การ์ดชื่อเรื่องที่สร้างขึ้นซึ่งมีหัวเรื่องว่า Depth Pro 2 vs UniDepth V2 ในตัวอักษรเรขาคณิตสีเข้มขนาดใหญ่ พร้อมคำบรรยายใต้หัวข้อว่า หนึ่งโมเดล หรือทั้งครอบครัวที่คุณต้องเลือกขนาดเอง ซึ่งอยู่ใต้หัวข้อนั้นและเหนือแถบไล่ระดับสีน้ำเงินถึงฟ้าไซแอนแบบบาง
Guides & Insights

Depth Pro 2 กับ UniDepth V2: โมเดลเดียวหรือทั้งครอบครัว

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

สิ่งที่น่าสนใจเกี่ยวกับ Depth Pro 2 ไม่ใช่การที่มันประมาณความลึกได้ UniDepth V2 ทำแบบนั้น รายงานผลบนชุดข้อมูลสิบชุดในสภาวะ zero-shot และทำเช่นนี้มาตั้งแต่เปเปอร์ของมันปรากฏเป็น arXiv 2502.20110 ในเดือนกุมภาพันธ์ 2025 สิ่งที่น่าสนใจคือ Depth Pro 2 ไม่ยอมเป็นโมเดลเดียว Apple เปิดตัวมันในสี่ขนาด บวกตัวประมาณความยาวโฟกัส บวกการส่งออกเป็น Core ML และขนาดที่คุณเลือกเปลี่ยนสิ่งที่โมเดลทำกับคุณได้แทบจะพอ ๆ กับว่าคุณเลือกโมเดลไหน

ทั้งคู่เป็นตัวประมาณค่าความลึกแบบโมโนคิวลาร์ที่ให้ค่าหน่วยเมตริกและได้รับการฝึกให้ทำงานกับภาพที่ไม่เคยเห็นมาก่อน {{1}}Depth Pro 2{{/1}} คืนค่าความลึกเป็นเมตรตามแกนการมองของกล้อง ส่วน {{2}}UniDepth V2{{/2}} คืนค่าความลึกแบบเมตริกและพอยต์คลาวด์ในพิกัดของกล้อง พร้อมกับพารามิเตอร์ภายในที่มันอนุมานได้ ทั้งคู่ประมาณค่ากล้องแทนที่จะต้องมีข้อมูลกล้องอยู่แล้ว สิ่งที่สำคัญในการเปรียบเทียบไม่ใช่ความแม่นยำ — สองแล็บยังไม่ได้รันเบนช์มาร์กร่วมกัน — แต่เป็นว่าแต่ละตัวเปิดให้คุณตัดสินใจเรื่องการนำไปใช้งานได้มากแค่ไหน

สี่ขนาดเทียบกับสามแบ็กโบน

โมเดลซูของ UniDepth V2 ประกอบด้วยเช็กพอยต์สามตัว ได้แก่ unidepth-v2-vits14, unidepth-v2-vitb14 และ unidepth-v2-vitl14 หนึ่งตัวต่อขนาดแบ็กโบน ViT หนึ่งขนาด บทความอธิบายโมดูลกล้องที่สามารถพรอมต์ได้ด้วยตนเองซึ่งทำนายการแทนค่ากล้องแบบหนาแน่นเพื่อกำหนดเงื่อนไขให้ฟีเจอร์ความลึก เอาต์พุตแบบกึ่งทรงกลมที่แยกการแทนค่ากล้องออกจากการแทนค่าความลึก ฟังก์ชัน loss ที่นำทางด้วยขอบซึ่งสืบทอดมาจาก UniDepth V1 และเอาต์พุตความไม่แน่นอน โมเดลรับค่าอินทรินซิกที่ทราบแล้วหรือคลาสกล้อง — Pinhole, Fisheye624 — และจะข้ามการทำนายเมื่อคุณส่งค่าเหล่านี้มาให้

ขนาดทั้งสี่ของ Depth Pro 2 ได้แก่ S ที่ 24M พารามิเตอร์และ 97 MB, B ที่ 97M และ 386 MB, L ที่ 334M และ 1.3 GB และ H+ ที่ 872M และ 3.5 GB ไฟล์การกำหนดค่าทำให้เห็นการขยายขนาดอย่างเป็นรูปธรรม: S และ B ใช้แบ็กโบน DINOv3 ViT-S และ ViT-B และทำ attention ข้ามเฟรมที่บล็อก 5, 7, 9 และ 11; L ใช้ ViT-L และทำ attention ที่บล็อก 9 ถึง 23; H+ ใช้ ViT-H+ และทำ attention ที่บล็อก 11 ถึง 31 มิติของตัวถอดรหัสเพิ่มขึ้นเป็นสองเท่าจาก 64 บน S เป็น 128 บน B และ 256 ทั้งบน L และ 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.

• ช่วงพารามิเตอร์ — UniDepth V2 ครอบคลุมขนาด ViT สามขนาด โดยไม่มีจำนวนที่เผยแพร่บน model card; Depth Pro 2 ครอบคลุมตั้งแต่ 24M ถึง 872M โดยมีจำนวนระบุไว้ใน README

• ค่าเริ่มต้นของ checkpoint — Depth Pro 2 ใช้ค่าเริ่มต้นเป็น H+ ที่ 3.5 GB; ส่วน UniDepth V2 เปิดโอกาสให้ผู้เรียกเป็นผู้เลือกเอง

• เป้าหมายการส่งออก — Depth Pro 2 มาพร้อมแพ็กเกจ Core ML สำหรับฮาร์ดแวร์ Apple และตัวประมาณความยาวโฟกัสแยกต่างหากที่มีพารามิเตอร์ 23.5M; UniDepth V2 มาพร้อมการรองรับ ONNX

• โมเดลกล้อง — UniDepth V2 มีคลาส Pinhole และ Fisheye624 และรองรับค่าพารามิเตอร์ภายในกล้องที่ทราบค่า; Depth Pro 2 สมมติว่าเป็นกล้องแบบเพอร์สเปกทีฟ อ่าน EXIF หรือประมาณความยาวโฟกัสด้วยโมเดลแยกต่างหาก

• ความไม่แน่นอน — UniDepth V2 ให้ผลลัพธ์เป็นค่าความเชื่อมั่น ส่วน Depth Pro 2 ไม่มี

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.

สายสัมพันธ์ระดับเมตริกนั้นไปในทิศทางตรงกันข้าม

UniDepth V2 เป็นการปรับปรุงการออกแบบความลึกแบบเมตริก และบทความระบุชัดเจนว่าหน้าที่ของ V2 คือทำให้สถาปัตยกรรมเรียบง่ายและมีประสิทธิภาพมากขึ้น พร้อมเพิ่มขอบที่คมชัดขึ้นผ่าน edge-guided local SSI, รองรับรูปร่างและอัตราส่วนอินพุตที่ยืดหยุ่นผ่านการตั้งค่าระดับความละเอียด, การอนุมานที่เร็วขึ้น, การรองรับ ONNX และโมเดลกล้องใหม่ ตัวเลข zero-shot ที่รายงานไว้ ซึ่งยิ่งสูงยิ่งดีในตัวชี้วัด delta-1 คือ 98.8 บน NYUv2, 96.4 บน SUN-RGBD, 85.2 บน ETH3D, 94.5 บน iBims-1, 98.9 บน KITTI, 87.0 บน Nuscenes และ 88.2 บน DDAD จากชุดข้อมูลทั้งหมดสิบชุด ตัวเลขเหล่านี้เป็นข้อมูลที่ผู้จำหน่ายรายงานและไม่ได้ทำการทำซ้ำที่นี่

Depth Pro 2 มาในระดับเมตริกจากอีกทิศทางหนึ่ง Depth Pro ต้นฉบับเป็นโมเดลพื้นฐานสำหรับความลึกแบบเมตริกแบบ zero-shot ที่สร้างแผนที่ความละเอียด 2.25 ล้านพิกเซลได้ใน 0.3 วินาที และประมาณความยาวโฟกัสจากภาพเพียงภาพเดียว ส่วนสิ่งที่ Depth Pro 2 นำเสนอไม่ใช่เรื่องสเกล แต่เป็นความสอดคล้อง — ขอบเขตที่คมชัดและความลึกที่มั่นคงตลอดทุกเฟรม ไม่มีตาราง delta-1 ที่เผยแพร่สำหรับมัน หน้าโปรเจกต์ระบุ Boundary F1 และ Jitter เป็นเมตริกที่อ้างว่าชนะ โดยไม่ให้ค่าใด ๆ และบล็อกการอ้างอิงยังชี้ไปที่ arXiv:261X.XXXXX ซึ่งเป็นตัวยึดตำแหน่งไม่ใช่บทความ

ดังนั้นสองโมเดลนี้ไม่ได้แข่งขันกันบนแกนเดียวกัน UniDepth V2 เป็นตัวประมาณความลึกที่มีเรื่องราว zero-shot ที่แข็งแกร่งและมีตารางตัวเลขรองรับ Depth Pro 2 เป็นตัวประมาณความลึกที่ถูกทำให้เสถียรตามเวลา และหลักฐานสำหรับสิ่งนั้นคือแผนภูมิและคำกล่าวอ้าง หากการประเมินของคุณคือ "ตัวไหนมีตัวเลขที่ฉันใส่ในเอกสารจัดซื้อได้" UniDepth V2 มี และ Depth Pro 2 ยังไม่มี

สิ่งที่เอาต์พุตให้คุณจริง ๆ

ความแตกต่างของรูปร่างเอาต์พุตนั้นใหญ่กว่าที่เห็น UniDepth V2 ให้พอยต์คลาวด์ที่อยู่ในพิกัดกล้องอยู่แล้ว พร้อมอินทรินซิกส์ที่ทำให้มันมีความหมาย และช่องความไม่แน่นอนที่คุณตั้งเกณฑ์ได้ Depth Pro 2 ให้แผนที่ความลึกบวกความยาวโฟกัสที่มันเลือกไว้ ซึ่งหมายความว่าการแปลงเป็น 3D เป็นสิ่งที่คุณต้องเขียนเองและเสี่ยงทำผิดเอง หากคุณผลิตแอสเซ็ต UniDepth V2 ช่วยลดขั้นตอนหนึ่ง หากคุณผลิตความลึก — การแมตต์, มาสก์การบดบังสำหรับ AR, การดึงโฟกัส — โครงสร้างที่เพิ่มขึ้นมาคืองานที่คุณไม่จำเป็นต้องทำ

ไม่มีโมเดลใดทดแทนเซ็นเซอร์วัดความลึกได้บนพื้นผิวที่ไม่มีลวดลายหรือพื้นผิวสะท้อนแสง ทั้งสองโมเดลกำลังประมาณสเกลจากหลักฐานเชิงภาพ และทั้งคู่จะผิดในจุดเดียวกันด้วยเหตุผลเดียวกัน

การอนุญาตให้ใช้สิทธิ และประเด็นเชิงพาณิชย์

UniDepth V2 เผยแพร่ภายใต้ Creative Commons BY-NC 4.0 ซึ่งเป็นแบบไม่เชิงพาณิชย์ เวตของ Depth Pro 2 อยู่ภายใต้สัญญาอนุญาต Apple Machine Learning Research Model ซึ่งรีโพซิทอรีกำหนดว่าใช้เพื่อการวิจัยเท่านั้น — การวิจัยทางวิทยาศาสตร์ที่ไม่ใช่เชิงพาณิชย์และการพัฒนาทางวิชาการ ในประเด็นเรื่องสิทธิ์การใช้งาน ทั้งสองอยู่ในสถานะเดียวกัน: ไม่มีตัวใดเป็นสัญญาอนุญาตสำหรับผลิตภัณฑ์ และทั้งคู่จำเป็นต้องมีการหารือทางกฎหมายก่อนที่จะเกี่ยวข้องกับรายได้

ความแตกต่างอยู่ที่สิ่งแวดล้อมโดยรอบ UniDepth V2 ที่เก็บโค้ดเป็น implementation อ้างอิง และ model card ชี้ไปที่ที่เก็บโค้ดนั้นสำหรับเอกสารประกอบ ขณะที่ Depth Pro 2 มาพร้อมแพ็กเกจที่ติดตั้งผ่าน pip ได้ ซึ่งมี command line, Python API, แอปเดโมสำหรับ Mac และข้อความระบุชัดเจนว่าที่เก็บโค้ดมีโค้ดสำหรับรันโมเดล แต่ไม่มีโค้ดสำหรับการฝึกหรือการประเมินผล หากคุณกำลังประเมินว่า "ทีมหนึ่งจะทำงานได้อย่างมีประสิทธิผลกับสิ่งนี้ได้เร็วแค่ไหน" Depth Pro 2 ได้ทำงานในส่วนนั้นมามากกว่า

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.

ในระบบจริง สิ่งนี้มักลงเอยที่จุดเดียวกันเสมอ: โมเดล depth เป็นเพียงการเรียกหนึ่งครั้งในไปป์ไลน์ และไปป์ไลน์ที่อยู่รอบ ๆ มันคือที่ที่ต้นทุนและความเปราะบางอยู่อาศัย OrcaRouter วาง217 โมเดลไว้เบื้องหลัง endpoint เดียวที่เข้ากันได้กับ OpenAIที่มาร์กอัป 0% — ราคาตามรายการของผู้ให้บริการส่งผ่านไปโดยไม่เปลี่ยนแปลง — และเพิ่มการสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดปัญหา เพื่อให้ขั้นตอน depth ที่จำเป็นต้องลดระดับอย่างนุ่มนวลสามารถทำได้โดยไม่ต้องมีสัญญากับผู้ขายรายที่สอง การกำหนดเส้นทางไม่ใช่ส่วนที่น่าสนใจของไปป์ไลน์ depth แต่เป็นส่วนที่ตัดสินว่าไปป์ไลน์จะยังคงทำงานอยู่หรือไม่

วิธีการเลือก

เลือก UniDepth V2 เมื่อคุณต้องการความลึกและเรขาคณิตไปพร้อมกัน เมื่อคุณมีโมเดลกล้องที่สามารถระบุได้ และเมื่อคุณต้องการตัวเลขที่สามารถอ้างอิงได้ การประเมินบนชุดข้อมูลสิบชุดเป็นหลักฐานที่เผยแพร่แล้วซึ่งแข็งแกร่งที่สุดเท่าที่ทั้งสองโมเดลมี และผลลัพธ์ความเชื่อมั่นนั้นมีประโยชน์อย่างแท้จริงสำหรับการกรองคำทำนายที่ไม่ดีในขั้นตอนถัดไป

เลือก Depth Pro 2 เมื่อคุณต้องการปุ่มปรับขนาดและเส้นทางวิดีโอ การเริ่มต้นด้วย S บนแล็ปท็อปแล้วย้ายไปยัง H+ บนเซิร์ฟเวอร์เป็นเวิร์กโฟลว์จริงที่ Apple ระบุไว้ในเอกสาร และตัวประมาณค่าความยาวโฟกัสแยกต่างหากหมายความว่าคุณสามารถรันการแก้ปัญหากล้องได้ครั้งเดียวแล้วใช้ซ้ำ อย่างไรก็ตาม การออกแบบความสอดคล้องเชิงเวลาจะคุ้มค่าก็เฉพาะกับวิดีโอเท่านั้น — สำหรับภาพนิ่ง คุณกำลังแบกรับต้นทุนของ cross-frame attention ที่คุณไม่เคยใช้เลย

สิ่งที่คุณไม่ควรทำคืออ่านการเปรียบเทียบสองสิ่งนี้ที่มีการจัดอันดับกัน ไม่มีเกณฑ์มาตรฐานร่วมกัน และเมตริกที่แต่ละแล็บเลือกก็คือเมตริกที่แต่ละแล็บทำได้ดี หากคุณต้องตัดสินใจวันนี้ เกณฑ์ที่ใช้ตัดสินคือรูปแบบเอาต์พุตและสัญญาอนุญาต ไม่ใช่ผู้ชนะ

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube