depth-anything-v2-small-coreml

English | 日本語

Model Summary

This is an unofficial Core ML conversion of depth-anything/Depth-Anything-V2-Small-hf. All credit for the original model goes to its authors (TikTok / The HuggingFace team).

Conversion notes

Depth estimation is a single forward pass with no autoregressive decoder, so no KV-cache complexity is needed -- torch.jit.trace + coremltools converts it directly. The one adjustment: DINOv2's position-embedding interpolation (interpolate_pos_encoding) always forces a bicubic interpolate under tracing, which coremltools doesn't support. At this model's native training resolution of 518x518, that interpolation is mathematically a no-op, which was verified numerically before skipping it.

Usage (Python / coremltools)

import numpy as np
import coremltools as ct
from PIL import Image

mlmodel = ct.models.MLModel("depth-anything-v2-small_fp16.mlpackage")

image = Image.open("photo.jpg").convert("RGB").resize((518, 518))
pixel_values = np.asarray(image, dtype=np.float32) / 255.0
pixel_values = (pixel_values - np.array([0.485, 0.456, 0.406])) / np.array([0.229, 0.224, 0.225])
pixel_values = pixel_values.transpose(2, 0, 1)[None].astype(np.float32)  # (1, 3, 518, 518), NCHW

out = mlmodel.predict({"pixel_values": pixel_values})
depth = out["predicted_depth"][0]  # (518, 518)

Input is a fixed 518x518, NCHW, normalized with mean [0.485, 0.456, 0.406] / std [0.229, 0.224, 0.225].

Accuracy

Compared against the PyTorch fp32 reference on a COCO validation image:

Metric	Result
Cosine similarity	0.999998
Mean absolute error (relative)	0.14%

Specs

Item	Value
Base model	depth-anything/Depth-Anything-V2-Small-hf (DINOv2-Small, 24.8M params)
Precision	float16
Input	518x518, NCHW, fixed size (dynamic resolution not supported)
Framework	Core ML (mlprogram, minimum_deployment_target=macOS14)

Notes

• This is a community conversion, not an official release from the Depth Anything authors.
• Security audit uses model-audit-lite (see SECURITY.md for details).

Security

Audited against its upstream with model-audit-lite: weight format, bundled code, and a machine-readable lineage (ML-BOM). Details, checksums and how to reproduce: SECURITY.md.

---

モデルの概要

depth-anything/Depth-Anything-V2-Small-hf のCore ML版です。元モデルの著作権はその作者（TikTok / HuggingFaceチーム）に帰属します。

変換について

深度推定モデルは自己回帰デコーダーを持たない単純な1回のフォワードパスのため、KVキャッシュなどの 複雑さは不要です。torch.jit.trace + coremltoolsでそのまま変換できます。唯一の調整点は、 DINOv2の位置埋め込み補間（interpolate_pos_encoding）がトレース時に常にbicubic補間を強制する 実装になっており、これがcoremltoolsでサポートされていないため、本モデルの学習解像度である 518x518固定入力では補間が数学的に恒等写像になることを確認した上で、この補間をスキップしています （実際に同一であることをテストで確認済み）。

使い方（Python / coremltools）

import numpy as np
import coremltools as ct
from PIL import Image

mlmodel = ct.models.MLModel("depth-anything-v2-small_fp16.mlpackage")

image = Image.open("photo.jpg").convert("RGB").resize((518, 518))
pixel_values = np.asarray(image, dtype=np.float32) / 255.0
pixel_values = (pixel_values - np.array([0.485, 0.456, 0.406])) / np.array([0.229, 0.224, 0.225])
pixel_values = pixel_values.transpose(2, 0, 1)[None].astype(np.float32)  # (1, 3, 518, 518), NCHW

out = mlmodel.predict({"pixel_values": pixel_values})
depth = out["predicted_depth"][0]  # (518, 518)

入力は固定サイズ518x518、NCHW（[0.485,0.456,0.406]/[0.229,0.224,0.225]で正規化）。

精度検証

PyTorch fp32リファレンスと、COCO検証画像1枚で比較:

項目	結果
コサイン類似度	0.999998
平均絶対誤差（相対）	0.14%

Specs

Item	Value
ベースモデル	depth-anything/Depth-Anything-V2-Small-hf（DINOv2-Small、24.8M params）
精度	float16
入力	518x518、NCHW、固定サイズ（動的解像度は未対応）
フレームワーク	Core ML（mlprogram、minimum_deployment_target=macOS14）

備考

• 本変換は非公式のコミュニティ版です。
• セキュリティー監査にはmodel-audit-liteを 使用しています（詳細はSECURITY.md）。

セキュリティー

model-audit-lite で変換元と突き合わせて監査済みです（重みの形式、同梱コード、機械可読な系譜＝ML-BOM）。詳細・チェックサム・再現方法は SECURITY.md をご覧ください。