最佳深度估计模型：如何选择

选择深度估计模型归结为三点：你需要的是以米为单位的距离还是仅仅相对深度、模型将在何处运行，以及模型许可证是否允许你的使用方式。对于相对深度和研究，Depth Anything 和 Marigold 是值得优先评估的强大模型。对于未知相机的度量深度，可以考虑 Depth Pro 和 UniDepth；如果你知道相机的焦距，Metric3D v2 和 Depth Anything 3 Metric 也是可选方案。对于边缘硬件，可以优先考虑 Depth Anything V2 Small、MiDaS v3.1 Swin2-Tiny 和 LeViT 模型，然后在你的设备上测量延迟。对于 NVIDIA GPU 上的低延迟深度估计，以及其他 Ultralytics YOLO 任务，也可以评估 Ultralytics YOLO26 depth。本指南比较了九种单目深度模型，并提供了选择模型的决策路径。

如果你刚接触这项任务，可以先了解什么是单目深度估计。本页面介绍的是如何选择模型。

相对深度还是度量深度：先做出选择#

• 相对深度表示哪些像素更近或更远，但尺度未知。它足以用于场景理解、背景效果，以及按距离对物体排序。
• 度量深度以米为单位表示距离。你需要它来测量距离、规划机器人运动，或将深度与其他传感器的数据融合。

度量模型实现真实尺度的方式各不相同。有些模型会自行估计相机焦距，有些需要你提供焦距，还有些模型带有固定尺度，需要你针对相机进行标定。在实际应用中，模型获取尺度的方式可能比基准测试准确率相差几个百分点更重要。关于这两种深度的背景信息，请参阅术语表中的深度估计条目。

图 1. 同一张工厂照片分别由 Depth Anything V2 Small 和 Ultralytics YOLO26s-depth 处理。前者预测相对深度（表示远近，不带单位），后者预测距离（以米为单位）：零件箱约 1.5 m，工程师约 4.1 m，远处的门约 13.8 m。这张照片是为本文生成的；两张深度图均为模型的真实输出。上述距离是已发布检查点的预测结果，未经针对该相机的标定，并非实际测量值。

深度估计模型对比#

模型按字母顺序列出，并非按排名排列。由于各论文采用各自的基准测试方案，结果无法直接比较，因此我们不列出跨模型的准确率数据。许可证信息于 2026 年 10 月核实，适用于各个检查点。

如何选择深度估计模型#

按顺序回答以下问题：

1. 你需要以米为单位的深度吗？ 如果不需要，可以先试试 Depth Anything V2 或 Depth Anything 3；如果你需要 MIT 许可证，则可以选择 MiDaS。
2. 你知道相机内参吗？ 如果不知道，选择能估算内参的模型：Depth Pro 或 UniDepth。如果知道，Metric3D v2 和 Depth Anything 3 Metric 可以使用这些内参。
3. 模型会在哪里运行？ 如果服务器延迟不是限制因素，大型基础模型会是不错的选择。若要在 NVIDIA GPU 上以低延迟运行深度估计，并同时执行其他 YOLO 任务，可以考虑 Ultralytics YOLO26 深度估计，并在你的边缘设备上测量性能，例如 NVIDIA Jetson。其他候选模型包括 Depth Anything V2 Small、MiDaS v3.1 的 Swin2-Tiny 和 LeViT 模型。CPU 延迟取决于处理器、运行时、输入分辨率和模型。请针对你的确切配置进行基准测试；图 3 展示了一个小型 Ultralytics YOLO26 深度估计模型的示例。请参阅下文的边缘设备部分。
4. 你能使用该许可证吗？ 请查看具体检查点的许可证。多个系列的小型模型采用 Apache 2.0 许可证，而大型模型则采用非商业许可证。
5. 你能进行校准或微调吗？ 如果你能从自己的相机采集约 50 到 150 张带标签图像，并为每张图像测量几个点，可以在你自己的场景中测试校准或微调后的模型，并与零样本模型进行比较。在 Ultralytics 使用 YOLO26s-depth 进行的测试中（每台相机 150 张图像，每张图像测量 5 个点），通过这种方式校准后，其尺度与完整真值拟合结果的偏差约为 1%；校准前的偏差为 4% 到 46%。这个数值衡量的是尺度恢复效果，而非整体深度精度。

然后，在你的部署分辨率下，使用来自自己相机的图像测试两到三个候选模型。

图 2. 将 Ultralytics YOLO26x 检测与 Ultralytics YOLO26s-depth 相结合，预测选定检测到的汽车和行人的距离：距离最近的停放汽车 3.6 m，距离右侧汽车 6.9 m，距离右侧标注的行人 7.0 m。这张照片是为本文生成的；边界框和距离均为真实模型输出，但未经针对这台相机校准。它们是预测值，而非实测距离。

模型详解#

按字母顺序列出。

Depth Anything 3#

ByteDance Seed 推出的 Depth Anything 3 将 Depth Anything 从单张图像扩展到任意数量的视图。其主模型会同时估计深度和相机位姿，专用变体则用于单目相对深度（DA3Mono-Large）和单目度量深度（DA3Metric-Large）。输出：主模型和 Mono 模型输出相对深度；DA3Metric-Large 在提供焦距时输出度量深度，非商业 Nested 模型则可直接输出度量深度。尺寸：0.08B（Small）至 1.15B（Giant），另有 1.40B 的 Nested 模型，具体信息见项目模型卡。许可证：Small、Base、Metric-Large 和 Mono-Large 采用 Apache 2.0；Large、Giant 和 Nested 采用 CC BY-NC 4.0。最适合：多视图场景和 3D 重建。权衡：性能最强的检查点仅限非商业用途。

Depth Anything V2#

Depth Anything V2 是一种广泛可用的相对深度开源模型，在室内、室外和少见场景中都能稳定输出结果。该项目还发布了针对室内场景（深度最高 20 m）和室外场景（深度最高 80 m）微调的度量深度检查点。尺寸：Small 24.8M、Base 97.5M、Large 335.3M。许可证：Small 采用 Apache 2.0；Base 和 Large 采用 CC-BY-NC-4.0。最适合：通用相对深度估计。权衡：如果你需要商业用途，只能使用 Small 模型；度量深度检查点无法预测超出其固定最大深度的范围。

Depth Pro#

Apple 推出的 Depth Pro 无需相机内参，即可从单张图像预测度量深度，并自行估算焦距。Apple 报告称，该模型可在标准 GPU 上于 0.3 秒内生成 2.25 百万像素的深度图，并能清晰呈现精细结构的边界。许可证：Apple 自有许可证涵盖代码和权重。最适合：从相机不受你控制的照片中估算度量深度。权衡：这是服务器级模型，而非边缘设备模型；用于商业用途前，你应先阅读其许可证。

Marigold#

Marigold 将预训练图像扩散模型用于深度估计，并且仅使用合成数据进行训练。它能生成非常精细的相对深度。许可证：代码采用 Apache 2.0，模型采用 RAIL++-M。最适合：离线工作中对细节的要求高于速度的场景，例如内容创作和数据集生成。权衡：它支持单步推理；若通过集成提高精度，成本会成倍增加，因此请测量它是否满足你的延迟要求。

Metric3D v2#

Metric3D v2 可从单张图像预测度量深度和表面法线，提供 ViT-Small、ViT-Large 和 ViT-giant2 检查点，并包含 ONNX 导出版本。许可证：代码采用 BSD-2-Clause；请查看你所用检查点的条款。最适合：同时需要表面法线的 3D 重建和机器人流程。权衡：它会将图像映射到规范相机，因此需要准确的焦距才能获得正确的尺度。

MiDaS#

Intel 的 ISL 推出的 MiDaS 通过在混合数据集上训练，让稳健的相对深度估计变得实用。3.1 版提供从追求质量的 BEiT-Large 模型，到面向嵌入式设备的 Swin2-Tiny 和 LeViT 模型；此外还有旧版 MiDaS v2.1 小型模型的 OpenVINO 格式版本，适用于 Intel CPU，以及适用于 iOS 和 Android 的移动端示例。许可证：MIT。最适合：许可证宽松且文档完善的基线模型。权衡：它早于较新的基础模型，而且 Intel 已归档该仓库，因此不再提供修复。请用你自己的图像将它与较新的模型进行比较。

Ultralytics YOLO26 深度估计#

Ultralytics YOLO26 支持深度估计（于 2026 年 7 月发布，提供五种尺寸，参数量从 6.3M（n）到 57.0M（x），输入分辨率为 768 像素。模型以米为单位预测深度，使用的对数深度头覆盖约 0.02 至 150 米，因此单个模型即可处理室内房间和室外场景。发布的权重使用单一全局尺度；若要针对特定相机获得准确的绝对深度，model.calibrate() 会利用约 50 到 150 张带标签图像拟合尺度，每张图像只需几个测量点，无需重新训练。在 NVIDIA T4 上进行的 batch-1 TensorRT FP16 基准测试中，输入约为 768 像素时，仅推理延迟（不含预处理和后处理）从 2.7 ms（n）到 13.6 ms（x）不等，五种尺寸的延迟都低于 Depth Anything V2 Small。这是延迟比较，并非统一精度评估。模型可导出为 ONNX、TensorRT、CoreML、OpenVINO 等格式，并可使用与检测、分割和姿态相同的 Python API 和 CLI 进行训练。许可证：AGPL-3.0；闭源商业用途可选择 Ultralytics Enterprise 许可证。最适合：在 NVIDIA GPU 上以低延迟运行深度估计，并同时执行其他 YOLO 任务；请在你的边缘设备上测量性能。权衡：绝对尺度取决于针对相机进行的校准；而且此处未在统一协议下将其精度与基础模型进行比较，因此请使用你自己的数据进行测试。

UniDepth V2#

UniDepth 可从单张 RGB 图像预测度量深度和相机内参；如果你已知内参，也可以使用这些内参。许可证：CC BY-NC 4.0。最适合：需要从未知相机获取度量深度的研究和原型项目。权衡：该许可证不允许商业用途。

ZoeDepth#

ZoeDepth 将相对深度预训练与针对室内（NYU）和室外（KITTI）场景的度量深度头相结合。许可证：MIT。最适合：场景与其室内或室外训练领域相似，且需要宽松许可证的度量模型。权衡：该模型针对特定室内和室外领域训练，而 UniDepth 和 Metric3D v2 等较新的度量模型是为多种相机设计的。Intel 已归档该仓库，因此不再提供修复。

在边缘设备上进行深度估计#

在边缘硬件上，关注点会从“精度最高”转向“在我的帧率下精度是否足够”。有三类模型适用：

• 大型模型系列的小型版本。 Depth Anything V2 Small（24.8M 参数，Apache 2.0）是一个选择，并采用宽松许可证。MiDaS v3.1 的 Swin2-Tiny 和 LeViT 模型则专为嵌入式设备设计。
• 实时任务模型。Ultralytics YOLO26 深度估计 在 Tesla T4 上使用 TensorRT FP16、batch 1 时，仅推理耗时为 2.7 ms（n）至 13.6 ms（x），不含预处理和后处理。它可导出为 TensorRT，用于 NVIDIA Jetson；导出为 CoreML，用于 Apple 设备；也可导出为 OpenVINO，用于 Intel CPU；导出支持并不等于边缘设备基准测试。
• 轻量级研究模型。FastDepth（MIT）专为嵌入式系统打造，并已在 NVIDIA Jetson TX2 上进行演示。Lite-Mono（MIT）有 2.2M 到 8.7M 个参数，使用 KITTI 驾驶数据训练。

导出后，请在目标设备上以实际部署分辨率测量推理延迟。要选择硬件，请参阅如何选择合适的边缘设备。如需了解导出选项，请参阅我们的模型部署选项指南。

图 3. 在同一张商店照片上运行 Ultralytics YOLO26n-depth（89 到 96 ms）和 YOLO26s-depth（124 到 128 ms），使用 Apple M4 CPU（PyTorch，768 像素输入，从图像到完整深度图）。笔记本电脑的耗时会随后台负载变化，因此请将这些数值视为范围。这张照片是为本文生成的；深度图和耗时均为真实结果。

面向机器人的深度估计#

机器人通常需要以机器人的控制频率运行、帧间稳定的度量深度。以下是三种实用方案：

• 单目度量模型适用于配备单个 RGB 相机的机器人。如果你已知相机内参，可使用 Metric3D v2 或 Depth Anything 3 Metric；如果需要在 NVIDIA GPU 上以低延迟进行机载推理，并同时执行其他 YOLO 任务，可使用经过校准的 Ultralytics YOLO26 深度估计模型；请在机器人计算机上测量性能。
• 双目模型（例如 NVIDIA 的 FoundationStereo）可根据经过校准的相机对计算度量深度。研究版本仅限非商业用途；NVIDIA 列出了可用于商业用途的 TAO 版本。请参阅双目视觉，了解双目视觉与单目深度估计的比较。
• 深度传感器（双目深度相机、结构光或 LiDAR）可直接测量深度。

不适合使用单目模型的情况：对于人员附近的避碰等安全关键决策，应使用深度传感器或双目相机，并将单目深度估计作为补充，例如填补传感器没有返回数据的区域。

图 4. 从一张 Ultralytics YOLO26s-depth 深度图读取的预测距离：到地面某点 3.1 m，到机器人 5.7 m，到过道尽头约 23 m。这张照片是为本文生成的；读数是模型的真实输出，但未经针对这台相机校准，因此属于预测值，而非测量值。

如何使用自己的相机测试深度模型#

• 使用部署相机采集约 50 到 150 张带标签图像，并保持部署分辨率和镜头设置不变，同时为每张图像测量几个点。公共基准数据集（例如室内场景的 NYU Depth V2 和驾驶场景的 KITTI）可用于初步比较，但最终应以自己相机上的结果为准。
• 测距仪测量的是直线距离，而校准需要沿相机轴向的深度：测量图像中心附近的点；使用相机内参将偏离中心的读数转换为相机轴向深度；或者使用深度传感器采集深度。
• 根据这些测量值比较候选模型的 δ1 和绝对相对误差，并测量每个模型在目标设备上的运行时间。对于度量模型，直接对未经缩放的输出进行评分，不要逐张图像调整尺度以匹配真值；逐图对齐会掩盖你需要发现的尺度误差。
• 对于尺度固定的度量模型，使用部分数据进行校准，再用其余数据测试。Ultralytics YOLO26 深度估计通过 model.calibrate() 提供此功能。