Distill-Any-Depth 使用教程

Distill-Any-Depth 使用教程

Distill-Any-Depth The repo for "Distill Any Depth: Distillation Creates a Stronger Monocular Depth Estimator" 项目地址: https://gitcode.com/gh_mirrors/di/Distill-Any-Depth

1. 项目介绍

Distill-Any-Depth 是由 Westlake-AGI-Lab 开发的一种新型单目深度估计模型，通过提出的知识蒸馏算法进行训练。该模型提供了不同大小版本的模型，以满足不同场景和性能需求。

2. 项目快速启动

要使用 Distill-Any-Depth，请按照以下步骤进行快速启动：

首先，创建一个虚拟环境来确保包的兼容性。你可以使用 miniconda 来设置环境：

# 创建一个新conda环境，Python版本为3.10
conda create -n distill-any-depth -y python=3.10
# 激活创建的环境
conda activate distill-any-depth
# 安装所需的Python包
pip install -r requirements.txt

接下来，安装 Detectron2：

# 导航到 Detectron2 目录并安装
cd detectron2
pip install -e ./
cd ..
pip install -e ./

为了下载预训练的检查点，可以使用以下代码片段：

# 从命令行运行预测
source scripts/00_infer.sh
# 或者使用 bash
bash scripts/00_infer.sh

在运行预测之前，请确保你已经下载了预训练的模型，并在 --checkpoint 参数中指定了模型的路径。

# 定义GPU ID和你想要运行的模型
GPU_ID=0
model_list=(
    'xxx'
)

# 模型列表，你需要替换 'xxx' 为实际的模型路径
# 循环遍历每个模型并运行推理
for model in "${model_list[@]}"; do
    # 运行模型推理并指定参数
    CUDA_VISIBLE_DEVICES=${GPU_ID} \
    python tools/testers/infer.py \
    --seed 1234 \
    --checkpoint 'checkpoint/large/model.safetensors' \
    --processing_res 700 \
    --output_dir output/${model} \
    --arch_name 'depthanything-large'
done

3. 应用案例和最佳实践

Distill-Any-Depth 可以用于多种场景的单目深度估计。以下是一个使用该模型进行零样本深度估计的案例：

from transformers import pipeline
from PIL import Image
import requests

# 加载模型
pipe = pipeline(
    task='depth-estimation',
    model='xingyang1/Distill-Any-Depth-Large-hf'
)

# 加载图片
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

# 进行推理
depth = pipe(image)['depth']

在使用模型时，请确保遵守最佳实践，如设置随机种子以确保结果的可重复性。

4. 典型生态项目

Distill-Any-Depth 的开发受到了多个项目的启发，其中包括 Depth Anything V2、MiDaS、GenPercept、GeoBench: 3D Geometry Estimation Made Easy、HDN 和 Detectron2 等。这些项目为单目深度估计领域提供了丰富的技术积累和解决方案。

Distill-Any-Depth The repo for "Distill Any Depth: Distillation Creates a Stronger Monocular Depth Estimator" 项目地址: https://gitcode.com/gh_mirrors/di/Distill-Any-Depth