Ett genererat titelkort med rubriken Depth Pro 2 vs UniDepth V2 i stor mörk geometrisk stil, med underrubriken En modell, eller en familj du själv måste dimensionera under den, ovanför en tunn blå-till-cyan-gradientbar.
Guides & Insights

Depth Pro 2 vs UniDepth V2: En modell eller en hel familj

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Det intressanta med Depth Pro 2 är inte att den uppskattar djup. Det gör UniDepth V2, rapporterar det på tio dataset i en zero-shot-regim och har gjort det sedan artikeln publicerades som arXiv 2502.20110 i februari 2025. Det intressanta är att Depth Pro 2 vägrar vara en enda modell. Apple släppte den i fyra storlekar plus en brännviddsuppskattare plus en Core ML-export, och storleken du väljer förändrar vad modellen kan göra med dig nästan lika mycket som vilken modell du valde.

Båda är metriska monokulära estimatorer som tränats att fungera på bilder de aldrig har sett. Depth Pro 2 returnerar djup i meter längs kamerans synaxel; UniDepth V2 returnerar metriskt djup och ett punktmoln i kamerakoordinater, tillsammans med de intrinsiska parametrar den härledde. Båda uppskattar kameran i stället för att kräva den. Jämförelsen som spelar roll är inte noggrannhet – de två labben har inte kört ett gemensamt benchmark – utan hur mycket av driftsättningsbeslutet var och en lämnar till dig.

Fyra storlekar mot tre backbones

UniDepth V2:s modellzoo består av tre checkpoints: unidepth-v2-vits14, unidepth-v2-vitb14 och unidepth-v2-vitl14, en per ViT-backbone-storlek. Artikeln beskriver en självpromptbar kameramodul som förutsäger en tät kamerarepresentation för att konditionera djupdragen, en pseudosfärisk utdata som separerar kamera- och djuprepresentationer, en kantvägledd förlust som ärvts från UniDepth V1, och en osäkerhetsutdata. Modellen accepterar kända intrinsics eller en kameraklass – Pinhole, Fisheye624 – och hoppar över prediktionen när du anger dem.

Depth Pro 2:s fyra storlekar är S med 24M parametrar och 97 MB, B med 97M och 386 MB, L med 334M och 1,3 GB samt H+ med 872M och 3,5 GB. Konfigurationsfilerna gör skalningen konkret: S och B kör DINOv3 ViT-S- och ViT-B-ryggradsnät och tillämpar attention över bildrutor i block 5, 7, 9 och 11; L kör ViT-L och tillämpar attention i block 9 till 23; H+ kör ViT-H+ och tillämpar attention i block 11 till 31. Dekoderdimensionen fördubblas från 64 på S till 128 på B och 256 på både L och H+.

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.

• Parameterspridning — UniDepth V2 omfattar tre ViT-storlekar utan publicerade parameterantal på modellkortet; Depth Pro 2 omfattar 24M till 872M med antalen i README.

• Standardcheckpoint — Depth Pro 2 använder H+ som standard vid 3,5 GB; UniDepth V2 överlåter valet till anroparen.

• Exportmål — Depth Pro 2 levererar Core ML-paket för Apple-hårdvara och en separat brännviddsuppskattare med 23,5 M parametrar; UniDepth V2 levererar ONNX-stöd.

• Kameramodell — UniDepth V2 tillhandahåller klasserna Pinhole och Fisheye624 och accepterar kända intrinsiska parametrar; Depth Pro 2 antar en perspektivkamera, läser EXIF eller uppskattar brännvidden med den separata modellen.

• Osäkerhet — UniDepth V2 returnerar en konfidensutdata; Depth Pro 2 gör det inte.

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.

Härstamningen på metrisk skala går i motsatt riktning.

UniDepth V2 är en förfinning av en metrisk djupdesign, och artikeln är tydlig med att V2:s uppgift var att göra arkitekturen enklare och effektivare samtidigt som den lade till skarpare kanter genom den kantstyrda lokala SSI:n, flexibla inmatningsformer och -förhållanden via en inställning för upplösningsnivå, snabbare inferens, ONNX-stöd och de nya kameramodellerna. De rapporterade zero-shot-siffrorna, där högre är bättre på delta-1-måttet, är 98,8 på NYUv2, 96,4 på SUN-RGBD, 85,2 på ETH3D, 94,5 på iBims-1, 98,9 på KITTI, 87,0 på Nuscenes och 88,2 på DDAD, över totalt tio datamängder. Dessa är leverantörsrapporterade och har inte reproducerats här.

Depth Pro 2 når metrisk skala från andra hållet. Den ursprungliga Depth Pro var en grundmodell för zero-shot-metriskt djup som producerade kartor på 2,25 megapixlar på 0,3 sekunder och uppskattade brännvidden från en enda bild, och Depth Pro 2:s bidrag är inte skala utan konsekvens – skarpa gränser och stabilt djup över bildrutor. Det finns ingen publicerad delta-1-tabell för den. Projektsidan anger Boundary F1 och Jitter som de mått den påstår sig vinna och anger inga värden, och citeringsblocket pekar fortfarande på arXiv:261X.XXXXX, en platshållare snarare än en artikel.

Så de två modellerna konkurrerar inte på samma axel. UniDepth V2 är en djupestimator med en stark, tabellredovisad zero-shot-berättelse. Depth Pro 2 är en djupestimator som har gjorts tidsmässigt stabil, och beviset för det är ett diagram och ett påstående. Om din utvärdering är "vilken som har siffror som jag kan sätta in i ett upphandlingsdokument" har UniDepth V2 dem, medan Depth Pro 2 ännu inte har det.

Vad utdata faktiskt ger dig

Skillnaden i utdatans form är större än den ser ut. UniDepth V2 ger dig ett punktmoln som redan är uttryckt i kamerakoordinater, med de intrinsics som gör det meningsfullt och en osäkerhetskanal som du kan sätta ett tröskelvärde på. Depth Pro 2 ger dig en djupkarta plus den brännvidd den har valt, vilket innebär att konverteringen till 3D är din att skriva och din att göra fel. Om du producerar tillgångar sparar UniDepth V2 ett steg. Om du producerar djup – en matte, en AR-ocklusionsmask, en fokusdragning – är den extra strukturen arbete du inte behövde.

Ingen av modellerna ersätter en djupgivare på en texturlös eller reflekterande yta. Båda uppskattar skalan utifrån visuella bevis, och båda kommer att ha fel på samma ställen av samma skäl.

Licensiering och den kommersiella frågan

UniDepth V2 släpps under Creative Commons BY-NC 4.0, som är icke-kommersiell. Vikterna för Depth Pro 2 omfattas av Apple Machine Learning Research Model-licensen, som repot definierar som endast forskningsanvändning – icke-kommersiell vetenskaplig forskning och akademisk utveckling. I licensfrågan står de två på samma plats: ingen av dem är en produktlicens, och båda behöver ett juridiskt samtal innan de kommer i närheten av intäkter.

Skillnaden ligger i det som omger dem. UniDepth V2:s kodförråd är referensimplementationen och modellkortet hänvisar till det för dokumentation; Depth Pro 2 levereras som ett pip-installerbart paket med ett kommandoradsgränssnitt, ett Python-API, en Mac-demapp och ett uttryckligt uttalande om att förrådet innehåller kod för att köra modellerna men inte tränings- eller utvärderingskod. Om du utvärderar "hur snabbt ett team kan bli produktivt med detta" har Depth Pro 2 gjort mer av det arbetet.

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.

Var detta landar i ett verkligt system är vanligtvis på samma plats varje gång: djupmodellen är ett anrop i en pipeline, och pipelinen runt den är där kostnaden och skörheten ligger. OrcaRouter sätter 217 modeller bakom en enda OpenAI-kompatibel slutpunkt till 0 % påslag – leverantörens listpris går igenom oförändrat – och lägger till automatiskt failover mellan leverantörer, så ett djupsteg som måste degradera smidigt kan göra det utan ett andra leverantörsavtal. Routning är inte den intressanta delen av en djupipeline, men det är den del som avgör om pipelinen hålls uppe.

Hur man väljer

Välj UniDepth V2 när du vill ha djup och geometri tillsammans, när du har en kameramodell som du kan ange, och när du behöver siffror som du kan hänvisa till. Utvärderingen på tio datamängder är det starkaste publicerade beviset som någon av modellerna har, och konfidensutdata är verkligen användbar för att filtrera bort dåliga förutsägelser nedströms.

Välj Depth Pro 2 när du vill ha ett storleksreglage och en väg för video. Att börja med S på en bärbar dator och sedan gå vidare till H+ på en server är ett verkligt arbetsflöde som Apple dokumenterar, och den separata brännviddsuppskattaren innebär att du kan köra kameraberäkningen en gång och återanvända den. Designen för temporal konsistens lönar sig dock bara för video – på stillbilder betalar du för uppmärksamhet mellan bildrutor som du aldrig använder.

Det du inte bör göra är att läsa en jämförelse av dessa två som rangordnar dem. Det finns inget gemensamt benchmark, och de mätvärden varje labb valde är de mätvärden varje labb är bra på. Om du behöver fatta ett beslut idag är det utdataformatet och licensen som får avgöra, inte en vinnare.