使用说明
🔬 深度专业Docker
针对苹果Depth Pro模型的生产就绪Docker部署
零样本单眼测量深度估计•2.25MP深度图，0.3s
✨ 特性
| 特性 | 描述 |
|---|---|
| 🚀 一键部署 | Docker Compose实现即时部署 |
| 🎨 现代Web用户界面 | 具有多种颜色映射的漂亮界面 |
| 🔌 REST API | 带Swagger文档的全配方API |
| 🤖 MCP服务器 | AI助手的模型上下文协议支持 |
| 📊 多个输出 | JPG可视化，NPZ数据，16位PNG |
| 🎛️ 手动焦距 | 覆盖自动焦距估计 |
| 🌐 多语言 | 中文、英文、日文用户界面 |
| 💾 GPU管理 | 自动内存卸载、状态监控 |
🚀 快速开始
# One command to run (All-in-One image, no downloads needed!)
docker run -d --name depth-pro --gpus all -p 8500:8500 neosun/depth-pro:latest
# Open browser
open http://localhost:8500
📦 安装
先决条件
- Docker 24.0+与NVIDIA容器工具包
- 配备8GB+VRAM的NVIDIA GPU（推荐16GB+）
- CUDA 12.1兼容驱动程序
方法一：Docker运行（推荐）
All-in-One图像包括模型重量（~5GB），无需额外下载！
# Pull and run (model included in image)
docker run -d \
--name depth-pro \
--gpus all \
-p 8500:8500 \
-e GPU_IDLE_TIMEOUT=60 \
neosun/depth-pro:latest
方法二：Docker编写
# Create docker-compose.yml
cat > docker-compose.yml << 'EOF'
services:
depth-pro:
image: neosun/depth-pro:latest
container_name: depth-pro
ports:
- "8500:8500"
environment:
- GPU_IDLE_TIMEOUT=60
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: 1
capabilities: [gpu]
restart: unless-stopped
EOF
# Start service
docker compose up -d
方法3：地方发展
# Create conda environment
conda create -n depth-pro python=3.9 -y
conda activate depth-pro
# Install dependencies
pip install -e .
pip install flask flask-cors flasgger gunicorn
# Download model
source get_pretrained_models.sh
# Run server
python app.py
⚙️ 配置
环境变量
| 变量 | 默认值 | 描述 |
|---|---|---|
PORT |
8500 |
服务器端口 |
GPU_IDLE_TIMEOUT |
60 |
GPU内存释放前几秒 |
NVIDIA_VISIBLE_DEVICES |
0 |
GPU设备索引 |
docker-compose.yml
services:
depth-pro:
image: neosun/depth-pro:latest
container_name: depth-pro
ports:
- "8500:8500"
environment:
- PORT=8500
- GPU_IDLE_TIMEOUT=60
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: 1
capabilities: [gpu]
restart: unless-stopped
healthcheck:
test: ["CMD", "curl", "-f", "http://localhost:8500/health"]
interval: 30s
timeout: 10s
retries: 3
📖 用法
网络界面
访问 http://localhost:8500 对于交互式UI：
- 上传图片（JPG/PNG/WebP/HEIC）
- 选择配色图（Turbo、Viridis、Plasma等）
- 可选择设置手动焦距
- 点击“流程”并下载结果
REST API
深度估计
curl -X POST http://localhost:8500/api/predict \
-F "file=@image.jpg" \
-F "colormap=turbo" \
-F "focal_length=1000"
答复：
{
"task_id": "abc12345",
"focal_length_px": 1000.0,
"min_depth_m": 0.5,
"max_depth_m": 10.2,
"mean_depth_m": 3.4,
"image_size": "1920x1080",
"depth_image_base64": "...",
"download_jpg": "/api/download/abc12345/color.jpg",
"download_npz": "/api/download/abc12345/depth.npz",
"download_16bit": "/api/download/abc12345/depth16.png"
}
GPU状态
curl http://localhost:8500/api/gpu/status
释放GPU内存
curl -X POST http://localhost:8500/api/gpu/offload
API 文档
Swagger用户界面可在以下网址获得： http://localhost:8500/apidocs/
MCP服务器（用于AI助手）
添加到您的Claude Desktop配置中：
{
"mcpServers": {
"depth-pro": {
"command": "docker",
"args": ["exec", "-i", "depth-pro", "python3", "mcp_server.py"]
}
}
}
可用的MCP工具：
estimate_depth-处理单张图像batch_estimate_depth-处理多个图像get_gpu_status-检查GPU状态release_gpu-免费GPU内存
📁 项目结构
depth-pro-docker/
├── app.py # Flask web server
├── mcp_server.py # MCP server for AI assistants
├── gpu_manager.py # GPU memory management
├── Dockerfile # Container build file
├── docker-compose.yml # Docker Compose config
├── checkpoints/ # Model weights (download separately)
│ └── depth_pro.pt
├── src/depth_pro/ # Core model code
├── templates/ # HTML templates
├── static/ # CSS/JS assets
└── docs/ # Documentation
🛠️ 技术栈
- 模型：苹果深度专业版（DINOv2+多尺度ViT）
- 后端：Flask+Gunicorn
- 前端：香草JS+现代CSS
- 容器：Docker+NVIDIA容器工具包
- 图形处理器：PyTorch+CUDA 12.1
📝 局限性
- 远场场景（>20m）的绝对深度值可能不准确
- 最适合室内和近距离室外场景
- 即使对于远场景，相对深度排序通常也是可靠的
🤝 贡献
欢迎投稿！请阅读 贡献.md 第一。
- 分叉存储库
- 创建特征分支(
git checkout -b feature/amazing) - 提交更改(
git commit -m 'Add amazing feature') - 推送到分支(
git push origin feature/amazing) - 打开拉取请求