一、引言
pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks）。共计覆盖32万个模型
今天介绍CV计算机视觉的第一篇，深度估计（depth-estimation），在huggingface库内有106个图片深度估计的模型。
二、深度估计（depth-estimation）
2.1 概述
深度估计是一种计算机视觉任务，旨在从2D图像估计深度。该任务需要输入RGB图像并输出深度图像。深度图像包括关于从视点到图像中的物体的距离的信息，该视点通常是拍摄图像的相机。
2.2 技术路径
2014年之前，采用传统的方法进行深度估计，2014年之后采用深度学习方法，同时分为监督和半监督/无监督两条roadmap。
首先看一下基于深度学习方法depth-estimation的开山之作Depth Map Prediction from a Single Image using a Multi-Scale Deep Network
模型架构使用堆叠的卷积层预测，该论文发表于2014年，早于VGG，所以网络结构遵循AlexNet的设计。其希望捕捉全局信息和布局信息，蓝色框部分用于得到粗略的全局信息，而且Coarse 5和Coarse 6部分使用的是全连接层；橙色框部分处理原图和得到的全局信息，最终预测得到深度图。训练过程分为两步，第一步先训练coarse网络，然后冻结之后再训练fine网络。
再看2024年较火的由港大&字节提出用于任意图像的深度估计大模型：Depth Anything
- 首先, 基于数据集 Dl 学习一个老师模型 T;
- 然后, 利用 T 为数据集 Du 赋予伪标签;
- 最后, 基于两个数据训练一个学生模型 S 。
2.3 应用场景
- 自动驾驶与机器人导航：在自动驾驶车辆和各种服务机器人中，通过单目摄像头获取环境图像，估计出前方或周围物体的距离，对于避障、路径规划至关重要。
- 增强现实(AR)：在AR应用中，准确估计摄像头与现实世界之间的深度关系，是实现虚拟物体与真实环境无缝融合的关键。
- 3D建模与重建：从单目视频或图像序列中估计深度，可以用于构建场景的3D模型，应用于考古、建筑、室内设计等领域。
- 无人机导航与避障：无人机在执行复杂飞行任务时，需要实时理解周围环境的深度信息，单目深度估计可以提供这种能力，尤其是在成本和重量敏感的应用中。
- 物体识别与抓取：在机器人操作和自动化仓库系统中，单目深度估计帮助机器人准确识别和抓取物体，提高自动化效率。
- 地形测绘：在无人机遥感、农业监测等应用中，单目相机结合其他传感器数据，可以辅助进行地形的快速测绘和分析。
2.4 pipeline参数
2.4.1 pipeline对象实例化参数
- model（PreTrainedModel或TFPreTrainedModel）— 管道将使用其进行预测的模型。 对于 PyTorch，这需要从PreTrainedModel继承；对于 TensorFlow，这需要从TFPreTrainedModel继承。
- image_processor ( BaseImageProcessor ) — 管道将使用的图像处理器来为模型编码数据。此对象继承自 BaseImageProcessor。
- modelcard（
str或ModelCard，可选）— 属于此管道模型的模型卡。- framework（
str，可选）— 要使用的框架，"pt"适用于 PyTorch 或"tf"TensorFlow。必须安装指定的框架。- task（
str，默认为""）— 管道的任务标识符。- num_workers（
int，可选，默认为 8）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的工作者数量。- batch_size（
int，可选，默认为 1）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的批次的大小，对于推理来说，这并不总是有益的，请阅读使用管道进行批处理。- args_parser（ArgumentHandler，可选） - 引用负责解析提供的管道参数的对象。
- device（
int，可选，默认为 -1）— CPU/GPU 支持的设备序号。将其设置为 -1 将利用 CPU，设置为正数将在关联的 CUDA 设备 ID 上运行模型。您可以传递本机torch.device或str太- torch_dtype（
str或torch.dtype，可选） - 直接发送model_kwargs（只是一种更简单的快捷方式）以使用此模型的可用精度（torch.float16，，torch.bfloat16...或"auto"）- binary_output（
bool，可选，默认为False）——标志指示管道的输出是否应以序列化格式（即 pickle）或原始输出数据（例如文本）进行。
2.4.2 pipeline对象使用参数
- images（
str、List[str]或PIL.Image）List[PIL.Image]——管道处理三种类型的图像：
- 包含指向图像的 http 链接的字符串
- 包含图像本地路径的字符串
- 直接在 PIL 中加载的图像
- 管道可以接受单张图片或一批图片，然后必须以字符串形式传递。一批图片必须全部采用相同的格式：全部为 http 链接、全部为本地路径或全部为 PIL 图片。
- timeout（可选
float，默认为 None）— 等待从网络获取图像的最长时间（以秒为单位）。如果为 None，则不设置超时，并且调用可能会永远阻塞。
2.4 pipeline实战
将http链接中的两只猫咪图片进行深度估计
采用pipeline代码如下
import os os.environ["HF_ENDPOINT"] = "https://hf-mirror.com" os.environ["CUDA_VISIBLE_DEVICES"] = "2" from transformers import pipeline depth_estimator = pipeline(task="depth-estimation", model="LiheYoung/depth-anything-base-hf") output = depth_estimator("http://images.cocodataset.org/val2017/000000039769.jpg") output["depth"].save("depth.png") print(output)
output中的结果为
{'predicted_depth': tensor([[[26.3997, 26.3004, 26.3929, ..., 24.8488, 24.9059, 20.0686], [26.2260, 26.2093, 26.3428, ..., 24.8447, 24.6682, 24.6084], [26.0719, 26.0483, 26.1255, ..., 24.7053, 24.6745, 24.5809], ..., [43.2635, 43.2344, 43.2892, ..., 39.0545, 39.2170, 39.0817], [43.3637, 43.2703, 43.3899, ..., 39.1390, 38.9937, 39.0317], [38.7509, 43.2192, 43.4387, ..., 38.5407, 38.3691, 35.3691]]]), 'depth': <PIL.Image.Image image mode=L size=640x480 at 0x7FAA9F2E5CD0>}
将Image类型的图片保存并打开
基于此深度估计图片，我们可以进行上色等处理。
2.5 模型排名
在huggingface上，我们将深度估计（depth-estimation）模型按下载量从高到低排序：
三、总结
本文对transformers之pipeline的深度估计（depth-estimation）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于pipeline使用文中的代码极简的使用计算机视觉中的深度估计（depth-estimation）模型，应用于3D建模、自动驾驶距离测算等。
