单目深度估计 / 37

MiDaS

跨数据集单目相对深度模型系列

MiDaS通过混合多个深度数据集训练并处理不同深度尺度，使模型在未知场景中保持相对深度排序能力，提供轻量 CNN 到 DPT 大模型多种配置。代表性参数规模为约 21M–344M（Small 至 DPT-Large），性能定位是跨数据集稳定，模型选择和兼容资料丰富。

PARAMETERS

参考参数与输入输出

代表性参数量约 21M–344M（Small 至 DPT-Large）

输入单张 RGB 图像；输入尺寸随模型而变

输出尺度与偏移不确定的相对逆深度图

算力与部署CPU 可运行小模型；DPT 大模型更适合 GPU

参数量是公开代表性配置或合理范围，不同骨干、类别数、输入尺寸和实现版本会改变结果；详细实施时以选定配置导出的模型信息为准。

PERFORMANCE

跨数据集稳定，模型选择和兼容资料丰富。兼容性和模型选择丰富，但新配置的细节与泛化通常不及 Depth Anything。网站不使用脱离条件的单一 FPS 或 mAP 数字作为承诺，因为数据集、输入尺寸、精度模式、批量大小、GPU 型号和后处理口径都会显著改变测试结果。

CHARACTERISTICS & USE CASES

MODEL COMPARISON

模型	参考参数规模	速度	精度定位	部署	优先场景
Depth Anything	约 24.8M/97.5M/335M（Small/Base/Large）	中高	很高	较成熟	场景层次估计
MiDaS当前	约 21M–344M（Small 至 DPT-Large）	中	高	成熟	空间层次分析

表中“速度、精度、部署”为同类别内的定性定位，用于缩小候选范围，不替代同一测试集、同一硬件和同一精度模式下的实测。

SELECTION SUMMARY

MiDaS适合优先考虑空间层次分析、三维视觉效果预估、相对距离辅助判断的项目。它的主要价值是多数据集训练增强跨场景泛化；需要重点评估输出通常没有绝对物理尺度、反光、透明、重复纹理和工业近景需单独验证。

建议先用企业真实数据建立基线，再统一测试准确率、召回率、误检率、单张延迟、峰值显存和导出兼容性，最后确定模型规模与部署方式。