DA3METRIC-LARGE

DA3METRIC-LARGE

从单张照片估计真实尺度的深度，并给出置信度图和相机估计。这是 Depth Anything 3 系列中的 334M 模型，适合做 3D 和视觉的开发者。

由 depth-anything 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：DA3METRIC-LARGE 是 Depth Anything 3 系列中的度量深度模型，由字节跳动 Seed 团队开发。它查看普通图像，并估计物体有多远，使用真实世界的尺度。模型卡说，把它的标准化输出乘以焦距，就能得到度量深度。它还提供相对深度和天空分割。

适合谁：需要从相机图像得到深度的开发者和研究者，尤其是以米为单位的尺度很重要的场合。

Industry | Who uses it | How they use it | Example
机器人 | 构建感知系统的工程师 | 根据相机图像估计到物体的距离 | 判断一个货架离机器人有多远
3D 与图形 | 艺术家和开发者 | 把深度结果导出为 glb 或 ply 等 3D 格式 | 把一组照片变成 3D 场景文件
计算机视觉研究 | 研究深度和位姿的研究者 | 与其他深度模型对比 | 在同样的图像上与 Depth Anything 2 并排运行

如果你只想要图片风格的深度效果，或者无法运行 Python 和 PyTorch 环境，可以跳过它。

用在哪里：它通过 Depth Anything 3 包在 Python 和 PyTorch 中运行，也可以用命令行工具。文件可以在 Windows、macOS 或 Linux 上下载。

• 带 PyTorch 的 Python
• 来自 GitHub 仓库的 depth-anything-3 包
• 名为 da3 的命令行工具
• 有 CUDA 显卡时用显卡，否则用 CPU

Use case | Who | What they get back
照片的度量深度 | 机器人工程师 | 真实世界尺度的深度图
相机估计 | 3D 开发者 | 每张图像的相机位姿和内参
场景导出 | 艺术家 | glb、npz、ply 等格式的输出文件

如何设置：你需要 Python 和项目仓库里的包。

• 带 pip 的 Python
• PyTorch
• 来自 GitHub 的 Depth Anything 3 仓库副本

1. 克隆 Depth Anything 3 仓库并打开它的文件夹。
2. 以可编辑模式安装这个包。
3. 在 Python 里从 Hugging Face Hub 加载模型，或使用 da3 命令。

cd depth-anything-3
pip install -e .

你也可以自己下载模型文件：

pip install -U huggingface_hub
hf download depth-anything/DA3METRIC-LARGE

如何使用：加载模型，传入一组图像，再导出结果。结果里包含每张图像的深度图、置信度图、相机位姿和相机内参。

import torch
from depth_anything_3.api import DepthAnything3

# Load model from Hugging Face Hub
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = DepthAnything3.from_pretrained("depth-anything/da3metric-large")
model = model.to(device=device)

# Run inference on images
images = ["image1.jpg", "image2.jpg"]  # List of image paths, PIL Images, or numpy arrays
prediction = model.inference(
    images,
    export_dir="output",
    export_format="glb"  # Options: glb, npz, ply, mini_npz, gs_ply, gs_video
)

# Access results
print(prediction.depth.shape)        # Depth maps: [N, H, W] float32
print(prediction.conf.shape)         # Confidence maps: [N, H, W] float32
print(prediction.extrinsics.shape)   # Camera poses (w2c): [N, 3, 4] float32
print(prediction.intrinsics.shape)   # Camera intrinsics: [N, 3, 3] float32

用命令行：

# Process images with auto mode
da3 auto path/to/images \
    --export-format glb \
    --export-dir output \
    --model-dir depth-anything/da3metric-large

# Use backend for faster repeated inference
da3 backend --model-dir depth-anything/da3metric-large
da3 auto path/to/images --export-format glb --use-backend

Tool | What it does
DepthAnything3.from_pretrained | 从 Hugging Face Hub 加载模型
model.inference | 在图像上运行模型并导出结果
da3 auto | 从命令行处理一个文件夹的图像
da3 backend | 启动后台服务，加快重复运行

示例：你把两张照片传给 model.inference，并要求导出 glb。你会得到两张照片的深度图和置信度图、相机位姿和内参，以及输出文件夹里的一个 glb 文件。

新手与专家：如果你刚接触这类模型，先用一张照片和命令行版本。把导出的文件在 3D 查看器里打开，看看模型估计了什么。

如果你熟悉这个领域，模型卡描述的是一个普通的 transformer，例如原版 DINO 编码器，用单一的深度射线表示，而不是许多任务头。它只用公开的学术数据集训练。作者说它在单张图像深度上优于 Depth Anything 2，在多视角深度和位姿上优于 VGGT。

图像输入模型
普通 transformer 预测深度射线
输出深度、置信度和位姿
结果导出为 glb、ply 或 npz

注意事项：模型卡说结果会随图像质量、光线和场景复杂度而变化。

• License: Apache 2.0
• Cost to run: 未提及，硬件由你自己提供
• Data it reaches: 你传入的图像和你选择的输出文件夹
• Not for: 某些特定领域的图像，因为它只用学术数据集训练

Hugging Face 上的数据（2026年11月13日）

• 任务：depth estimation
• 框架：depth-anything-3
• 参数量：334M
• Weights: about 1.3 GB in F32; about 167 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：428,678
• 点赞：31
• 许可证：apache-2.0
• Quantized versions: 3
• Fine-tunes: 2
• 标签：depth-anything-3, safetensors, depth-estimation, computer-vision, monocular-depth, multi-view-geometry, pose-estimation

链接

• 模型：https://huggingface.co/depth-anything/DA3METRIC-LARGE
• 文件：https://huggingface.co/depth-anything/DA3METRIC-LARGE/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download depth-anything/DA3METRIC-LARGE

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。