Wygenerowana karta tytułowa z nagłówkiem Depth Pro 2 vs UniDepth V2 dużym ciemnym geometrycznym krojem pisma, z podtytułem Jeden model albo rodzina, w której sam musisz dobrać rozmiar pod nim, nad cienkim paskiem gradientu od niebieskiego do cyjanu.
Guides & Insights

Depth Pro 2 vs UniDepth V2: jeden model czy cała rodzina?

Autor

jinhao.song

Data publikacji

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

Ciekawe w Depth Pro 2 nie jest to, że szacuje głębokość. UniDepth V2 robi to, raportuje to na dziesięciu zbiorach danych w trybie zero-shot i robi to od czasu, gdy jego artykuł ukazał się jako arXiv 2502.20110 w lutym 2025 r. Ciekawe jest to, że Depth Pro 2 nie chce być jednym modelem. Apple dostarczyło go w czterech rozmiarach plus estymator ogniskowej plus eksport do Core ML, a wybrany rozmiar zmienia to, co model może ci zrobić, prawie tak samo jak to, który model wybrałeś.

Oba są metrycznymi estymatorami monokularowymi wytrenowanymi do pracy na obrazach, których nigdy nie widziały. Depth Pro 2 zwraca głębię w metrach wzdłuż osi patrzenia kamery; UniDepth V2 zwraca głębię metryczną i chmurę punktów we współrzędnych kamery wraz z wywnioskowanymi parametrami wewnętrznymi. Oba szacują parametry kamery, zamiast wymagać ich podania. Istotne porównanie nie dotyczy dokładności — oba laboratoria nie przeprowadziły wspólnego benchmarku — lecz tego, jak dużą część decyzji wdrożeniowej każdy z nich pozostawia Tobie.

Cztery rozmiary w porównaniu z trzema szkieletami

Zoo modeli UniDepth V2 to trzy checkpointy: unidepth-v2-vits14, unidepth-v2-vitb14 i unidepth-v2-vitl14 — po jednym dla każdego rozmiaru szkieletu ViT. W artykule opisano moduł kamery z samodzielnym promptowaniem, który przewiduje gęstą reprezentację kamery, aby warunkować cechy głębi, wyjście pseudosferyczne rozdzielające reprezentacje kamery i głębi, stratę z przewodnictwem krawędziowym odziedziczoną z UniDepth V1 oraz wyjście niepewności. Model przyjmuje znane parametry wewnętrzne lub klasę kamery — Pinhole, Fisheye624 — i pomija predykcję, gdy je podasz.

{{1}}Cztery rozmiary Depth Pro 2 to {{2}}S{{/2}} z 24 mln parametrów i 97 MB, {{3}}B{{/3}} z 97 mln i 386 MB, {{4}}L{{/4}} z 334 mln i 1,3 GB oraz {{5}}H+{{/5}} z 872 mln i 3,5 GB.{{/1}} {{6}}Pliki konfiguracyjne konkretyzują skalowanie: {{7}}S{{/7}} i {{8}}B{{/8}} korzystają ze szkieletów DINOv3 ViT-S i ViT-B i stosują mechanizm uwagi między klatkami na blokach 5, 7, 9 i 11; {{9}}L{{/9}} korzysta z ViT-L i stosuje mechanizm uwagi na blokach od 9 do 23; {{10}}H+{{/10}} korzysta z ViT-H+ i stosuje mechanizm uwagi na blokach od 11 do 31.{{/6}} {{11}}Wymiar dekodera podwaja się z 64 w {{12}}S{{/12}} do 128 w {{13}}B{{/13}} i 256 zarówno w {{14}}L{{/14}}, jak i w {{15}}H+{{/15}}.{{/11}}

A screenshot of the Hugging Face model card for apple/DepthPro2, captured November 20 2026, showing the four size variants with their parameter counts and file sizes.

• Zakres parametrów — UniDepth V2 obejmuje trzy rozmiary ViT, przy czym na karcie modelu nie podano liczby parametrów; Depth Pro 2 obejmuje od 24M do 872M, a liczby te podano w README.

• Domyślny checkpoint — Depth Pro 2 domyślnie używa H+ przy 3,5 GB; UniDepth V2 pozostawia wybór wywołującemu.

• Cele eksportu — Depth Pro 2 dostarcza pakiety Core ML dla sprzętu Apple oraz osobny estymator ogniskowej z 23,5 mln parametrów; UniDepth V2 zapewnia obsługę ONNX.

• Model kamery — UniDepth V2 udostępnia klasy Pinhole i Fisheye624 oraz akceptuje znane parametry wewnętrzne; Depth Pro 2 zakłada kamerę perspektywiczną, odczytuje EXIF lub szacuje ogniskową za pomocą osobnego modelu.

• Niepewność — UniDepth V2 zwraca wynik pewności; Depth Pro 2 tego nie robi.

A screenshot of the Hugging Face model card for UniDepth V2, captured November 20 2026, showing the unidepth-v2-vits14, unidepth-v2-vitb14 and unidepth-v2-vitl14 checkpoints.

Rodowód w skali metrycznej przebiega w przeciwnym kierunku.

UniDepth V2 to udoskonalenie projektu głębi metrycznej, a w artykule wyraźnie zaznaczono, że zadaniem V2 było uproszczenie i zwiększenie wydajności architektury przy jednoczesnym dodaniu ostrzejszych krawędzi dzięki lokalnemu SSI sterowanemu krawędziami, elastycznym kształtom i proporcjom wejścia poprzez ustawienie poziomu rozdzielczości, szybszemu wnioskowaniu, obsłudze ONNX oraz nowym modelom kamery. Podane liczby zero-shot, gdzie wyższa wartość jest lepsza w metryce delta-1, wynoszą 98,8 na NYUv2, 96,4 na SUN-RGBD, 85,2 na ETH3D, 94,5 na iBims-1, 98,9 na KITTI, 87,0 na Nuscenes i 88,2 na DDAD, łącznie w dziesięciu zbiorach danych. Są to wartości podane przez dostawcę i nie zostały tutaj odtworzone.

Depth Pro 2 podchodzi do skali metrycznej z drugiej strony. Oryginalny Depth Pro był modelem bazowym do głębi metrycznej zero-shot, który tworzył mapy o rozdzielczości 2,25 megapiksela w 0,3 sekundy i szacował ogniskową z pojedynczego obrazu, a wkładem Depth Pro 2 nie jest skala, lecz spójność — ostre granice i stabilna głębia między klatkami. Nie opublikowano dla niego tabeli delta-1. Strona projektu wymienia Boundary F1 i Jitter jako metryki, w których twierdzi, że wygrywa, i nie podaje żadnych wartości, a blok cytowania nadal wskazuje na arXiv:261X.XXXXX, placeholder, a nie artykuł.

Zatem oba modele nie konkurują na tej samej osi. UniDepth V2 to estymator głębi z mocną, udokumentowaną w tabelach historią zero-shot. Depth Pro 2 to estymator głębi, który uczyniono stabilnym w czasie, a dowodem na to jest wykres i twierdzenie. Jeśli twoja ocena brzmi: „który ma liczby, które mogę umieścić w dokumencie przetargowym”, to UniDepth V2 je ma, a Depth Pro 2 jeszcze nie.

Co tak naprawdę daje ci wynik

Różnica w kształcie danych wyjściowych jest większa, niż się wydaje. UniDepth V2 daje chmurę punktów już wyrażoną we współrzędnych kamery, wraz z parametrami wewnętrznymi, które nadają jej sens, oraz kanałem niepewności, na którym można ustawić próg. Depth Pro 2 daje mapę głębi plus ogniskową, na której się zatrzymał, co oznacza, że konwersję do 3D musisz napisać sam i sam możesz ją zepsuć. Jeśli tworzysz zasoby, UniDepth V2 oszczędza jeden etap. Jeśli tworzysz dane głębi — matte, maskę okluzji AR, focus pull — dodatkowa struktura to praca, której nie potrzebowałeś.

Żaden z modeli nie zastępuje czujnika głębi na powierzchni bezteksturowej ani odblaskowej. Oba szacują skalę na podstawie przesłanek wizualnych i oba będą się mylić w tych samych miejscach z tych samych powodów.

Licencjonowanie i kwestia komercyjna

UniDepth V2 jest udostępniany na licencji Creative Commons BY-NC 4.0, która ma charakter niekomercyjny. Wagi Depth Pro 2 podlegają licencji Apple Machine Learning Research Model, którą repozytorium określa jako przeznaczoną wyłącznie do użytku badawczego — niekomercyjnych badań naukowych i rozwoju akademickiego. W kwestii licencjonowania oba rozwiązania znajdują się w tym samym miejscu: żadne nie jest licencją produktową i oba wymagają konsultacji prawnej, zanim zaczną mieć jakikolwiek związek z przychodami.

Różnica tkwi w tym, co je otacza. Repozytorium kodu UniDepth V2 to implementacja referencyjna, a karta modelu wskazuje je jako dokumentację; Depth Pro 2 dostarcza pakiet instalowalny przez pip z wierszem poleceń, API w Pythonie, aplikacją demonstracyjną na Maca oraz wyraźnym stwierdzeniem, że repozytorium zawiera kod do uruchamiania modeli, ale nie kod do trenowania ani ewaluacji. Jeśli oceniasz „jak szybko zespół może być produktywny z tym”, Depth Pro 2 wykonał więcej tej pracy.

A screenshot of the GitHub repository page for the UniDepth V2 reference implementation, captured November 20 2026, showing the README, the ONNX export notes and the license notice.

To, gdzie to trafia w realnym systemie, zazwyczaj wygląda tak samo za każdym razem: model głębokości to jedno wywołanie w potoku, a to, co go otacza, czyli sam potok, jest miejscem, w którym kryją się koszty i kruchość. OrcaRouter umieszcza 217 modeli za jednym punktem końcowym zgodnym z OpenAI przy 0% marży — cena katalogowa dostawcy przechodzi bez zmian — i dodaje automatyczne przełączanie awaryjne między dostawcami, dzięki czemu etap głębokości, który musi degradować się w sposób kontrolowany, może to robić bez drugiej umowy z dostawcą. Routing nie jest najciekawszą częścią potoku głębokości, ale to właśnie on decyduje o tym, czy potok pozostanie sprawny.

Jak wybrać

Wybierz UniDepth V2, gdy chcesz mieć głębię i geometrię razem, gdy dysponujesz modelem kamery, który możesz podać, oraz gdy potrzebujesz liczb, na które możesz się powołać. Ewaluacja na dziesięciu zbiorach danych jest najsilniejszym opublikowanym dowodem, jakim dysponuje którykolwiek z tych modeli, a wynik pewności jest naprawdę przydatny do filtrowania błędnych przewidywań na dalszym etapie przetwarzania.

Wybierz Depth Pro 2, gdy chcesz mieć regulację rozmiaru i ścieżkę wideo. Zaczęcie od S na laptopie i przejście na H+ na serwerze to realny workflow, który Apple dokumentuje, a osobny estymator ogniskowej oznacza, że możesz raz wykonać rozwiązanie kamery i używać go ponownie. Projekt spójności czasowej zwraca się jednak tylko w wideo — na zdjęciach płacisz za międzyklatkową uwagę, której nigdy nie używasz.

Nie powinieneś czytać porównania tych dwóch, które je szereguje. Nie istnieje wspólny benchmark, a metryki wybrane przez każde laboratorium to te, w których jest ono dobre. Jeśli potrzebujesz decyzji już dziś, czynnikami rozstrzygającymi są format wyjściowy i licencja, a nie zwycięzca.