Bilgisayarl\u0131 g\u00f6r\u00fc (computer vision) d\u00fcnyas\u0131, \u00fc\u00e7 boyutlu d\u00fcnyay\u0131 tek bir iki boyutlu g\u00f6r\u00fcnt\u00fcden anlama yetene\u011fi \u00fczerinde uzun y\u0131llard\u0131r \u00e7al\u0131\u015fmaktad\u0131r. \u0130nsan g\u00f6rsel sistemi, iki g\u00f6z\u00fc aras\u0131ndaki stereo farklardan (binok\u00fcler ipu\u00e7lar\u0131) yararlanarak derinli\u011fi zahmetsizce alg\u0131layabilirken, tek bir g\u00f6z\u00fcn\u00fc kapatt\u0131\u011f\u0131nda bile g\u00f6lgeler, perspektif \u00e7izgileri ve nesne boyutlar\u0131 gibi monok\u00fcler ipu\u00e7lar\u0131n\u0131 kullanarak derinlik alg\u0131s\u0131n\u0131 koruyabilir. Bilgisayarlar i\u00e7in bu g\u00f6revi ger\u00e7ekle\u015ftirmek, yani tek bir RGB g\u00f6r\u00fcnt\u00fcden piksel d\u00fczeyinde derinlik haritas\u0131 \u00e7\u0131karmak “Monok\u00fcler Derinlik Tahmini” (Monocular Depth Estimation – MDE) olarak adland\u0131r\u0131l\u0131r.<\/p>\n
Monok\u00fcler derinlik tahmini, robotik y\u00f6n bulmadan otonom s\u00fcr\u00fc\u015fe, art\u0131r\u0131lm\u0131\u015f ger\u00e7eklikten (AR) \u00fc\u00e7 boyutlu rekonstr\u00fcksiyona kadar \u00e7ok geni\u015f bir uygulama yelpazesine sahiptir. Ancak bu alan, \u00f6l\u00e7ek belirsizli\u011fi (scale ambiguity), ince detaylar\u0131n kaybolmas\u0131 ve ger\u00e7ek d\u00fcnya sahnelerindeki sonsuz \u00e7e\u015fitlilik nedeniyle her zaman zorlu bir ara\u015ft\u0131rma konusu olmu\u015ftur. Son d\u00f6nemde TikTok ve ByteDance ara\u015ft\u0131rmac\u0131lar\u0131 taraf\u0131ndan geli\u015ftirilen Depth Anything V2<\/strong>, bu zorluklar\u0131n \u00fcstesinden gelerek monok\u00fcler derinlik tahmini alan\u0131nda yeni bir standart belirlemi\u015ftir. Bu makalede, Depth Anything V2 modelinin mimari detaylar\u0131n\u0131, e\u011fitim metodolojisini, sundu\u011fu yenilikleri ve end\u00fcstriyel uygulamalar\u0131n\u0131 derinlemesine inceleyece\u011fiz.<\/p>\n Depth Anything V2’nin getirdi\u011fi yenilikleri tam olarak anlamak i\u00e7in, modelin selefi olan Depth Anything V1’e ve monok\u00fcler derinlik tahmininin yak\u0131n ge\u00e7mi\u015fine g\u00f6z atmak gerekir. Geleneksel olarak derinlik tahmini, LiDAR veya stereo kameralar gibi donan\u0131mlardan elde edilen hassas derinlik verileriyle e\u011fitilen denetimli (supervised) modellerle ger\u00e7ekle\u015ftiriliyordu. Ancak bu t\u00fcr verileri toplamak son derece maliyetli ve zahmetlidir. Ayr\u0131ca, bu modeller e\u011fitildikleri dar veri k\u00fcmelerinin d\u0131\u015f\u0131na \u00e7\u0131kt\u0131klar\u0131nda (\u00f6rne\u011fin kapal\u0131 alanda e\u011fitilen bir modelin a\u00e7\u0131k alanda kullan\u0131lmas\u0131) genelleme yeteneklerini b\u00fcy\u00fck \u00f6l\u00e7\u00fcde kaybediyorlard\u0131.<\/p>\n Bu s\u0131n\u0131rlamay\u0131 a\u015fmak i\u00e7in ara\u015ft\u0131rmac\u0131lar, etiketlenmemi\u015f (unlabeled) milyonlarca internet g\u00f6r\u00fcnt\u00fcs\u00fcnden yararlanan \u00f6z-denetimli (self-supervised) \u00f6\u011frenme y\u00f6ntemlerine y\u00f6neldiler. Depth Anything V1, bu yakla\u015f\u0131m\u0131n en ba\u015far\u0131l\u0131 \u00f6rneklerinden biriydi. V1, b\u00fcy\u00fck \u00f6l\u00e7ekli etiketlenmemi\u015f verileri kullanarak veri kapsam\u0131n\u0131 muazzam \u00f6l\u00e7\u00fcde art\u0131rd\u0131. Bir “\u00f6\u011fretmen” (teacher) model taraf\u0131ndan \u00fcretilen sahte etiketler (pseudo-labels) ile daha k\u00fc\u00e7\u00fck bir “\u00f6\u011frenci” (student) model e\u011fitildi. Bu y\u00f6ntem, modelin s\u0131f\u0131r-at\u0131\u015fl\u0131 (zero-shot) genelleme yetene\u011fini, yani daha \u00f6nce hi\u00e7 g\u00f6rmedi\u011fi sahnelerde bile ba\u015far\u0131l\u0131 derinlik tahmini yapabilmesini sa\u011flad\u0131.<\/p>\n Ancak Depth Anything V1’in de baz\u0131 yap\u0131sal s\u0131n\u0131rlar\u0131 vard\u0131:<\/p>\n Depth Anything V2, tam olarak bu zay\u0131f noktalar\u0131 hedef alarak tasarlanm\u0131\u015ft\u0131r. Generatif (\u00fcretken) modellerin g\u00f6rsel kalitesini, diskriminatif (ay\u0131rt edici) modellerin ise h\u0131z ve verimlilik avantaj\u0131yla birle\u015ftirmeyi ba\u015farm\u0131\u015ft\u0131r.<\/p>\n Depth Anything V2, temel felsefe olarak diskriminatif bir derinlik tahmin modelidir. Son d\u00f6nemde pop\u00fcler olan dif\u00fczyon tabanl\u0131 (diffusion-based) derinlik tahmin modellerinin (\u00f6rne\u011fin Marigold) aksine, yinelemeli (iterative) g\u00fcr\u00fclt\u00fc giderme i\u015flemlerine ihtiya\u00e7 duymaz. Bu sayede milisaniyeler mertebesinde \u00e7al\u0131\u015fabilir. Modelin ba\u015far\u0131s\u0131n\u0131n arkas\u0131nda yatan temel mimari bile\u015fenleri ve yenilikleri \u015fu \u015fekilde s\u0131ralayabiliriz:<\/p>\n Depth Anything V2, g\u00f6r\u00fcnt\u00fc \u00f6zelliklerini \u00e7\u0131karmak i\u00e7in son teknoloji Vision Transformer (ViT) mimarilerini kullan\u0131r. Model, farkl\u0131 kullan\u0131m senaryolar\u0131 ve donan\u0131m k\u0131s\u0131tlamalar\u0131 i\u00e7in \u00f6l\u00e7eklenebilir d\u00f6rt farkl\u0131 enkoder boyutu sunar:<\/p>\n Bu transformat\u00f6r tabanl\u0131 enkoderlar, g\u00f6r\u00fcnt\u00fcdeki hem yerel (local) ince detaylar\u0131 hem de k\u00fcresel (global) ba\u011flam\u0131 yakalama konusunda geleneksel CNN (Evri\u015fimli Sinir A\u011flar\u0131) mimarilerine g\u00f6re \u00e7ok daha \u00fcst\u00fcnd\u00fcr. K\u00fcresel ba\u011flam, \u00f6zellikle \u00f6l\u00e7ek belirsizli\u011fini \u00e7\u00f6zmede ve sahnenin genel yerle\u015fimini anlamada kritik rol oynar.<\/p>\n Depth Anything V2’nin en devrimsel y\u00f6n\u00fc, e\u011fitim s\u00fcrecinde veri kalitesine odaklanmas\u0131d\u0131r. Ara\u015ft\u0131rmac\u0131lar, “daha fazla etiketlenmemi\u015f veri” yerine “daha temiz ve kaliteli veri” ilkesini benimsemi\u015flerdir. Ger\u00e7ek d\u00fcnyadan al\u0131nan derinlik verileri (LiDAR taramalar\u0131 vb.) genellikle seyrektir (sparse) ve g\u00fcr\u00fclt\u00fcl\u00fcd\u00fcr. Buna kar\u015f\u0131l\u0131k, bilgisayar grafikleriyle \u00fcretilen sentetik sahneler (\u00f6rne\u011fin Unreal Engine veya Blender ile olu\u015fturulmu\u015f 3D d\u00fcnyalar) m\u00fckemmel, yo\u011fun (dense) ve g\u00fcr\u00fclt\u00fcs\u00fcz derinlik haritalar\u0131 sunar.<\/p>\n Depth Anything V2 e\u011fitim s\u00fcreci \u00fc\u00e7 a\u015famal\u0131 bir strateji izler:<\/p>\n Bu ak\u0131ll\u0131 bilgi dam\u0131tma (knowledge distillation) s\u00fcreci, modelin ger\u00e7ek d\u00fcnya sahnelerindeki genelleme yetene\u011fini kaybetmeden, sentetik verilerin sundu\u011fu piksel hassasiyetine ula\u015fmas\u0131n\u0131 sa\u011flar.<\/p>\n Depth Anything V2, hem akademik k\u0131yaslama testlerinde (benchmarks) hem de g\u00f6rsel nitel analizlerde rakiplerine kar\u015f\u0131 ezici bir \u00fcst\u00fcnl\u00fck kurmu\u015ftur. Modelin performans\u0131, \u00f6zellikle iki ana kategorideki rakipleriyle kar\u015f\u0131la\u015ft\u0131r\u0131lm\u0131\u015ft\u0131r: geleneksel diskriminatif modeller (MiDaS gibi) ve modern generatif modeller (Marigold gibi).<\/p>\n Model, s\u0131f\u0131r-at\u0131\u015fl\u0131 (zero-shot) transfer yetene\u011fini \u00f6l\u00e7mek amac\u0131yla NYU Depth V2, KITTI, SUN RGB-D ve DIODE gibi pop\u00fcler veri k\u00fcmelerinde test edilmi\u015ftir. Depth Anything V2, t\u00fcm bu testlerde en yak\u0131n rakibine k\u0131yasla hata oranlar\u0131n\u0131 (\u00f6rne\u011fin RMSE – Root Mean Square Error ve REL – Relative Error) \u00f6nemli \u00f6l\u00e7\u00fcde d\u00fc\u015f\u00fcrm\u00fc\u015ft\u00fcr.<\/p>\n \u00d6zellikle, ViT-S s\u00fcr\u00fcm\u00fc bile kendisinden kat kat b\u00fcy\u00fck olan eski nesil ViT-L tabanl\u0131 modellerle yar\u0131\u015fabilecek d\u00fczeyde performans g\u00f6stermektedir. Bu durum, e\u011fitimde kullan\u0131lan sentetik veri kalitesinin mimari b\u00fcy\u00fckl\u00fckten daha \u00f6nemli olabilece\u011fini kan\u0131tlam\u0131\u015ft\u0131r.<\/p>\n G\u00f6rsel incelemelerde Depth Anything V2’nin fark yaratt\u0131\u011f\u0131 \u00fc\u00e7 temel alan \u00f6ne \u00e7\u0131kmaktad\u0131r:<\/p>\n Dif\u00fczyon tabanl\u0131 modeller (\u00f6rne\u011fin Marigold veya DDVM), m\u00fckemmel derinlik haritalar\u0131 \u00fcretebilse de, tek bir g\u00f6r\u00fcnt\u00fcy\u00fc i\u015flemek i\u00e7in onlarca dif\u00fczyon ad\u0131m\u0131 atmak zorundad\u0131r. Bu da tek bir derinlik tahmini i\u00e7in saniyelerce beklemek anlam\u0131na gelir ve ger\u00e7ek zamanl\u0131 uygulamalar\u0131 imkans\u0131z k\u0131lar. Depth Anything V2 ise tek ad\u0131ml\u0131 (single-pass) bir ileri beslemeli (feed-forward) a\u011f oldu\u011fundan, saniyede 30 ila 100 kare (FPS) i\u015fleme h\u0131z\u0131na ula\u015fabilir. Bu y\u00f6n\u00fcyle ger\u00e7ek zamanl\u0131 robotik y\u00f6n bulma ve video i\u015fleme i\u00e7in tek ger\u00e7ek\u00e7i alternatiftir.<\/p>\n Depth Anything V2’nin sundu\u011fu y\u00fcksek kaliteli ve ger\u00e7ek zamanl\u0131 derinlik tahmini, bir\u00e7ok end\u00fcstride devrim yaratma potansiyeline sahiptir.<\/p>\n Otonom s\u00fcr\u00fc\u015f sistemleri ve mobil robotlar, \u00e7evrelerini alg\u0131lamak i\u00e7in genellikle pahal\u0131 LiDAR sens\u00f6rlerine g\u00fcvenirler. Depth Anything V2, standart bir RGB kameray\u0131 g\u00fc\u00e7l\u00fc bir derinlik sens\u00f6r\u00fcne d\u00f6n\u00fc\u015ft\u00fcrebilir. Robotlar, engellerden ka\u00e7\u0131nma (obstacle avoidance), haritalama (SLAM) ve yol planlama i\u015flemlerini yaln\u0131zca kamera g\u00f6r\u00fcnt\u00fclerini kullanarak d\u00fc\u015f\u00fck maliyetle ger\u00e7ekle\u015ftirebilirler. Ayr\u0131ca, LiDAR sistemlerinin ar\u0131zalanmas\u0131 durumunda m\u00fckemmel bir yedekleme (redundancy) sistemi i\u015flevi g\u00f6r\u00fcr.<\/p>\n AR uygulamalar\u0131nda, sanal nesnelerin ger\u00e7ek d\u00fcnyadaki nesnelerin arkas\u0131nda kalmas\u0131 (occlusion) ger\u00e7ek\u00e7ilik hissi i\u00e7in kritik bir unsurdur. Depth Anything V2, sahnenin anl\u0131k ve son derece keskin bir derinlik haritas\u0131n\u0131 \u00e7\u0131kararak, sanal nesnelerin ger\u00e7ek d\u00fcnya geometrisiyle kusursuz bir \u015fekilde etkile\u015fime girmesini sa\u011flar. \u00d6rne\u011fin, sanal bir topun ger\u00e7ek bir masan\u0131n alt\u0131ndan yuvarlan\u0131p arkas\u0131nda kaybolmas\u0131 bu teknolojiyle \u00e7ok daha p\u00fcr\u00fczs\u00fcz hale gelir.<\/p>\n Son y\u0131llarda pop\u00fcler olan Neural Radiance Fields (NeRF) ve 3D Gaussian Splatting gibi teknolojiler, iki boyutlu foto\u011fraflardan \u00fc\u00e7 boyutlu sahneler \u00fcretir. Bu y\u00f6ntemlerin ba\u015far\u0131s\u0131, sahneler aras\u0131ndaki derinlik tutarl\u0131l\u0131\u011f\u0131na ba\u011fl\u0131d\u0131r. Depth Anything V2, bu algoritmalara \u00f6nc\u00fcl (prior) derinlik bilgisi sa\u011flayarak e\u011fitim s\u00fcrelerini k\u0131salt\u0131r, daha az foto\u011frafla daha kaliteli 3D modeller \u00fcretilmesine olanak tan\u0131r.<\/p>\n Stable Diffusion gibi metinden g\u00f6r\u00fcnt\u00fcye (text-to-image) \u00fcretim yapan modellerde, \u00fcretilen g\u00f6r\u00fcnt\u00fcn\u00fcn kompozisyonunu kontrol etmek i\u00e7in “ControlNet” ad\u0131 verilen yap\u0131lar kullan\u0131l\u0131r. Derinlik haritalar\u0131, ControlNet i\u00e7in en g\u00fc\u00e7l\u00fc y\u00f6nlendiricilerden biridir. Depth Anything V2 taraf\u0131ndan \u00fcretilen y\u00fcksek kaliteli derinlik haritalar\u0131, yapay zeka ile g\u00f6r\u00fcnt\u00fc \u00fcretiminde karakterlerin duru\u015funu, oda yerle\u015fimini ve perspektifi m\u00fckemmel bir \u015fekilde korumay\u0131 sa\u011flar.<\/p>\n Depth Anything V2, a\u00e7\u0131k kaynakl\u0131 yap\u0131s\u0131 ve pop\u00fcler derin \u00f6\u011frenme k\u00fct\u00fcphaneleriyle olan uyumu sayesinde projelerinize kolayca entegre edilebilir. Modelin resmi PyTorch implementasyonu kullan\u0131larak bir g\u00f6r\u00fcnt\u00fcden derinlik haritas\u0131 elde etmek olduk\u00e7a basittir.<\/p>\n A\u015fa\u011f\u0131daki Python kod \u00f6rne\u011fi, Depth Anything V2 modelini y\u00fckleyerek yerel bir g\u00f6r\u00fcnt\u00fc \u00fczerinde nas\u0131l derinlik tahmini yapabilece\u011finizi g\u00f6stermektedir. Kodun \u00e7al\u0131\u015fmas\u0131 i\u00e7in sisteminizde Bu kod \u00e7al\u0131\u015ft\u0131r\u0131ld\u0131\u011f\u0131nda, model girdi olarak verilen RGB g\u00f6r\u00fcnt\u00fcy\u00fc analiz eder ve her bir pikselin kameraya olan g\u00f6receli uzakl\u0131\u011f\u0131n\u0131 temsil eden tek kanall\u0131 bir matris (derinlik haritas\u0131) \u00fcretir. Depth Anything V2, monok\u00fcler derinlik tahmini alan\u0131nda devasa bir s\u0131\u00e7rama olsa da, ara\u015ft\u0131rmac\u0131lar\u0131n \u00f6n\u00fcnde hala \u00e7\u00f6z\u00fclmesi gereken baz\u0131 zorluklar bulunmaktad\u0131r. Bunlardan ilki “mutlak derinlik” (absolute depth) tahminidir. Depth Anything V2, do\u011fas\u0131 gere\u011fi ba\u011f\u0131l\/g\u00f6receli (relative) derinlik haritalar\u0131 \u00fcretir; yani hangi nesnenin hangisinden daha \u00f6nde oldu\u011funu \u00e7ok iyi bilir ancak nesnenin kameraya tam olarak ka\u00e7 metre (\u00f6rne\u011fin 3.42 metre) uzakl\u0131kta oldu\u011funu do\u011frudan s\u00f6yleyemez. Ger\u00e7ek d\u00fcnya metrik \u00f6l\u00e7\u00fcmleri i\u00e7in modelin ek kalibrasyon ad\u0131mlar\u0131ndan veya sens\u00f6r verileriyle birle\u015ftirmeden (sensor fusion) ge\u00e7mesi gerekir.<\/p>\n Bununla birlikte, gelecekte bu t\u00fcr g\u00fc\u00e7l\u00fc temel modellerin (foundation models) do\u011frudan video ak\u0131\u015flar\u0131 \u00fczerinde zamansal tutarl\u0131l\u0131kla (temporal consistency) \u00e7al\u0131\u015facak \u015fekilde optimize edilmesi beklenmektedir. Video tabanl\u0131 derinlik tahmini, kareler aras\u0131ndaki ge\u00e7i\u015flerde olu\u015fabilecek titremeleri (flickering) engelleyerek sinematik efektler ve otonom s\u00fcr\u00fc\u015f i\u00e7in daha da kararl\u0131 sonu\u00e7lar sunacakt\u0131r.<\/p>\n Depth Anything V2; ak\u0131ll\u0131ca tasarlanm\u0131\u015f e\u011fitim metodolojisi, sentetik verinin g\u00fcc\u00fcn\u00fc arkas\u0131na almas\u0131 ve g\u00fc\u00e7l\u00fc Vision Transformer altyap\u0131s\u0131 ile bilgisayarl\u0131 g\u00f6r\u00fc alan\u0131nda bir d\u00f6n\u00fcm noktas\u0131d\u0131r. Generatif modellerin g\u00f6rsel kalitesini, diskriminatif modellerin h\u0131z avantaj\u0131yla birle\u015ftiren bu model, monok\u00fcler derinlik tahminini laboratuvar ortamlar\u0131ndan \u00e7\u0131kar\u0131p ger\u00e7ek d\u00fcnya uygulamalar\u0131na ta\u015f\u0131m\u0131\u015ft\u0131r.<\/p>\n A\u00e7\u0131k kaynakl\u0131 olarak sunulmas\u0131 ve farkl\u0131 donan\u0131m g\u00fc\u00e7lerine g\u00f6re \u00f6l\u00e7eklenebilen s\u00fcr\u00fcmleri (ViT-S’den ViT-G’ye) sayesinde, ba\u011f\u0131ms\u0131z geli\u015ftiricilerden b\u00fcy\u00fck teknoloji \u015firketlerine kadar geni\u015f bir kitleye hitap etmektedir. \u00d6n\u00fcm\u00fczdeki y\u0131llarda otonom ara\u00e7lardan ak\u0131ll\u0131 telefon uygulamalar\u0131na, sanal ger\u00e7eklikten yapay zeka ile i\u00e7erik \u00fcretimine kadar hayat\u0131m\u0131z\u0131n bir\u00e7ok noktas\u0131nda Depth Anything V2 ve t\u00fcrevi modellerin izlerini daha s\u0131k g\u00f6rece\u011fimiz \u015f\u00fcphesizdir.<\/p>\n1. Monok\u00fcler Derinlik Tahmininin Evrimi ve Depth Anything V1<\/h3>\n
\n
2. Depth Anything V2’nin Temel Mimarisi ve Yenilikleri<\/h3>\n
2.1. Vision Transformer (ViT) Tabanl\u0131 G\u00fc\u00e7l\u00fc Enkoderlar<\/h3>\n
\n
2.2. Sentetik Veri Odakl\u0131 E\u011fitim Metodolojisi<\/h3>\n
\n
3. Teknik Kar\u015f\u0131la\u015ft\u0131rma ve Performans Analizi<\/h3>\n
3.1. Nicel Sonu\u00e7lar (Quantitative Benchmarks)<\/h3>\n
3.2. Niteliksel Farklar (Qualitative Analysis)<\/h3>\n
\n
3.3. H\u0131z ve Verimlilik<\/h3>\n
4. Depth Anything V2’nin Uygulama Alanlar\u0131<\/h3>\n
4.1. Otonom Ara\u00e7lar ve Robotik<\/h3>\n
4.2. Art\u0131r\u0131lm\u0131\u015f Ger\u00e7eklik (AR) ve Sanal Ger\u00e7eklik (VR)<\/h3>\n
4.3. 3D Rekonstr\u00fcksiyon ve NeRF \/ 3D Gaussian Splatting<\/h3>\n
4.4. Generatif Yapay Zeka ve ControlNet Entegrasyonu<\/h3>\n
5. Pratik Kullan\u0131m Rehberi ve Kod Entegrasyonu<\/h3>\n
torch<\/code>, opencv-python<\/code> ve modelin resmi GitHub deposundaki yard\u0131mc\u0131 s\u0131n\u0131flar\u0131n bulunmas\u0131 gerekmektedir.<\/p>\nimport cv2\nimport torch\nimport numpy as np\n\nModel mimarisini i\u00e7e aktar\u0131n (Resmi depodan klonland\u0131\u011f\u0131 varsay\u0131lm\u0131\u015ft\u0131r)<\/h2>\nfrom depth_anything_v2.dpt import DepthAnythingV2\n\n
Uygun donan\u0131m\u0131 se\u00e7in (CUDA destekli GPU \u00f6nerilir)<\/h2>\ndevice = 'cuda' if torch.cuda.is_available() else 'cpu'\n\n
Model konfig\u00fcrasyonunu tan\u0131mlay\u0131n (\u00d6rnek olarak ViT-B kullan\u0131lm\u0131\u015ft\u0131r)<\/h2>\nmodel_configs = {\n 'vits': {'encoder': 'vits', 'features': 64, 'out_channels': [48, 96, 192, 384]},\n 'vitb': {'encoder': 'vitb', 'features': 128, 'out_channels': [96, 192, 384, 768]},\n 'vitl': {'encoder': 'vitl', 'features': 256, 'out_channels': [256, 512, 1024, 1024]}\n}\n\nencoder = 'vitb' # Se\u00e7ilen enkoder boyutu\nmodel = DepthAnythingV2(<\/em>model_configs[encoder])\n\n
\u00d6nceden e\u011fitilmi\u015f a\u011f\u0131rl\u0131klar\u0131 y\u00fckleyin<\/h2>\nmodel.load_state_dict(torch.load(f'depth_anything_v2_{encoder}.pth', map_location='cpu'))\nmodel = model.to(device).eval()\n\n
G\u00f6r\u00fcnt\u00fcy\u00fc y\u00fckleyin<\/h2>\nimage_path = 'ornek_sahneler\/oda.jpg'\nraw_image = cv2.imread(image_path)\n\n
Derinlik tahminini ger\u00e7ekle\u015ftirin<\/h2>\nwith torch.no_grad():\n # Model girdiyi otomatik olarak normalize eder ve boyutland\u0131r\u0131r\n depth = model.infer_image(raw_image)\n\n
Derinlik haritas\u0131n\u0131 g\u00f6rselle\u015ftirme i\u00e7in normalize edin (0-255 aral\u0131\u011f\u0131na)<\/h2>\ndepth_normalized = (depth - depth.min()) \/ (depth.max() - depth.min()) * 255\ndepth_normalized = depth_normalized.astype(np.uint8)\n\n
Renklendirilmi\u015f derinlik haritas\u0131 olu\u015fturun (Jet renk haritas\u0131 yayg\u0131n kullan\u0131l\u0131r)<\/h2>\ndepth_colormap = cv2.applyColorMap(depth_normalized, cv2.COLORMAP_JET)\n\n
Sonu\u00e7lar\u0131 kaydedin veya g\u00f6sterin<\/h2>\ncv2.imwrite('derinlik_sonucu.png', depth_colormap)\nprint(\"Derinlik haritas\u0131 ba\u015far\u0131yla olu\u015fturuldu ve kaydedildi.\")\n<\/code><\/pre>\n
infer_image<\/code> fonksiyonu, g\u00f6r\u00fcnt\u00fcn\u00fcn en boy oran\u0131n\u0131 koruyarak en uygun \u00e7\u00f6z\u00fcn\u00fcrl\u00fckte i\u015flenmesini sa\u011flar.<\/p>\n6. Gelecek Perspektifi ve S\u0131n\u0131rlar<\/h3>\n
7. Sonu\u00e7<\/h3>\n