การ์ดเปรียบเทียบที่สร้างขึ้นสำหรับ Depth Pro และ Depth Pro 2 ซึ่งแสดงการเปิดตัวในปี 2024 ที่มี checkpoint แบบ monocular เพียงตัวเดียวที่ 0.3 วินาที และไม่มีโหมดวิดีโอ เทียบกับการเปิดตัวในปี 2026 ที่มีสี่ขนาดตั้งแต่ 24M ถึง 872M พารามิเตอร์ โหมดวิดีโอและฟีดสด และรายงานทางเทคนิคที่ยังคงถูกทำเครื่องหมายเป็นตัวยึดตำแหน่ง พร้อมโลโก้ OrcaRouter
Guides & Insights

Depth Pro 2 vs Depth Pro: คงความคมชัดไว้ แก้ไขอาการสั่นไหวแล้ว

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

Depth Pro ต้นฉบับมีปัญหาที่ไม่ปกติเมื่อใช้เป็น baseline: checkpoint ที่ Apple เผยแพร่ไม่ใช่โมเดลที่เปเปอร์อธิบายไว้ model card ระบุตรงๆ ว่า checkpoint ใน repository เป็น reference implementation ที่ถูกเทรนใหม่ และประสิทธิภาพของมันใกล้เคียงกับโมเดลที่รายงานในเปเปอร์แต่ไม่ตรงกันทุกประการ ดังนั้นการเปรียบเทียบใดๆ ระหว่าง Depth Pro 2 กับ Depth Pro จึงเป็นการเปรียบเทียบกับตัวแทนทดแทน รวมถึงการเปรียบเทียบที่อยู่ใน model card ของ Depth Pro 2 เองด้วย

เมื่อกล่าวข้อแม้ไว้เช่นนั้นแล้ว โครงร่างของการอัปเกรดก็ชัดเจนเพียงพอ Depth Pro 2 ยังคงคุณสมบัติที่ทำให้ Depth Pro โดดเด่น — ความลึกที่คมชัดบริเวณขอบวัตถุ หน่วยเป็นเมตร จากภาพเพียงภาพเดียว — และเพิ่มอีกอย่างหนึ่ง: ความลึกที่คงที่จากเฟรมหนึ่งไปยังอีกเฟรม ชื่อบทความบอกไว้อย่างตรงไปตรงมา Depth Pro คือ ความลึกเมตริกแบบโมโนคิวลาร์ที่คมชัดในเวลาไม่ถึงหนึ่งวินาที Depth Pro 2 คือ ความลึกแบบโมโนคิวลาร์เมตริกที่คมชัดและสอดคล้องเชิงเวลา ทุกการเปลี่ยนแปลงระหว่างทั้งสองล้วนเป็นไปเพื่อคำคุณศัพท์ตัวที่สอง แทบไม่มีอะไรเปลี่ยนแปลงเกี่ยวกับคำคุณศัพท์ตัวแรก

สองปี สองการเปิดตัวที่แตกต่างกันอย่างมาก

Depth Pro เปิดตัวเมื่อวันที่ 3 ตุลาคม 2024 พร้อม論文 arXiv 2410.02073 และผลลัพธ์ที่ระบุไว้: แผนที่ความลึก 2.25 เมกะพิกเซลภายใน 0.3 วินาทีบน GPU มาตรฐาน ที่เก็บโค้ดมี 568 ไลก์และยอดดาวน์โหลดมากกว่า 6,200 เล็กน้อย เปิดตัวมาในรูปแบบเช็กพอยต์เดียวชื่อ depth_pro.pt และการ์ดของมันอธิบายองค์ประกอบทางเทคนิค ได้แก่ ทรานส์ฟอร์เมอร์วิสัยทัศน์แบบหลายสเกลที่มีประสิทธิภาพสำหรับการทำนายแบบหนาแน่น โปรโตคอลการฝึกที่ผสมข้อมูลจริงและข้อมูลสังเคราะห์ เมตริกความแม่นยำของขอบเขตโดยเฉพาะ และการประมาณความยาวโฟกัสระดับล้ำสมัยจากภาพเพียงภาพเดียว

รีโพซิทอรีของ Depth Pro 2 ถูกสร้างขึ้นในเดือนพฤศจิกายน 2026 โดยการ์ดโมเดลเมื่อวันที่ 3 พฤศจิกายน เวตส์เมื่อวันที่ 5 พฤศจิกายน ไฟล์ส่งออก Core ML เมื่อวันที่ 9 พฤศจิกายน และตัวประมาณโฟกัสกับรีโพซิทอรีโค้ดเมื่อวันที่ 19 พฤศจิกายน ทั้งการ์ดและ README บน GitHub ต่างชี้ไปยังตัวระบุ arXiv ที่เป็น 261X.XXXXX ซึ่งเป็นเพียงตัวยึดตำแหน่ง ไม่ใช่ preprint ไม่มีหน้าวิจัยสำหรับสิ่งนี้บน machinelearning.apple.com — เส้นทางนั้นคืนค่า 404 — และไม่มีตัวเลข benchmark ที่ใดเลยนอกเหนือจาก scatter plot ของการ์ดเอง

พูดตรงๆ ก็คือ Depth Pro 2 เป็นการเปิดตัวน้ำหนักโมเดลพร้อมเอกสารประกอบ ไม่ใช่ผลงานตีพิมพ์ ส่วน Depth Pro เป็นบทความวิจัยพร้อมเช็กพอยต์ ถ้าคุณกำลังอ้างอิงอะไรสักอย่าง ตัวหนึ่งให้ตัวเลขกับคุณ อีกตัวให้รีโพซิทอรี

อะไรกันแน่ที่เปลี่ยนไปในสถาปัตยกรรม

Depth Pro เป็นโมเดลแบบภาพเดียว Depth Pro 2 เป็นทรานส์ฟอร์เมอร์แบบหลายมุมมองที่ประมวลผลหนึ่งเฟรมหรือมากกว่าร่วมกัน และกลไกนั้นมีความเฉพาะเจาะจง: หลังจากหนึ่งในสามแรกของบล็อก แอตเทนชันจะสลับระหว่างภายในแต่ละเฟรมและข้ามเฟรม จากนั้นตัวถอดรหัส DPT จะทำนายแผนที่ความลึกผกผันต่อเฟรม โดยประกอบโทเคนจากหลายบล็อกเป็นแผนที่คุณลักษณะที่ความละเอียดหนึ่งในสามสิบสองถึงหนึ่งในสี่ของความละเอียดอินพุต

The method figure from the Depth Pro 2 model card showing a multi-view transformer over input frames followed by a per-frame DPT decoder, with numbered annotations for alternating within-frame and across-frame attention after the first third of blocks and for decoder feature maps at one thirty-second to one quarter resolution.

นั่นคือข้อโต้แย้งเชิงสถาปัตยกรรมทั้งหมดสำหรับภาคต่อ และมันส่งผลที่มองเห็นได้ชัดในวิธีที่คุณรันโมเดล Depth Pro 2 มีโหมดวิดีโอสองโหมด โหมดบัฟเฟอร์ซึ่งเป็นค่าเริ่มต้นสำหรับไฟล์ จะประมวลผลคลิปขนาด 16 เฟรมที่ซ้อนทับกันสี่เฟรม ซึ่งช่วยให้ค่าความลึกคงที่ในจุดที่คลิปมาบรรจบกัน ส่วนโหมดไม่บัฟเฟอร์จะทำนายแต่ละเฟรมทันทีที่มาถึง โดยอาศัยเฟรมนั้นและ 15 เฟรมก่อนหน้า และเป็นโหมดสำหรับกล้องสด Apple เปิดเผยต้นทุนของเส้นทางการประมวลผลสดแทนที่จะปกปิดไว้ กล่าวคือ เฟรมแรก ๆ ของสตรีมมีเฟรมก่อนหน้าให้พิจารณาน้อยกว่า ค่าความลึกจึงคงที่น้อยกว่า

Depth Pro ไม่มีทั้งสองโหมด เพราะไม่มีการประมวลผล attention ข้ามเฟรมให้รัน ป้อนวิดีโอให้มันแล้วคุณจะได้ค่าประมาณแยกทีละเฟรม และความกะพริบระหว่างกันนั้นต้องให้คุณเรียบเอง สำหรับภาพนิ่ง นั่นไม่ใช่การสูญเสีย แต่สำหรับสิ่งใดที่มีการเคลื่อนไหว มันคือความแตกต่างที่ภาคต่อถูกสร้างขึ้นมาเพื่อปิดช่องว่างนี้

สิ่งที่ไม่เปลี่ยนแปลง

ข้อกำหนดเกี่ยวกับหน่วยเมตริกนั้นเหมือนกันทุกประการ ซึ่งเป็นข่าวดีสำหรับผู้ที่ต้องการย้ายระบบ: โมเดลทั้งสองเห็นตรงกันว่าตัวเลขเหล่านั้นหมายถึงอะไร ความลึกคือระยะทางตามแกนการมองเห็นของกล้อง — พิกัด z — ไม่ใช่ระยะทางเส้นตรงจากเลนส์ ความลึกผกผันใน Python ถูกทำให้เป็นมาตรฐานด้วยความยาวโฟกัส ซึ่งเท่ากับ focallength_px / (width * depth) ความลึกแปรผันตามความยาวโฟกัส ดังนั้นหากความยาวโฟกัสยาวเกินไป 10 เปอร์เซ็นต์ ทุกอย่างก็จะอยู่ไกลออกไป 10 เปอร์เซ็นต์ พิกเซลท้องฟ้าจะให้ค่ากลับมาเป็นความลึกอนันต์ หรือโดยเฉพาะกับโมเดลที่เล็กกว่า จะให้ค่าเป็นความลึกจำกัดที่หลายกิโลเมตร และเอกสารประกอบแนะนำให้ตัดช่วงค่าก่อนสร้างพอยต์คลาวด์

การประมาณค่าความยาวโฟกัสยังคงเป็นส่วนสำคัญอันดับต้น ๆ ของแพ็กเกจ และยังข้ามได้อยู่ รูปภาพที่บันทึกความยาวโฟกัสเทียบเท่า 35 มม. ไว้ใน EXIF จะใช้ค่านั้น ส่วนรูปอื่น ๆ ทั้งหมดจะผ่านตัวประมาณค่า Depth Pro 2 แยกตัวประมาณค่านั้นออกเป็นรีโพซิทอรีแยกต่างหากที่มีพารามิเตอร์ 23.5M ชื่อ apple/DepthPro2-focal ซึ่งโหลดควบคู่กับขนาดใดก็ได้ และยังรันแยกเดี่ยวได้ด้วย — มีประโยชน์หากคุณต้องการแก้ค่ากล้องเพียงครั้งเดียวและใช้โมเดลความลึกหลายครั้ง กับ Depth Pro ความสามารถเดียวกันนี้ถูกรวมไว้ในเช็กพอยต์เดียวโดยไม่มีวิธีแยกทั้งสองส่วนออกจากกัน

การรองรับ Core ML ยังคงมีอยู่และได้รับการปรับปรุงให้ดีขึ้น Depth Pro 2 มาพร้อมแพ็กเกจ Core ML ที่ส่งออกแล้วในรีโพซิทอรีเฉพาะ และมีแอปสาธิตบน Mac แบบมินิมอลที่แสดงภาพความลึกแบบสดจากกล้อง โดยต้องใช้ Apple silicon, macOS 15 และ Xcode 16 ซึ่งเป็นเกณฑ์ขั้นต่ำสำหรับการสาธิตที่ใช้งานได้ต่ำกว่าที่เวอร์ชันเดิมมีให้

สี่ขนาดเทียบกับจุดตรวจสอบหนึ่งจุด

ความแตกต่างเชิงปฏิบัติที่ใหญ่ที่สุดคือ Depth Pro 2 ไม่ยอมเป็นโมเดลเดียว Apple เผยแพร่ถึงสี่โมเดล พร้อมพารามิเตอร์และขนาดดาวน์โหลด:

• S — พารามิเตอร์ 24M, 97 MB เป็นจุดเริ่มต้นที่แนะนำบนแล็ปท็อป

• B — 97M พารามิเตอร์, 386 MB

• L — พารามิเตอร์ 334M, 1.3 GB

• H+ — พารามิเตอร์ 872M, 3.5 GB เป็นค่าเริ่มต้นที่ command line ดาวน์โหลด

ขนาดที่คุณเลือกไม่ได้เปลี่ยนสัญญาอนุญาตเลยแม้แต่น้อย แต่เปลี่ยนพฤติกรรมค่อนข้างมาก เนื่องจากมีเอกสารระบุว่าโมเดลที่เล็กกว่าจะสร้างความลึกของท้องฟ้าหลายกิโลเมตรที่ผิดพลาดเหล่านั้นออกมามากกว่า H+ เป็นค่าเริ่มต้นด้วยเหตุผลบางประการ แต่บนแล็ปท็อป S คือความแตกต่างระหว่างการใช้งานได้กับการใช้งานไม่ได้

Depth Pro เป็นเช็กพอยต์เดียวที่ไม่มีตัวปรับ ค่านี้ไม่ใช่คำวิจารณ์ — มันเป็นการเปิดตัวในปี 2024 และเปเปอร์รายงานผลลัพธ์ 0.3 วินาทีเพียงผลเดียว — แต่มันหมายความว่าคำถามเรื่องการย้ายระบบอย่าง "ขนาดไหน" ไม่มีคู่เทียบในฝั่งเดิม และการเปรียบเทียบใดก็ตามที่มอง "Depth Pro" เป็นหนึ่งแถวเทียบกับสี่แถว ก็กำลังทำให้การตัดสินใจจริงแบนราบไป

ตัวเลขเหล่านี้ อย่างที่มันเป็นอยู่นั้น

การ์ดของ Depth Pro 2 รายงานค่า Boundary F1 และ Jitter ที่เฉลี่ยจากชุดข้อมูล Sintel และ Spring อ้างว่ามีประสิทธิภาพเหนือกว่างานก่อนหน้าที่ทำงานบนเฟรมเดียวหรือหลายเฟรมในทั้งสองชุดข้อมูล และพล็อตการเปรียบเทียบ Depth Pro เป็นหนึ่งในเครื่องหมายบนพล็อตนั้น แกนมีป้ายกำกับ — Boundary F1 ตั้งแต่ 0 ถึง 0.3, jitter จาก 0.1 ลงไปถึง 0 — แต่ไม่มีตารางแยกรายโมเดล ดังนั้นการปรับปรุงจึงอ่านได้ประมาณระดับหนึ่งในร้อย: H+ อยู่ใกล้ Boundary F1 0.29 ที่ jitter ประมาณ 0.017, Depth Pro เดิมที่ประมาณ 0.235 และ 0.095

The tradeoff scatter published on the Depth Pro 2 model card, plotting Boundary F1 from 0 to 0.3 on the vertical axis against Jitter from 0.1 down to 0 on the horizontal axis, 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, averaged over the Sintel and Spring datasets.

ถือเป็นคำกล่าวอ้างที่ผู้ขายรายงานและยังไม่มีการทำซ้ำ ซึ่งก็เป็นเช่นนั้นจริง ยังไม่มีบุคคลที่สามรายใดเผยแพร่ตัวเลข Boundary F1 หรือ Jitter สำหรับ Depth Pro 2 และรายงานทางเทคนิคซึ่งจะเป็นตัวกำหนดโปรโตคอลการประเมินก็เป็นเพียง placeholder ในทางตรงกันข้าม Depth Pro ตัวต้นฉบับมีเมตริกขอบเขตอยู่ในโค้ดเบสของตัวเอง — eval/boundary_metrics.py เปิดให้เข้าถึง SI_boundary_F1 และ SI_boundary_Recall — ดังนั้นหากคุณต้องการรันการเปรียบเทียบด้วยตัวเอง เครื่องมือสำหรับครึ่งหนึ่งของการเปรียบเทียบนั้นเป็นสาธารณะ และเช็กพอยต์เป้าหมายเป็นเพียงโมเดลประมาณที่ฝึกใหม่จากโมเดลในเปเปอร์

สัญญาอนุญาตและประเด็นเชิงพาณิชย์

ไม่เปลี่ยนแปลง และควรค่าแก่การระบุไว้ เพราะเป็นเรื่องประเภทที่มักถูกมองข้ามในการอัปเกรด น้ำหนักของทั้งสองโมเดลอยู่ภายใต้สัญญาอนุญาต Apple Machine Learning Research Model ซึ่งรีโพซิทอรีกำหนดไว้ว่าอนุญาตให้ใช้เพื่อวัตถุประสงค์ด้านการวิจัยโดยเฉพาะ ซึ่งหมายถึงการวิจัยทางวิทยาศาสตร์ที่ไม่ใช่เชิงพาณิชย์และการพัฒนาทางวิชาการ โค้ดได้รับอนุญาตแยกต่างหาก และกิตติกรรมประกาศของ Depth Pro 2 ให้เครดิต TIMM และ DINOv3 ในฐานะรากฐานของโมเดล

ดังนั้นการอัปเกรดจึงฟรีในแง่ของสัญญาอนุญาต แต่ไม่พร้อมใช้งานในแง่ของผลิตภัณฑ์ที่ทั้งสองด้าน หากคุณกำลังปล่อยผลิตภัณฑ์เพื่อสร้างรายได้ จุดตรวจสอบทั้งสองจุดก็ไม่ใช่จุดที่ใช่ และสิ่งที่คุณต้องพูดคุยคือกับ Apple ไม่ใช่กับไฟล์สัญญาอนุญาต

การโยกย้ายอย่างเป็นรูปธรรม

Depth Pro 2 ไม่ใช่ตัวแทนที่ใช้แทน Depth Pro ได้ทันทีโดยไม่ต้องแก้ไข เพราะชื่อแพ็กเกจ จุดเข้าใช้งาน และตัวระบุโมเดลเปลี่ยนไปทั้งหมด Depth Pro ติดตั้งจาก apple/ml-depth-pro และเรียกใช้เป็น depth-pro-run -i ./data/example.jpg ส่วน Depth Pro 2 ติดตั้งจาก apple-aiml-research/ml-depth-pro-2 และเรียกใช้เป็น uv run depth-pro-2 predict -i assets/example.jpg -o out/ โดยใช้ -m depthpro2-s ถึง -m depthpro2-h สำหรับขนาด ใน Python นำเข้าเป็น depth_pro_2 และเส้นทางการสร้างคือ create_model_and_transforms หรือ DepthPro2.from_pretrained

พื้นผิวเอาต์พุตก็เปลี่ยนรูปแบบไปด้วยเช่นกัน model.infer() ของ Depth Pro คืนค่าเป็นดิกชันนารีที่มี depth และ focallength_px ส่วน infer() ของ Depth Pro 2 คืนค่า depth และความยาวโฟกัสนั้นได้มาจากตัวประมาณค่าแยกต่างหากอย่างเป็นธรรมชาติกว่า หรือส่งเข้ามาเป็น f_px เมื่อคุณมีค่านั้นอยู่แล้ว หากคุณมีไปป์ไลน์ที่เข้าไปดึงข้อมูลจากดิกชันนารีการพยากรณ์ ให้เผื่อเวลาสักครึ่งวันไว้เลย

สิ่งที่คุณได้รับจากการย้ายระบบคือ dial ปรับขนาด เส้นทางวิดีโอที่มีสองโหมดตามเอกสาร ตัวประมาณโฟกัสที่แยกออกมา และแพ็กเกจ Core ML พร้อมแอปเดโมที่ใช้งานได้ สิ่งที่คุณไม่ได้รับคือบทความ ตาราง benchmark รายโมเดล หรือการยืนยันจากอิสระว่าโมเดลใหม่ดีกว่า — มีเพียง scatter ที่มีแกนกำกับและไม่มีตารางรองรับอยู่เบื้องหลัง

ไม่มีสิ่งใดในนี้ถูกส่งผ่านเรา และไม่ควรบรรยายราวกับว่าเป็นเช่นนั้น: Depth Pro 2 คือชุดน้ำหนักที่ได้รับอนุญาตเพื่อการวิจัยจากคลังของ Apple เอง จุดที่ชั้นการกำหนดเส้นทาง (routing layer) พิสูจน์คุณค่าของตัวเองคืออีกหนึ่งขั้นถัดออกไป — คำอธิบายฉาก การตัดสินใจ และการเขียนสรุปรอบขั้นตอน depth ของคุณ ล้วนเป็นการเรียกใช้แบบจำลองภาษา และ OrcaRouter วางโมเดลที่โฮสต์ไว้กว่า 200 โมเดลไว้บนคีย์เดียว โดยบวกเพิ่ม 0% จากราคาลิสต์ของผู้ให้บริการ พร้อมกับ การสลับสำรองอัตโนมัติข้ามผู้ให้บริการ ดังนั้นเช็กพอยต์งานวิจัยที่ไม่มีจังหวะการเผยแพร่จึงเป็นสิ่งเดียวที่เปราะบางในไปป์ไลน์ แทนที่จะเป็นหนึ่งในหลายสิ่ง

ถ้าคุณใช้ Depth Pro อยู่และมันทำงานได้ เหตุผลที่จะย้ายไปคือวิดีโอ ถ้าคุณใช้ Depth Pro อยู่และคุณใช้งานเฉพาะภาพนิ่ง ความคมชัดที่คุณมีอยู่ก็คือความคมชัดที่ภาคต่ออ้างว่าคงไว้ และสิ่งที่ตรงไปตรงมาที่สุดคือรอรายงานทางเทคนิคก่อนที่คุณจะเสียเวลาหนึ่งบ่ายไปกับการเปลี่ยนชื่อ import

A generated two-column scoreboard comparing Depth Pro and Depth Pro 2 across six dimensions: release date and paper, parameter count, video modes, focal length estimation, Core ML export and licence, with a footer noting that Depth Pro 2's figures are vendor-reported and its technical report is still a placeholder.
© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube