Wygenerowana plansza tytułowa dla Depth Pro 2 vs Depth Anything 3, z lewą kolumną zawierającą głębokość metryczną w metrach, pojedynczą klatkę oraz wideo i transmisję na żywo, a także cztery rozmiary do 872M, oraz prawą kolumną zawierającą głębokość względną, pozy i parametry wewnętrzne kamery, a także cztery rozmiary do 1,15B, plus logo OrcaRouter.
Guides & Insights

Depth Pro 2 vs Depth Anything 3: Metry czy pozy kamery

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Zadaj obu modelom to samo pytanie — jak daleko to jest? — a tylko jeden z nich odpowie w metrach. Depth Pro 2, metryczny monokularowy model głębi firmy Apple, zwraca mapę głębi w metrach wzdłuż osi patrzenia kamery oraz użytą ogniskową. Depth Anything 3, model bazowy ByteDance Seed wydany w listopadzie 2025 r., wymienia „względną głębokość” jako swoją pierwszą możliwość, obok szacowania pozy kamery i warunkowania pozy. Daje głębię z dokładnością do nieznanej skali oraz dostarcza kamery, dzięki którym tę skalę można odzyskać.

Ta pojedyncza różnica rozstrzyga większość integracji, zanim w ogóle pojawi się kwestia dokładności, i właśnie dlatego bezpośrednie porównanie benchmarków tych dwóch rozwiązań jest mniej przydatne, niż się wydaje. Oba laboratoria raportują inne metryki, w odniesieniu do innych punktów odniesienia, i żadne z nich nie przeprowadziło ewaluacji drugiego. Poniżej przedstawiono to, co faktycznie dokumentuje każde z repozytoriów, z wyraźnym oznaczeniem twierdzeń dostawców jako takich.

Dwa różne wyniki, różniące się jedną literą

Obiekt predykcji Depth Anything 3 to najlepsze miejsce na początek, ponieważ jest niezwykle jednoznaczny. Pojedyncze wywołanie zwraca głębię jako [N, H, W] float32, mapę pewności o tym samym kształcie, parametry zewnętrzne jako [N, 3, 4] macierze world-to-camera oraz parametry wewnętrzne jako [N, 3, 3]. Eksport odbywa się do GLB, NPZ, PLY, mini-NPZ, Gaussian-splat PLY lub wideo Gaussian-splat.

Wynik Depth Pro 2 jest węższy i bardziej bezpośrednio użyteczny, jeśli potrzebną odpowiedzią jest liczba. Zwraca mapę głębi w metrach, ogniskową w pikselach oraz — w wyjściu NPZ z wiersza poleceń — te dwie tablice i nic więcej. Konwersję do chmury punktów pozostawia się Tobie, z użyciem ogniskowej i środka obrazu jako punktu głównego lub rzeczywistego punktu głównego, jeśli kamera jest skalibrowana.

• Skala — wynik Depth Pro 2 jest metryczny; głębokość Depth Anything 3 jest względna, a skala jest odzyskiwana z pozy i parametrów wewnętrznych, które również zwraca.

• Parametry kamery — Depth Anything 3 przewiduje parametry zewnętrzne i wewnętrzne; Depth Pro 2 przewiduje tylko ogniskową i nie ma pojęcia, gdzie znajduje się kamera.

• Pewność — Depth Anything 3 zwraca mapę pewności dla każdego piksela; Depth Pro 2 nie zwraca żadnej.

• Wejście — Depth Pro 2 przyjmuje jedno zdjęcie, plik wideo lub transmisję z kamery na żywo; Depth Anything 3 przyjmuje listę obrazów jako jeden zestaw widoków.

• Licencja — wagi Depth Pro 2 są przeznaczone wyłącznie do celów badawczych na mocy licencji Apple Machine Learning Research Model; Depth Anything 3 jest objęty licencją Apache 2.0 w rozmiarach 0.08B i 0.12B oraz CC BY-NC 4.0 w rozmiarach 0.35B i 1.15B.

Cztery rozmiary nie pasują do siebie.

Obie rodziny publikują po cztery checkpointy, a liczby parametrów wypadają w niemal tych samych miejscach, co kusi, by porównywać je jeden do jednego. Oprzyj się tej pokusie.

Depth Anything 3 publikuje modele 0.08B, 0.12B, 0.35B i 1.15B — 34.3M, 135.4M, 410.9M i 1,355.7M parametrów zgodnie z metadanymi safetensors. Depth Pro 2 publikuje modele 24M, 97M, 334M i 872M. Dwa najmniejsze rozmiary Depth Pro 2 są znacząco mniejsze od ich odpowiedników w Depth Anything 3, a największy jest znacząco mniejszy niż DA3 Giant.

Licencje rozkładają się według tej samej zasady co rozmiary, a to szczegół istotny komercyjnie: dwa małe checkpointy Depth Anything 3 są na licencji Apache 2.0, a dwa duże — CC BY-NC 4.0. Cztery checkpointy Depth Pro 2 są objęte tą samą licencją wyłącznie do badań, zdefiniowaną w repozytorium jako niekomercyjne badania naukowe i rozwój akademicki. Tak więc jeśli w ogóle potrzebujesz modelu głębi, który można licencjonować komercyjnie, Depth Anything 3-Small lub -Base jest jedyną opcją w tym porównaniu, a Depth Pro 2 nie jest nią w żadnym rozmiarze.

Depth Anything 3 ma również rewizję 1.1 — DA3-GIANT-1.1 i DA3-LARGE-1.1 — z identyczną liczbą parametrów co oryginały oraz repozytoriami utworzonymi 11 grudnia 2025 r. Oryginalna karta GIANT opisuje estymację Gaussa 3D jako dodatkową możliwość, którą oferują duże rozmiary, więc zakres eksportu jest szerszy niż sama głębia.

Co każde laboratorium twierdzi i przeciwko czemu

Karta modelu Depth Anything 3 zawiera dwa twierdzenia porównawcze i wskazuje modele bazowe dla obu: znacząco przewyższa Depth Anything 2 w szacowaniu głębi z pojedynczego obrazu oraz VGGT w szacowaniu głębi i pozy z wielu widoków. To konkretne, podlegające falsyfikacji stwierdzenia dotyczące nazwanych modeli, a szczegółowe liczby znajdują się w artykule, a nie w karcie.

Karta Depth Pro 2 zawiera jedno twierdzenie i określa swoją bazę odniesienia jedynie jako „wcześniejsze prace działające na pojedynczej klatce lub wielu klatkach”. Podaje, że Depth Pro 2 przewyższa ten zbiór pod względem Boundary F1 i Jitter, uśrednionych w zbiorach danych Sintel i Spring, i ilustruje to wykresem rozrzutu tych dwóch metryk, którego osie przebiegają: Boundary F1 od 0 do 0,3, a Jitter od 0,1 w dół do 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 znajduje się na tym wykresie — jako DA3-NGL, jedna z wieloklatkowych linii bazowych oznaczonych pustym kółkiem, plasująca się na poziomie mniej więcej 0,06 Boundary F1 i 0,018 jitteru. Zatem porównanie istnieje, ale tylko w przypadku dwóch metryk Apple’a, uśrednionych po Sintel i Spring, bez wypisanych obok liczb dotyczących głębi z Depth Anything 3. Własny zestaw porównawczy ByteDance to Depth Anything 2 i VGGT, na metrykach wybranych przez ByteDance, a DA3-NGL nie jest tam omawiany. Te dwa zestawy się nie spotykają: niezależnie od tego, którą kartę czytasz, osie wybrało drugie laboratorium i żadne z nich nie opublikowało wspólnej tabeli.

To nie jest unikanie wskazania zwycięzcy. To rzeczywisty stan dowodów i warto powiedzieć to wprost, ponieważ alternatywa — wybieranie tego wykresu dostawcy, który schlebia modelowi, który już preferujesz — jest sposobem, w jaki podejmuje się złe decyzje zakupowe.

Spójność wideo to cały argument Apple’a.

Depth Pro 2 istnieje z powodu konkretnej słabości głębi monokularowej: uruchom model klatka po klatce na wideo, a głębia będzie migotać, ponieważ każda klatka jest szacowana bez wiedzy o sąsiednich. Rozwiązanie Apple ma charakter architektoniczny. Model jest transformatorem wielowidokowym działającym na klatkach wejściowych, a po pierwszej trzeciej części jego bloków uwaga przełącza się między wewnątrzklatkową a międzyklatkową. Dekoder DPT działający na poszczególnych klatkach składa następnie tokeny z kilku bloków w mapy cech w rozdzielczości od 1/32 do 1/4 rozdzielczości wejściowej.

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.

Tryby działania wynikają z tego. Tryb buforowany, domyślny dla plików wideo, przetwarza 16-klatkowe fragmenty nakładające się o cztery klatki, dzięki czemu głębia pozostaje stabilna na granicach klipów. Tryb niebuforowany przewiduje każdą klatkę w momencie jej nadejścia na podstawie tej klatki i 15 poprzedzających ją, co jest przeznaczone do zastosowań z kamerą, z udokumentowanym zastrzeżeniem, że pierwsze klatki strumienia mają mniej poprzedników i w związku z tym mniej stabilną głębię. Dla wideo przyjmuje się jedną ogniskową dla wszystkich klatek — medianę szacunków z pierwszego okna.

Depth Anything 3 z założenia obsługuje wiele widoków łącznie, ponieważ właśnie to robi model zbioru widoków, ale jego ujęcie to rekonstrukcja, a nie stabilizacja. Język karty dotyczy odtwarzania przestrzeni wizualnej z dowolnych widoków, a wyniki — parametry zewnętrzne, parametry wewnętrzne, mapy punktów, Gaussian splats — to język potoku rekonstrukcji 3D. Jeśli twoim problemem jest „to wideo migocze”, Depth Pro 2 ma na to tryb, a Depth Anything 3 to inny produkt.

Uzyskiwanie głębokości w metrach tak czy inaczej

Względna głębia w Depth Anything 3 jest nie tyle ograniczeniem, ile podziałem pracy: model daje ci kamery, a to kamery zamieniają głębię względną na metry. Ta konwersja to prawdziwa praca — współczynnik skali dla każdej sceny, oparty na znanej bazie, znanym rozmiarze obiektu lub czujniku — i jest to ta sama praca, którą Depth Pro 2 już wykonał wewnętrznie.

Metryczne dane wyjściowe Depth Pro 2 mają własne tryby awarii i są one udokumentowane. Głębokość skaluje się wraz z ogniskową, więc ogniskowa o 10 procent za długa przesuwa wszystko o 10 procent za daleko. Piksele nieba są zwracane jako nieskończona głębokość lub — zwłaszcza w mniejszych modelach — jako skończona głębokość wynosząca kilka kilometrów, dlatego README każe przyciąć zakres przed zbudowaniem chmury punktów lub obrazu kolorowego. W Pythonie odwrotna głębokość jest normalizowana przez ogniskową i wynosi focallength_px / (width * depth). Strumień należy do jednego wideo i zachowuje swoje ostatnie klatki oraz swoją ogniskową, dopóki nie otworzysz nowego.

Żaden z modeli nie zastępuje czujnika głębi na powierzchni bez tekstury lub odblaskowej. Oba wnioskują skalę na podstawie przesłanek wizualnych i oba zawiodą w tych samych rodzajach miejsc z tych samych powodów.

Ile kosztuje uruchomienie obu

Praktyczna różnica tkwi w grafie zależności. Depth Pro 2 instaluje się jako pakiet Python z repozytorium GitHub za pomocą uv, udostępnia wiersz poleceń (uv run depth-pro-2 predict -i photo.jpg -o out/) oraz API Python, a także dostarcza eksporty Core ML dla Apple silicon i aplikację demonstracyjną na Maca. Repozytorium wyraźnie stwierdza, że zawiera kod do uruchamiania modeli, ale nie kod do trenowania ani ewaluacji.

Depth Anything 3 instaluje się jako pakiet edytowalny z repozytorium ByteDance Seed i udostępnia CLI (da3 auto path/to/images --export-format glb) z opcjonalnym procesem backendowym do powtarzanego wnioskowania, co jest szczegółem, który pojawia się dopiero wtedy, gdy ktoś uruchamia go w pętli.

Oba są jednofunkcyjnymi punktami kontrolnymi badań i żadnego z nich nie trzeba routować. To, co otacza etap głębi, to praca modelu językowego — opisanie sceny, decyzja, co z nią zrobić, zapisanie wyniku — i właśnie tam pojedynczy endpoint się opłaca: OrcaRouter udostępnia ponad 200 modeli hostowanych za jednym API zgodnym z OpenAI, z 0% marży ponad cennik dostawcy, więc etapy rozumowania wokół Twojego modelu głębi to jeden klucz i jeden rachunek. Punkt kontrolny głębi pozostaje zależnością, którą przypinasz; pipeline wokół niego nie musi.

Od którego zacząć

Zacznij od Depth Anything 3, jeśli rekonstruujesz scenę z kilku widoków i chcesz otrzymać kamery, mapy punktów i splaty gaussowskie w jednym wywołaniu, a także jeśli licencja Apache 2.0 w przypadku małych rozmiarów jest tym, co w ogóle umożliwia realizację projektu. Jego zestaw porównawczy ma nazwę, jego wyniki są szerokie, a małe checkpointy to jedyne elementy w tym artykule, które można licencjonować komercyjnie.

Zacznij od Depth Pro 2, jeśli odpowiedzią, której potrzebujesz, jest odległość w metrach z pojedynczej klatki lub transmisji na żywo, oraz jeśli stabilność między klatkami jest tą właściwością, bez której Twoja aplikacja nie może działać. Licz się z tym, że przytniesz głębię nieba, celowo ustalisz ogniskową i że będzie to jeszcze wczesny etap — repozytoria mają po kilkadziesiąt pobrań, kod ma jeden commit, a raport techniczny wciąż jest jedynie placeholderem.

To, czego nie daje ci żaden z modeli, to możliwe do obrony twierdzenie, że bije drugi, ponieważ żadne z laboratoriów nie przeprowadziło testu. Wybieraj na podstawie formatu wyjściowego, licencji i tego, czy twoje dane wejściowe to wideo. Na te trzy pytania odpowiedzi są znane już dziś; w przypadku rankingu nie.

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.