Kartu judul yang dihasilkan untuk Depth Pro 2 vs Depth Anything 3, dengan kolom kiri bertuliskan kedalaman metrik dalam meter, frame tunggal serta video dan siaran langsung, dan empat ukuran hingga 872M, serta kolom kanan bertuliskan kedalaman relatif, pose dan intrinsik kamera, dan empat ukuran hingga 1.15B, plus logo OrcaRouter.
Guides & Insights

Depth Pro 2 vs Depth Anything 3: Meter atau Pose Kamera

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Tanyakan pertanyaan yang sama kepada kedua model — seberapa jauh ini? — dan hanya salah satunya yang menjawab dalam satuan meter. Depth Pro 2, model kedalaman monokuler metrik dari Apple, mengembalikan peta kedalaman dalam meter di sepanjang sumbu pandang kamera, plus panjang fokus yang digunakannya. Depth Anything 3, model fondasi ByteDance Seed yang dirilis pada November 2025, mencantumkan "kedalaman relatif" sebagai kemampuan pertamanya, bersama dengan estimasi pose kamera dan pengondisian pose. Model ini memberi Anda kedalaman hingga skala yang tidak diketahui, dan memberi Anda kamera-kamera yang membuat skala tersebut dapat dipulihkan.

Perbedaan tunggal itu menentukan sebagian besar integrasi sebelum akurasi masuk ke dalam pembahasan, dan itulah alasan perbandingan benchmark langsung antara keduanya kurang berguna daripada kelihatannya. Kedua lab melaporkan metrik yang berbeda, terhadap baseline yang berbeda, dan tidak satu pun telah menjalankan evaluasi milik yang lain. Berikut ini adalah apa yang sebenarnya didokumentasikan oleh masing-masing repositori, dengan klaim vendor diberi label sebagai klaim vendor.

Dua keluaran berbeda, hanya berbeda satu huruf

Objek prediksi Depth Anything 3 adalah titik awal yang paling jelas, karena sifatnya yang luar biasa eksplisit. Satu panggilan saja mengembalikan depth dalam bentuk [N, H, W] float32, peta keyakinan dengan bentuk yang sama, ekstrinsik sebagai matriks world-to-camera [N, 3, 4], dan intrinsik sebagai [N, 3, 3]. Ekspor tersedia ke GLB, NPZ, PLY, mini-NPZ, Gaussian-splat PLY, atau video Gaussian-splat.

Keluaran Depth Pro 2 lebih sempit dan lebih langsung berguna jika jawaban yang Anda butuhkan adalah angka. Ini mengembalikan peta kedalaman dalam meter, panjang fokus dalam piksel, dan — dalam keluaran NPZ baris perintah — dua larik itu dan tidak ada yang lain. Konversi ke point cloud diserahkan kepada Anda, menggunakan panjang fokus dan pusat gambar sebagai titik utama, atau titik utama Anda yang sebenarnya jika kamera terkalibrasi.

• Skala — keluaran Depth Pro 2 bersifat metrik; kedalaman Depth Anything 3 bersifat relatif, dengan skala dipulihkan dari pose dan intrinsik yang juga dikembalikannya.

• Parameter kamera — Depth Anything 3 memprediksi parameter ekstrinsik dan intrinsik; Depth Pro 2 hanya memprediksi panjang fokus, dan tidak memiliki gagasan tentang posisi kamera.

• Keyakinan — Depth Anything 3 mengembalikan peta keyakinan per piksel; Depth Pro 2 tidak mengembalikannya.

• Input — Depth Pro 2 mengambil satu foto, file video, atau feed kamera langsung; Depth Anything 3 mengambil daftar gambar sebagai satu set tampilan.

• Lisensi — Bobot Depth Pro 2 hanya untuk riset di bawah lisensi Apple Machine Learning Research Model; Depth Anything 3 menggunakan Apache 2.0 pada 0,08B dan 0,12B, CC BY-NC 4.0 pada 0,35B dan 1,15B.

Keempat ukuran itu tidak sejajar.

Kedua keluarga tersebut merilis empat checkpoint, dan jumlah parameternya hampir sama, sehingga membuat orang tergoda membandingkannya satu lawan satu. Tahanlah godaan itu.

Depth Anything 3 merilis 0,08B, 0,12B, 0,35B, dan 1,15B — 34,3M, 135,4M, 410,9M, dan 1.355,7M parameter menurut metadata safetensors. Depth Pro 2 merilis 24M, 97M, 334M, dan 872M. Dua ukuran Depth Pro 2 terkecil secara signifikan lebih kecil daripada padanan Depth Anything 3-nya, dan yang terbesar secara signifikan lebih kecil daripada DA3 Giant.

Lisensi terbagi sepanjang garis yang sama dengan ukuran, dan inilah detail yang penting secara komersial: dua checkpoint kecil Depth Anything 3 adalah Apache 2.0, dan dua yang besar adalah CC BY-NC 4.0. Keempat milik Depth Pro 2 semuanya berada di bawah lisensi khusus riset yang sama, yang didefinisikan dalam repositori sebagai riset ilmiah non-komersial dan pengembangan akademik. Jadi jika Anda memerlukan model kedalaman yang dapat dilisensikan secara komersial, Depth Anything 3-Small atau -Base adalah satu-satunya opsi dalam perbandingan ini, dan Depth Pro 2 bukan salah satunya pada ukuran apa pun.

Depth Anything 3 juga memiliki revisi 1.1, yaitu DA3-GIANT-1.1 dan DA3-LARGE-1.1, dengan jumlah parameter yang identik dengan versi aslinya dan repositori yang dibuat pada 11 Desember 2025. Kartu GIANT versi asli mendeskripsikan estimasi Gaussian 3D sebagai kemampuan tambahan yang dimiliki oleh ukuran large, sehingga cakupan ekspornya lebih luas daripada sekadar kedalaman.

Apa yang diklaim setiap lab, dan terhadap apa

Kartu Depth Anything 3 memuat dua klaim komparatif dan menyebutkan baseline untuk keduanya: model ini secara signifikan mengungguli Depth Anything 2 untuk estimasi kedalaman monokuler, dan VGGT untuk estimasi kedalaman serta pose multi-tampilan. Itu adalah pernyataan yang spesifik dan dapat difalsifikasi tentang model-model yang disebutkan, dan angka-angka rincinya terdapat di dalam makalah, bukan di kartu tersebut.

Kartu Depth Pro 2 mengajukan satu klaim dan hanya menyebut baseline-nya sebagai "karya sebelumnya yang beroperasi pada satu frame atau beberapa frame". Kartu itu melaporkan bahwa Depth Pro 2 mengungguli kumpulan tersebut pada Boundary F1 dan Jitter, yang dirata-ratakan pada dataset Sintel dan Spring, serta menggambarkannya dengan diagram sebar kedua metrik tersebut, dengan sumbu Boundary F1 berkisar dari 0 hingga 0,3 dan Jitter dari 0,1 turun ke 0.

The sharpness-versus-temporal-consistency scatter from the Depth Pro 2 model card, plotting Boundary F1 from 0 to 0.3 against Jitter from 0.1 down to 0, with the four Depth Pro 2 sizes clustered near 0.29 F1 and 0.02 Jitter, Depth Pro at roughly 0.235 and 0.095, and single-frame and multi-frame baselines including VGGT, MapAnything and DA3-NGL lower on the jitter axis, averaged over Sintel and Spring.

Depth Anything 3 ada dalam grafik itu — sebagai DA3-NGL, salah satu baseline multi-frame lingkaran terbuka yang berada di sekitar 0,06 Boundary F1 dan 0,018 jitter. Jadi perbandingan memang ada, tetapi hanya pada dua metrik Apple, yang dirata-ratakan pada Sintel dan Spring, tanpa angka kedalaman Depth Anything 3 yang dicetak di sampingnya. Kumpulan perbandingan milik ByteDance sendiri adalah Depth Anything 2 dan VGGT, pada metrik yang dipilih ByteDance, dan DA3-NGL tidak dibahas di sana. Kedua kumpulan itu tidak bertemu: kartu mana pun yang Anda baca, lab lainlah yang memilih sumbunya, dan tidak ada yang menerbitkan tabel bersama.

Itu bukan cara mengelak dalam menentukan pemenang. Itulah keadaan bukti yang sebenarnya, dan layak dinyatakan secara terus terang karena alternatifnya — memilih grafik vendor mana pun yang menyanjung model yang sudah Anda sukai — adalah cara keputusan pengadaan yang buruk dibuat.

Konsistensi video adalah seluruh argumen Apple

Depth Pro 2 ada karena kelemahan spesifik dalam kedalaman monokular: menjalankan model per-frame pada video membuat kedalamannya berkedip-kedip, karena setiap frame diestimasi tanpa pengetahuan tentang frame tetangganya. Perbaikan Apple bersifat arsitektural. Model ini adalah transformer multi-view atas frame input, dan setelah sepertiga pertama bloknya, atensi bergantian antara dalam-frame dan antar-frame. Dekoder DPT per-frame kemudian menyusun token dari beberapa blok menjadi peta fitur pada resolusi 1/32 hingga 1/4 dari resolusi input.

The architecture diagram from the Depth Pro 2 model card showing a multi-view transformer processing input frames jointly, followed by a DPT decoder producing an inverse depth map per frame, with numbered annotations for alternating within-frame and across-frame attention and multi-scale decoder feature maps.

Mode operasi mengikuti dari itu. Mode buffered, default untuk file video, memproses klip 16 frame yang tumpang tindih sebanyak empat frame sehingga kedalaman tetap stabil di batas klip. Mode unbuffered memprediksi setiap frame saat tiba berdasarkan frame itu dan 15 frame sebelumnya, untuk penggunaan kamera, dengan peringatan terdokumentasi bahwa frame awal suatu stream memiliki lebih sedikit pendahulu dan karena itu kedalamannya kurang stabil. Sebuah video memperoleh satu panjang fokus di semua frame — median dari estimasi pada jendela pertama.

Depth Anything 3 menangani banyak tampilan secara bersamaan secara desain, karena itulah yang dilakukan model kumpulan tampilan, tetapi kerangkanya adalah rekonstruksi, bukan stabilisasi. Bahasa dalam kartu tersebut berbicara tentang memulihkan ruang visual dari tampilan mana pun, dan keluarannya — ekstrinsik, intrinsik, peta titik, Gaussian splat — adalah bahasa dari alur rekonstruksi 3D. Jika masalah Anda adalah "video ini berkedip-kedip", Depth Pro 2 memiliki mode untuk itu dan Depth Anything 3 adalah produk yang berbeda.

Memasukkan kedalaman dalam meter, dengan cara apa pun

Kedalaman relatif Depth Anything 3 bukanlah keterbatasan melainkan pembagian kerja: model memberi Anda kamera, dan kameralah yang mengubah kedalaman relatif menjadi meter. Konversi itu adalah pekerjaan nyata — faktor skala per adegan, dari baseline yang diketahui, ukuran objek yang diketahui, atau sensor — dan itu adalah pekerjaan yang sama yang sudah dilakukan Depth Pro 2 secara internal.

Output metrik Depth Pro 2 memiliki mode kegagalannya sendiri, dan itu didokumentasikan. Skala kedalaman bergantung pada panjang fokus, jadi panjang fokus yang 10 persen terlalu panjang menempatkan semuanya 10 persen terlalu jauh. Piksel langit dikembalikan sebagai kedalaman tak hingga, atau, terutama pada model yang lebih kecil, sebagai kedalaman hingga beberapa kilometer, sehingga README meminta Anda memotong rentangnya sebelum membangun point cloud atau gambar berwarna. Dalam Python, kedalaman invers dinormalisasi oleh panjang fokus dan sama dengan focallength_px / (width * depth). Sebuah stream milik satu video dan menyimpan frame terbarunya serta panjang fokusnya sampai Anda membuka stream baru.

Tidak ada model yang menggantikan sensor kedalaman pada permukaan tanpa tekstur atau reflektif. Keduanya menyimpulkan skala dari bukti visual, dan keduanya akan gagal di jenis tempat yang sama karena alasan yang sama.

Berapa biaya untuk menjalankan keduanya

Perbedaan praktisnya terletak pada grafik dependensi. Depth Pro 2 dipasang sebagai paket Python dari repositori GitHub dengan uv, menyediakan command line (uv run depth-pro-2 predict -i photo.jpg -o out/) dan API Python, serta menyertakan ekspor Core ML untuk Apple silicon plus aplikasi demo Mac. Repositori tersebut secara eksplisit menyatakan bahwa repositori itu berisi kode untuk menjalankan model tetapi bukan kode pelatihan atau evaluasi.

Depth Anything 3 dipasang sebagai paket yang dapat diedit dari repositori ByteDance Seed dan menyediakan CLI (da3 auto path/to/images --export-format glb) dengan proses backend opsional untuk inferensi berulang, yang merupakan detail yang hanya muncul ketika seseorang menjalankannya dalam sebuah loop.

Keduanya adalah checkpoint penelitian dengan satu tujuan, dan tidak satu pun merupakan sesuatu yang Anda rutekan. Yang berada di sekitar tahap kedalaman adalah pekerjaan model bahasa — mendeskripsikan suatu adegan, memutuskan apa yang harus dilakukan terhadapnya, menuliskan hasilnya — dan di situlah satu endpoint membuktikan kegunaannya: OrcaRouter menghadirkan lebih dari 200 model yang dihosting di balik satu API yang kompatibel dengan OpenAI dengan markup 0% di atas harga daftar penyedia, sehingga tahap penalaran di sekitar model kedalaman Anda cukup satu kunci dan satu tagihan. Checkpoint kedalaman tetap menjadi dependensi yang Anda pin; pipeline di sekitarnya tidak harus demikian.

Yang mana untuk memulai

Mulailah dengan Depth Anything 3 jika Anda merekonstruksi sebuah scene dari beberapa tampilan dan menginginkan kamera, peta titik, serta Gaussian splat dalam satu panggilan, dan jika lisensi Apache 2.0 pada ukuran kecil adalah yang membuat proyek ini mungkin sama sekali. Set pembandingnya disebutkan, output-nya luas, dan checkpoint kecil adalah satu-satunya hal yang dapat dilisensikan secara komersial dalam artikel ini.

Mulailah dengan Depth Pro 2 jika jawaban yang Anda butuhkan adalah jarak dalam meter dari satu frame atau feed langsung, dan jika kestabilan antarframe adalah properti yang tanpanya aplikasi Anda gagal. Bersiaplah untuk memangkas kedalaman langit, menetapkan panjang fokus secara sengaja, dan menjadi yang lebih awal — repositorinya memiliki unduhan dalam hitungan puluhan, kodenya memiliki satu commit, dan laporan teknisnya masih berupa placeholder.

Yang tidak diberikan oleh kedua model kepada Anda adalah klaim yang dapat dipertahankan bahwa yang satu mengalahkan yang lain, karena tidak ada lab yang menjalankan pengujian tersebut. Pilihlah berdasarkan format keluaran, lisensi, dan apakah masukan Anda berupa video. Ketiga pertanyaan itu sudah memiliki jawaban hari ini; papan peringkat tidak.

A generated two-column scoreboard comparing Depth Pro 2 and Depth Anything 3 across six dimensions: depth type, camera parameters, video handling, largest model size, licence and published numbers, with a footer noting that no shared benchmark exists.