当前位置：首页 > wzjs >正文

浏阳网站建设tvshown网站后台密码忘记

wzjs 2025/9/11 13:27:21

浏阳网站建设tvshown,网站后台密码忘记,wordpress 表单邮件,优化seo软件这篇文章作为系列文章 “无人机实战系列” 的一篇番外文章，主要测试了下 Apple 推出的一个基于机器学习的单目图像转深度的工具 ml-depth-pro，这个也是我在找这方面工具时意外发现的一个仓库，后期仍然会以 Depth Anything V2 为主线进行记录。…

这篇文章作为系列文章 “无人机实战系列” 的一篇番外文章，主要测试了下 Apple 推出的一个基于机器学习的单目图像转深度的工具 ml-depth-pro，这个也是我在找这方面工具时意外发现的一个仓库，后期仍然会以 Depth Anything V2 为主线进行记录。

为了节省大家时间，我可以在文章开头给一个粗略结论：

近景效果：Depth Anything V2 > Depth Pro；
远景分割：Depth Pro > Depth Anything V2；
轮廓细节：Depth Pro > Depth Anything V2；
耗时：Depth Pro > Depth Anything V2；

如果你在知道这个情况的前提下仍然对 Apple 的这款产品感兴趣，那么可以继续看下去。

Step1. 拉取远程仓库

拉取仓库：

$ git clone git@github.com:apple/ml-depth-pro.git

安装依赖：

$ pip install -e .

Apple只提供了一个预训练模型，大小大概 1.77 GB，我在我的网盘中上传了这个模型，因此这里有两个方式供你选择：

【方式一】使用官方脚本拉取：

$ source get_pretrained_models.sh

【方式二】从网盘中下载并存放到指定位置：

$ mkdir checkpoints模型链接: https://pan.baidu.com/s/1LYozaslxRJnmooktPsulTg?pwd=m6jy 提取码: m6jy

Step2. 编写测试代码

这里还是以我自己拍摄的一张餐桌图片为例：

图片链接: https://pan.baidu.com/s/1o67WUCRKuip8A2p6V1pmow?pwd=13ns 提取码: 13ns

当前文件结构如下：

(base) gaohao@Server:~/Desktop/RemoteTools/ml-depth-pro$ tree
.
├── ACKNOWLEDGEMENTS.md
├── checkpoints
│   └── depth_pro.pt
├── CODE_OF_CONDUCT.md
├── CONTRIBUTING.md
├── data
│   ├── depth-pro-teaser.jpg
│   └── example.jpg
├── demo.py                   # 示例代码
├── dining-table.jpg          # 示例图片
├── get_pretrained_models.sh
├── LICENSE
├── pyproject.toml
├── README.md
└── src└── depth_pro

示例代码demo.py：

import cv2
import numpy as np
import torch
from src import depth_pro
from PIL import Imageimage_path = "./dining-table.jpg"# Load model and preprocessing transform
model, transform = depth_pro.create_model_and_transforms()
model.eval()
print("Model eval done.")# Load and preprocess an image.
image, _, f_px = depth_pro.load_rgb(image_path)
image_pil = image.copy()  # Keep a copy of the original image
image = transform(image)
print("Image transform done.")# Run inference.
prediction = model.infer(image, f_px=f_px)
depth = prediction["depth"]  # Depth in [m].
print("model infer done.")# Convert PIL image to OpenCV format
image_cv = np.array(image_pil)
image_cv = cv2.cvtColor(image_cv, cv2.COLOR_RGB2BGR)# Convert depth Tensor to NumPy array
if isinstance(depth, torch.Tensor):depth = depth.cpu().detach().numpy()  # Ensure it's a NumPy array# Normalize depth map for visualization
depth_normalized = 1.0 - (depth - depth.min()) / (depth.max() - depth.min())
depth_colormap = (depth_normalized * 255).astype(np.uint8)
depth_colormap = cv2.applyColorMap(depth_colormap, cv2.COLORMAP_JET)# Display images using OpenCV
cv2.imshow('Original Image', image_cv)
cv2.imshow('Depth Map', depth_colormap)
cv2.imwrite("./result.png", depth_colormap)
cv2.waitKey(0)
cv2.destroyAllWindows()