capable Foundation Model for Monocular Depth Estimation项目地址: https://gitcode.com/gh_mirrors/de/Depth-Anything-V2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考