• HOME
• AI・機械学習
• Depth Anything V2 ONNX推論ガイド：相対深度・実距離(Metric)モデルの使い方

Depth Anything V2 ONNX推論ガイド：相対深度・実距離(Metric)モデルの使い方

Tweet

深度推定モデルをONNXで動かそうとすると、「公式リポジトリにONNX変換スクリプトが無い」「入力テンソル名がモデルによってl_x_だったりimageだったりして分からない」「相対深度と実距離(Metric)の違いが分からず、出力値をそのままメートルとして扱ってしまう」といったつまずきが多く発生します。

1. DepthAnythingV2(相対深度)の利用

概要

Depth Anything V2 の相対深度 ONNX モデルを用いた深度推定の使い方をまとめます。 出力値は単位を持たない相対的な遠近関係であり、絶対距離(メートル等)ではない点に注意してください。

2. モデルの入手

公式リポジトリには ONNX 変換スクリプトが用意されていないため、コミュニティ提供の変換済み ONNX モデルを利用します。

• 変換ツール: https://github.com/fabio-sim/Depth-Anything-ONNX
• 変換済みモデル配布: https://github.com/fabio-sim/Depth-Anything-ONNX/releases

使用するモデル(静的入力・相対深度)

TorchDynamo でエクスポートされたモデルのため、入力テンソル名は l_x_ になります。 実際に使用するモデルの入力名は以下で必ず確認してください。

import onnxruntime as ort
sess = ort.InferenceSession("depth_anything_v2_vits.onnx")
print([i.name for i in sess.get_inputs()])

入力名の確認を省略してしまうと、モデルごとに名前が異なることに気づかず「推論実行時にInvalidArgumentエラーになる」というトラブルにつながりやすいため、必ず事前チェックを習慣にすることをおすすめします。

3. シンプルな推論サンプル

classes.depth_anything_v2 などの共通クラスを使わず、ONNXRuntime のみで直接推論する例です。

import cv2
import numpy as np
import onnxruntime as ort

MODEL_PATH = "depth_anything_v2_vits.onnx"
IMAGE_PATH = "input.jpg"
INPUT_SIZE = 518
INPUT_NAME = "l_x_"  # モデルの実際の入力名に合わせて変更する

# ImageNet 統計値（DINOv2 事前学習時の正規化パラメータ）
MEAN = np.array([0.485, 0.456, 0.406], dtype=np.float32)
STD = np.array([0.229, 0.224, 0.225], dtype=np.float32)

# 画像読み込み
image = cv2.imread(IMAGE_PATH)
orig_h, orig_w = image.shape[:2]

# 前処理: BGR->RGB, リサイズ, 正規化, NCHW化
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image = cv2.resize(image, (INPUT_SIZE, INPUT_SIZE), interpolation=cv2.INTER_CUBIC)
image = image.astype(np.float32) / 255.0
image = (image - MEAN) / STD
input_tensor = np.transpose(image[None], (0, 3, 1, 2))

# 推論
session = ort.InferenceSession(MODEL_PATH, providers=["CUDAExecutionProvider", "CPUExecutionProvider"])
depth = session.run(None, {INPUT_NAME: input_tensor})[0][0]

# 後処理: 元画像サイズへリサイズ
depth = cv2.resize(depth, (orig_w, orig_h))

# 可視化（相対深度を0-255に正規化してカラーマップ適用）
depth_norm = (depth - depth.min()) / (depth.max() - depth.min()) * 255.0
depth_color = cv2.applyColorMap(depth_norm.astype(np.uint8), cv2.COLORMAP_INFERNO)
cv2.imwrite("depth_color.png", depth_color)

実行結果は以下のとおりです。入力画像に対して、近い場所ほど明るく、遠い場所ほど暗く(カラーマップ上は色相が変化する形で)表示され、シーン内の相対的な奥行き関係が可視化されます。

入力画像

深度推定結果(相対深度)

4. 注意点

• 出力は相対深度であり、実距離(メートル)ではない点に注意
• 絶対距離が必要な場合はMetric(Indoor/Outdoor)モデルを利用(入力名やモデルによって前処理が異なる場合に注意)
• _dynamicが付くモデル(可変形状)は入力テンソル名がimageになる場合があるため、事前のget_inputs()による確認が必要
• 固定形状モデルの場合、入力サイズはモデルのinput_shapeへの一致が必要(本サンプルは518x518固定)

2. DepthAnythingV2(実距離/Metric)の利用

概要

depth_anything_v2_vits_outdoor_dynamic.onnx を用いた実距離(メートル単位)の深度推定の使い方をまとめます。 屋外シーン向けにファインチューニングされたMetricモデルで、出力値がそのまま推定距離[m]となります。

「相対深度モデルの出力をそのまま距離として扱ってしまい、実際の測距結果とズレが生じる」というのはよくある失敗パターンです。実距離が必要な用途では、必ず本セクションで紹介するMetricモデルを利用してください。

1. モデルの入手

• 配布元: https://github.com/fabio-sim/Depth-Anything-ONNX/releases
• ダウンロードURL: https://github.com/fabio-sim/Depth-Anything-ONNX/releases/download/v2.0.0/depth_anything_v2_vits_outdoor_dynamic.onnx

TorchScript ベースでエクスポートされているモデルのため、静的モデル(l_x_)とは入力名が異なります。 実際に使用するモデルの入力名は以下で必ず確認してください。

import onnxruntime as ort
sess = ort.InferenceSession("depth_anything_v2_vits_outdoor_dynamic.onnx")
print([i.name for i in sess.get_inputs()])   # -> ['image']
print(sess.get_inputs()[0].shape)            # -> [batch, 3, height, width] (可変)

2. シンプルな推論サンプル

共通クラスを使わず、ONNXRuntime のみで直接推論する例です。

import cv2
import numpy as np
import onnxruntime as ort

MODEL_PATH = "depth_anything_v2_vits_outdoor_dynamic.onnx"
IMAGE_PATH = "input.jpg"
INPUT_NAME = "image"  # モデルの実際の入力名に合わせて変更する
INPUT_SIZE = 518        # 短辺の目標サイズ
INPUT_MULTIPLE = 14     # 動的モデルの入力辺は14の倍数である必要がある

# ImageNet 統計値（DINOv2 事前学習時の正規化パラメータ）
MEAN = np.array([0.485, 0.456, 0.406], dtype=np.float32)
STD = np.array([0.229, 0.224, 0.225], dtype=np.float32)

# 画像読み込み
image = cv2.imread(IMAGE_PATH)
orig_h, orig_w = image.shape[:2]

# 短辺をINPUT_SIZEに合わせつつ、各辺を14の倍数に丸める（可変形状モデル向け）
scale = INPUT_SIZE / min(orig_h, orig_w)
resized_w = max(INPUT_MULTIPLE, round(orig_w * scale / INPUT_MULTIPLE) * INPUT_MULTIPLE)
resized_h = max(INPUT_MULTIPLE, round(orig_h * scale / INPUT_MULTIPLE) * INPUT_MULTIPLE)

# 前処理: BGR->RGB, リサイズ, 正規化, NCHW化
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image = cv2.resize(image, (resized_w, resized_h), interpolation=cv2.INTER_CUBIC)
image = image.astype(np.float32) / 255.0
image = (image - MEAN) / STD
input_tensor = np.transpose(image[None], (0, 3, 1, 2))

# 推論
session = ort.InferenceSession(MODEL_PATH, providers=["CUDAExecutionProvider", "CPUExecutionProvider"])
depth_m = session.run(None, {INPUT_NAME: input_tensor})[0][0]

# 後処理: 元画像サイズへリサイズ（各画素値は推定距離[m]）
depth_m = cv2.resize(depth_m, (orig_w, orig_h), interpolation=cv2.INTER_CUBIC)

# 距離の利用例
print(f"中心画素の推定距離: {depth_m[orig_h // 2, orig_w // 2]:.2f} m")

# 可視化（0-255に正規化してカラーマップ適用。値そのものはmではなくなる点に注意）
depth_norm = (depth_m - depth_m.min()) / (depth_m.max() - depth_m.min()) * 255.0
depth_color = cv2.applyColorMap(depth_norm.astype(np.uint8), cv2.COLORMAP_TURBO)
cv2.imwrite("depth_color_metric.png", depth_color)

実行結果は以下のとおりです。中心画素などの各画素値がそのまま推定距離[m]として得られ、可視化画像では近い場所ほど暗く、遠い場所ほど明るく(TURBOカラーマップ上で色相が変化する形で)表示されます。

入力画像

出力

中心画素の推定距離: 39.85 m

深度推定結果(実距離/Metric)

3. 注意点

• 出力値は実距離[m](屋外シーンで学習されたモデルの推定値)であり、depth.min()/max()による正規化は可視化専用(距離値そのものには不使用)
• 屋内シーンで使う場合はdepth_anything_v2_vits_indoor_dynamic.onnxを使用(最大距離目安は異なる点に注意)
• 入力サイズは14の倍数に丸める必要があり、固定518x518への単純リサイズは精度低下のおそれ
• モデル精度はカメラの画角・設置条件・実際のシーンとの乖離により変動するため、実運用前に既知距離での検証を推奨

まとめ

Depth Anything V2 のONNXモデルを利用する際は、次の3点を押さえておくことでトラブルを避けられます。

• 推論前にget_inputs()で入力テンソル名と入力形状を必ず確認
• 相対深度モデルとMetricモデルの違いを理解し、用途に応じて使い分け
• Metricモデルを実運用に使う場合は、既知距離でのキャリブレーション・検証を実施

これらのポイントを踏まえておけば、モデル選定や前処理の実装でつまずくことなく、スムーズに深度推定機能を組み込むことができます。

Tweet