企业官网建设流程全解析

简介：Depth-Anything-V2 是面向单目深度估计的开源项目资源，适合计算机视觉算法研究与工程落地，可仅凭单张 RGB 图像输出逐像素深度，用于机器人导航、三维重建、增强现实等场景。压缩包共 99 个文件，以 Python 源码（38 个 py）为主，同时包含示例图片、sample 样本、md/txt 说明文档、mp4 演示视频、训练配置与许可证文件，总大小约 89.99MB，目录结构完整，便于按模块定位查阅。核心模块包括 dpt.py、dinov2 层、深度转点云工具、视频深度估计示例、训练与推理入口，配合 README 与 DA-2K.md 可快速理解整体流程。已有 238 人浏览学习，对需要复现 Depth-Anything-V2 结果、做消融实验或将模型集成到三维视觉项目的开发者，这份资源能直接提供可运行的代码、示例数据和离线文档，减少环境搭建与数据处理时间。

1. 深度估计的新标尺：Depth-Anything-V2 凭什么把「单张图出深度」变成可靠工程

做过 3D 重建的工程师，多半被单目深度估计坑过：输入一张 RGB 图，模型输出一张灰度图，看着像模像样，拿去生成点云却糊成一团；换个场景，深度值分布完全变了。Depth-Anything-V2 是当前少有的、能在精度和速度两条线同时打动人心的方案：它用 DINOv2 的自监督特征做教师信号，用细粒度匹配损失训练解码器，边缘细节比第一代锐利得多，而推理耗时只有上一代的十分之一左右。如果你正在做 AR 遮挡、虚拟背景替换、室内三维重建或机器人视觉避障，这个模型是目前单目深度估计最值得先跑通的方向。下面按「模型为什么这样改 → 最小推理怎么跑 → 常见故障怎么排 → 深度图怎么用 → 进阶怎么调」的顺序讲，每一步都落在具体命令和参数上。

2. 从 V1 到 V2：Depth-Anything 到底改了什么，为什么效果差这么多

2.1 单目深度估计的核心问题：没有视差，深度从哪来

传统立体视觉需要两个相机在不同位置拍摄同一场景，通过视差三角化得到深度；结构光方案需要投射已知图案，在室外强光下基本失效。单目深度估计只有一张图，几何上不存在唯一解，它本质上是在靠先验「猜」——模型在大规模数据上学到了「远处的物体更小」「地面向下延伸」「桌子是水平的板」这类统计规律，再用这些规律反推每个像素的深度。

正因为没有真实的物理尺度约束，单目模型输出的通常是相对深度：它反映的是「A 比 B 远多少」的比例关系，而不是「A 离相机 3.2 米」的绝对值。这对很多下游任务已经够用——AR 遮挡只需要前后关系，背景虚化只需要远近分布；但若要转成真实尺寸的点云，就需要额外标定一个尺度因子。

这也是 Depth-Anything 系列在设计时的关键取舍：模型回归的目标是相对深度，训练时用 scale-shift 不变性损失，允许预测在缩放和平移上自由变化，只惩罚相对关系错误。这种设计让模型对相机内参、图像风格、场景类型都不敏感，泛化能力比直接回归绝对深度的方案强很多。理解这一点，才能解释后面会出现的大部分异常现象：深度分布不是「错」，而是「没有绑定真实尺度」。

单目深度估计的难点不止尺度。同一张 2D 图可以对应无数种 3D 解释，比如一个巴掌大的玩具车和一辆真车，只要距离和大小成比例，在图像上可能完全一样。模型要打破这种歧义，唯一能依赖的是语义——认得出那是车、那是路，然后按「车比路小很多」的先验来分配深度。所以单目深度模型的效果上限，很大程度上取决于编码器对场景语义的捕捉能力，这也是 V2 换用更强编码器的根本原因。

2.2 骨干网络的更换：用 DINOv2 做教师，学生解码器学深度

V1 的编码器是自研的 ViT，用大规模分类或自监督任务做预训练，特征表达已经不错，但离「深度友好」还有距离。V2 最核心的改动，是把编码器换成了 DINOv2 这个在更大规模自然图像上自监督训练的特征提取器。具体做法是教师-学生蒸馏：DINOv2 作为教师，对同一张图提取特征；学生网络在预测深度的同时，让中间层特征与教师特征对齐。

这样做的收益可以从两个层面理解。第一层是特征质量：DINOv2 在数十亿规模的自然图上做自监督学习，特征对物体边界、遮挡、材质转折、光照变化非常敏感，而这些恰好是深度断裂最需要的信息。第二层是训练稳定性：教师特征固定不动，学生只需要在特征空间里对齐，比从图像直接回归深度收敛更快；V2 还删掉了 V1 里的辅助语义分割分支，让解码器专心学深度，不会出现辅助任务抢梯度的问题。

我一般这样向团队解释这个改动：V1 是普通学生自己刷题，V2 是请了学霸在旁边给提示，学生不需要从零总结规律，只需要把提示翻译成深度。这也是 V2 整体参数反而更小、精度却更高的原因。需要留意的是，教师模型只在训练阶段参与，推理时 V2 只加载学生网络，所以部署时不需要 DINOv2 单独跑一遍，显存占用只取决于学生模型大小。

在工程上，换骨干带来的兼容性成本也很低：模型的输入仍然是标准 RGB 图像，接口和 V1 几乎一致。真正受影响的只是权重文件和配置文件里的 encoder 名字。如果你的项目此前用的是 V1 的 pipeline，升级到 V2 时，模型加载代码需要适配新的配置字典，但前后的预处理、后处理、可视化逻辑基本可以原样保留。

2.3 细粒度匹配损失：边缘细节不再糊的关键

V1 里的特征对齐损失是整图级别的，对齐的是特征图的整体分布。大的物体区域对得很好，但细长物体、薄片结构经常糊成一片。V2 引入细粒度匹配损失，做法是按 patch 做局部匹配：把图像切成若干小 patch，对每个 patch 分别约束学生特征与教师特征对应，而不是整张图算一个平均对齐。这相当于把「大概对齐」升级成了「逐块对齐」。

直观效果是深度图的边缘断裂明显锐利：桌腿和桌面之间从渐变过渡变成清晰边界，树叶从一片均匀的糊变成能看出簇间前后层次。对实际项目影响很大——AR 遮挡和背景替换最怕的就是半透明的深度过渡，前景物体边缘像蒙了一层纱，细粒度匹配损失正好把这个问题压住了。

细粒度匹配损失有一个附带要求：它对输入的分辨率和 patch 对齐敏感。训练时图像会被切到 14 的倍数，推理时输入尺寸最好也保持这个约束，否则边缘 patch 会被截断，深度图边缘出现一条异常亮带。所以项目仓库里的推理接口会自动做 resize 和补齐，手动写推理循环的人最容易忽略这一条。

2.4 效率与规模：从移动端到服务器的三档选择

V2 提供三个规模的模型：vits 适合移动端或嵌入式设备，vitb 是平衡档，vitl 是精度档。三者的编码器深度和通道数不同，解码器输出通道也要对应调整。官方发布的基准里，V2 在室内、室外、自动驾驶三类常见深度基准上都比 V1 有明显提升，而推理耗时接近一个数量级的下降——vits 在手机端接近实时，vitb 在中端 GPU 上可以做实时视频推理。

选型建议是先跑 vitb，确认方案可行后再按算力上下浮动。我在验证阶段都用 vitb，它处理一张 518 分辨率的图只要几十毫秒，足够交互式调参；生产环境如果对精度敏感，再评估 vitl 的显存预算。

这三档模型的权重不通用，下载和加载时必须对应。后面第三章会给出具体的配置字典和加载代码，避免配错导致 key 不匹配。

2.5 和其他单目方案对比：为什么这个方向值得投入

现阶段单目深度估计还有几个常用基线。MiDaS 系列是相对深度的老牌方案，多数据集融合训练，泛化能力不错，但边缘细节和细粒度结构弱一些。ZoeDepth 在相对深度模型之上加了一个 metric 头，可以输出绝对深度，但绝对深度的精度高度依赖训练数据里的场景分布，换到没见过的场景反而容易漂移。Depth-Anything-V2 走的是「泛化优先」路线，用相对深度作为输出，好处是跨场景稳定、不挑相机内参。

选型上我的判断是：如果下游只需要前后关系，或场景类型不固定，V2 的综合收益最高；如果必须拿到真实距离且场景分布可控（比如固定机位的室内监控），ZoeDepth 这类带 metric 头的模型值得试，但要准备足够的标定场景数据。如果只是做一个快速验证的深度效果 Demo，MiDaS 仍然是工程量最小的选择，但它的细粒度不足会在 AR 遮挡场景露馅。

这个对比不是为了踩谁，而是想说明：V2 适合的是「要拿深度做产品」的工程场景，不是「要发表论文比指标」的研究场景。它的价值在于把精度、速度、易用性这几个工程指标平衡到了一个可以直接落地的位置。

3. 本地跑通 Depth-Anything-V2：环境、权重与最小推理脚本

3.1 环境准备与 GPU/CPU 选型

依赖项不复杂：PyTorch 2.x、OpenCV、NumPy 和 einops。Python 版本建议 3.10 以上，CUDA 11.8 或更高。建议先用 conda 独立创建一个环境，避免和公司的旧项目冲突：

conda create -n da python=3.10 -y conda activate da pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install opencv-python numpy einops

cu118表示 CUDA 11.8 版本的预编译包。如果你机器上的驱动已经支持 CUDA 12.x，也可以把cu118换成对应版本，但要注意 PyTorch 和显卡驱动的兼容性。装完后用一段小代码确认 GPU 可用：

import torch print(torch.__version__) print(torch.cuda.is_available()) if torch.cuda.is_available(): print(torch.cuda.get_device_name(0))

如果你的机器没有 NVIDIA 显卡，CPU 也能跑，只是速度差很多：vitl 在 CPU 上处理一张 518 分辨率的图可能要两三秒，vitb 大约半秒，vits 在 200 毫秒以内。做视频实时推理还是需要显卡，显存 6G 以上就够 vitb，vitl 建议 12G 以上。集成显卡跑 vits 也能勉强出结果，但显存共享导致速度波动大，不适合用来调参。

3.2 下载权重与模型加载：三个尺寸怎么选

权重文件需要从项目的 Release 页面下载。下载后用 sha256 校验一下文件完整性，这一步经常被跳过，但权重文件下载中断是实际发生过的坑——模型加载时不报错，推理结果却异常，最后排查才发现权重只下了一半。校验通过后把权重放到工作目录，并定义模型配置：

from depth_anything_v2.dpt import DepthAnythingV2 model_configs = { "vits": {"encoder": "vits", "features": 64, "out_channels": [48, 96, 192, 384]}, "vitb": {"encoder": "vitb", "features": 128, "out_channels": [96, 192, 384, 768]}, "vitl": {"encoder": "vitl", "features": 256, "out_channels": [256, 512, 1024, 1024]}, } model = DepthAnythingV2(**model_configs["vitb"]) model.load_state_dict(torch.load("depth_anything_v2_vitb.pth", map_location="cpu")) model.cuda().eval()

features是解码器输入的特征维度，out_channels是解码器四个阶段输出的通道数。这三档配置之间不能混用：把 vitl 的权重加载进 vitb 的配置，load_state_dict会直接报 key 不匹配；如果报错，先检查是不是文件名和配置对不上。eval()一定要调用，不然模型里的 dropout 和归一化层会保留训练状态，输出结果会有随机性。

导入depth_anything_v2时如果报 ModuleNotFoundError，多半是项目根目录没有加进 Python 路径。最简单的办法是在脚本开头加一行sys.path.append("/path/to/Depth-Anything-V2")，或者用pip install -e .把项目安装成可导入的包。这一条看起来基础，但在多人协作的工程里经常被踩——队友 clone 了代码却没有执行安装步骤。

注意：权重文件的 sha256 校验很重要。下载完先比对哈希，避免加载中断的权重导致深层网络输出异常且难以排查。

3.3 最小推理脚本：从一张图片到深度图

推理的核心接口是模型的infer_image方法，它内部自动处理 resize、归一化、patch 对齐和后处理。直接把 OpenCV 读出的 BGR 图像传进去即可：

import cv2 raw_image = cv2.imread("input.jpg") depth = model.infer_image(raw_image) # 返回 numpy 数组，形状 (H, W) print("深度图尺寸:", depth.shape) print("深度值范围: %.3f ~ %.3f" % (depth.min(), depth.max()))

infer_image默认把图像短边 resize 到 518 像素，并保证宽和高是 14 的倍数。需要更高分辨率时可以传canvas_size参数手动指定：

depth = model.infer_image(raw_image, canvas_size=700)

canvas_size表示短边目标长度。调大这个值会保留更多细节，但显存占用和耗时接近线性增长。做精度验证时我会从 518 往上试，找到一个边缘清晰且显存不崩的临界值；做批量处理反而会降到 350~400 来提速。这里有个容易被忽视的细节：infer_image返回的深度图尺寸与输入图像保持一致，因为内部做了缩放，不需要你手动 resize 回去。

3.4 深度图可视化与 16bit 保存

模型输出是 float32 的单通道数组，范围不固定。直接用cv2.imshow会得到一张几乎全黑的图，必须归一化后再映射：

import numpy as np import cv2 depth_norm = (depth - depth.min()) / (depth.max() - depth.min()) depth_uint8 = (depth_norm * 255.0).astype(np.uint8) colored = cv2.applyColorMap(depth_uint8, cv2.COLORMAP_INFERNO) cv2.imwrite("depth_colored.jpg", colored)

min-max 归一化是必须的。如果不做，直接用原始深度值转 uint8，大值区域会截断成纯白，小值区域挤在黑色里，整张图的层次全部丢失。COLORMAP_INFERNO是深度可视化常用的伪彩色，暗色近、亮色远，比灰度图更直观。

如果是给后续算法用而不是给人看，建议保存 16bit PNG，保留深度值的精度：

depth_16bit = (depth - depth.min()) / (depth.max() - depth.min()) * 65535.0 depth_16bit = depth_16bit.astype(np.uint16) cv2.imwrite("depth_raw_16bit.png", depth_16bit)

16bit PNG 的好处是深度范围被线性拉伸到 0~65535，后续读取时知道这个映射关系就能还原相对比例。要注意的是，这里保存的是相对深度，不是真实距离；如果下游需要真实距离，要在保存前先乘尺度因子。

4. Depth-Anything-V2 的五个常见故障与排查思路：现象、原因、解法

下面这五个问题在深度估计落地时最容易撞上，按现象、原因、解决三个步骤整理。大多数情况下不用改模型，修一下前后处理就能解决。

4.1 深度图整体发灰，看不出远近层次

现象：输出的深度图经过 colormap 后整张灰蒙蒙一片，只有极少数的亮斑，层次感几乎为零。

原因：这是最常见的可视化问题。模型的输出是相对深度，数值分布可能非常集中（比如所有值都在 0.4 到 0.6 之间），直接用固定的 0~1 映射到 0~255，中间值全落在灰色区域，对比度自然上不去。

解决：先看原始深度值的 min 和 max，确认分布范围；再做百分位裁剪，把 2% 和 98% 分位之外的值截断，然后再做 min-max 归一化：

lo, hi = np.percentile(depth, 2), np.percentile(depth, 98) depth_clipped = np.clip(depth, lo, hi) depth_norm = (depth_clipped - lo) / (hi - lo)

如果裁剪后发现某一侧细节丢失，说明场景里有极远或极近的异常点，可以把 2% 和 98% 改到 1% 和 99%，给异常值留更多余量。如果深度直方图显示多峰分布（比如近处桌子、远处墙壁各占一簇），可以考虑用聚类做分段拉伸，效果比全局归一化更细腻。

4.2 细长物体边缘出现毛刺或孔洞

现象：电线杆、桌腿、植物枝条这些细长结构，在深度图上边缘不连续，出现锯齿状的毛刺或者内部小孔洞。

原因：细粒度匹配损失提升了边缘锐度，但代价是对输入分辨率敏感。当图像的短边被缩到 518 时，一个只占 4~5 像素的细物体在 patch 切分时可能落在两个 patch 的边界上，模型难以给它一致的深度。此外，编码器的 patch size 固定，细物体本身可用的 token 太少。

解决：提高canvas_size，让细物体在图像中占据更多像素；如果模型是 vitb，可以换 vitl 试一下，更大的模型对细结构的容忍度更高。还有一种工程技巧：对深度图做一次 3x3 的中值滤波，把孤立的毛刺噪声去掉，代价是边缘轻微变钝。

depth_filtered = cv2.medianBlur(depth.astype(np.float32), 3)

中值滤波对椒盐式的毛刺很有效，但如果你的场景里有很多真实细结构，滤波窗口不要超过 5，否则桌腿和电线的深度会被周边背景带偏。

4.3 场景切换时深度尺度发生跳变

现象：同一个模型，在室内预测的深度范围是 0~1，切到室外后变成了 0~2.5；或者同一张图换一个亮度稍有不同的版本，深度整体偏移明显。

原因：这是相对深度的特性，不是 bug。模型学到的是场景内的比例关系，不承诺跨场景的绝对尺度。室内场景远近跨度小，室外场景跨度大，模型输出的归一化深度自然不同。

解决：如果下游需要稳定尺度，需要做「尺度锚定」。常见做法是：在场景中选择一个已知距离的参考点（比如相机到地板的距离），用模型在该点的深度值和真实距离算一个缩放因子，把它作用到整张深度图上。对视频序列，用第一帧的参考点做一次标定，后续帧沿用同一因子，就可以明显减弱尺度跳变。

这一步的工程细节是：参考点不要选在运动物体上，也不要在画面边缘（边缘深度误差通常更大）。选画面中心附近、结构明确的静态点，标定结果更稳。

4.4 显存不足或推理速度赶不上实时

现象：vitl 模型在 8G 显存上直接 OOM，或者 vitb 在 518 分辨率下帧率只有十几帧，达不到视频实时的要求。

原因：模型尺寸和输入分辨率是吃掉显存的大头。vitl 的参数量是 vitb 的几倍，前向计算时的中间特征也更多；分辨率越高，patch 数量越多，Transformer 的自注意力计算量呈平方增长。

解决：优先把canvas_size降到 400 左右，这一步通常能省下超过一半的显存；还不行就换 vits。另外，PyTorch 可以用半精度推理：

with torch.autocast(device_type="cuda", dtype=torch.float16): depth = model.infer_image(raw_image, canvas_size=518)

半精度在 vitb 上能显著提速，但对个别场景可能出现数值溢出，务必在可视化时确认深度范围是否正常。如果跑视频流，还可以考虑把推理放到单独的线程里，用队列缓存帧，避免图像读取和模型计算互相阻塞。

4.5 深度图方向反了：近处反而暗，远处反而亮

现象：输出的深度图经过 colormap 后，明显的近处物体是暗色，远处背景是亮色，和可视化时的方向预期相反。

原因：严格来说这不一定是错误。Depth-Anything 系列的输出惯例通常是「深度值越大，距离越远」，所以 colormap 中远处更亮。但很多从传统深度相机（如 Kinect、激光雷达）切过来的工程师习惯的是「深度值越大，距离越近」的惯例，于是产生了反转的错觉。

解决：先确认你要对接的下游模块用的是哪个约定。如果下游按激光雷达的习惯处理，直接把深度取反即可：

depth_inv = depth.max() - depth # 近处值大、远处值小

不过反转之后，模型的相对比例关系仍然成立，只是符号变了。最稳妥的做法是在代码里写一个标志位表示深度方向，避免后期接到不同下游时来回改。

5. 把深度图用起来：从单张图到 3D 点云与下游应用

5.1 相机内参换算：深度值到 3D 坐标的数学

深度图要变成 3D 坐标，必须知道相机的内参。对针孔相机模型，像素 (u, v) 对应的三维坐标是：

X = (u - cx) * Z / fx Y = (v - cy) * Z / fy Z = depth_value

其中 fx、fy 是焦距（像素单位），cx、cy 是主点坐标。这些参数可以从相机标定获得。手机照片通常没有内参，可以用 EXIF 里的焦距信息和传感器尺寸估算，但精度有限；严谨的做法是拍一张标定板做一次标定。

如果模型输出的是相对深度，还需要一个尺度因子 s 将深度值还原为真实距离：真实距离 = 相对深度 × s。s 的获取方式在 4.3 里讲过——用场景中已知距离的参考点反推。这里补充一个细节：如果只是做可视化预览，不需要真实尺度，可以直接用归一化深度生成点云，但长宽比会被拉伸，看起来像浮雕而不是真实场景。

5.2 用 Open3D 生成可交互查看的点云

下面这段代码把深度图和相机内参转成 ply 点云文件，用 Open3D 可以直接打开查看：

import numpy as np import cv2 import open3d as o3d fx, fy = 1000.0, 1000.0 # 从相机标定获得 cx, cy = depth.shape[1] / 2, depth.shape[0] / 2 h, w = depth.shape u, v = np.meshgrid(np.arange(w), np.arange(h)) Z = depth.astype(np.float32) X = (u - cx) * Z / fx Y = (v - cy) * Z / fy points = np.stack([X, -Y, Z], axis=-1).reshape(-1, 3) colors = cv2.cvtColor(raw_image, cv2.COLOR_BGR2RGB).reshape(-1, 3).astype(np.float32) / 255.0 pcd = o3d.geometry.PointCloud() pcd.points = o3d.utility.Vector3dVector(points) pcd.colors = o3d.utility.Vector3dVector(colors) pcd = pcd.uniform_down_sample(every_k_points=50) o3d.io.write_point_cloud("output.ply", pcd)

Y 轴取负是因为图像坐标系和三维坐标系的方向约定不同——图像 v 轴向下，三维 Y 通常向上。uniform_down_sample(every_k_points=50)的作用是每隔 50 个点采样一个，把密集点云减到可交互的规模；如果点云过稀，把 50 改成 20 即可。

生成的点云如果看起来像被压扁的纸片，说明尺度因子 s 没设对；如果点云有倒影或空洞，多半是深度图在镜面、高光或透明区域不可靠，需要用 5.4 的后处理先修一遍。

5.3 下游场景对接：AR 遮挡、背景虚化、机器人避障

点云和深度图对接下游有很多成熟路径。AR 场景里，深度图可以直接用于遮挡渲染——虚拟物体应该被真实前景遮住时，比较虚拟物体的深度和真实场景深度即可决定是否渲染该像素。背景虚化则更简单：用深度图生成模糊权重图，远处用高斯模糊，近处保持清晰，就能得到一个类似人像模式的效果。

机器人避障是相对深度的直接受益者：不需要绝对尺度也能判断「前方有障碍物、距离在减小」。实际使用时把深度图缩放到一个固定分辨率（比如 640x480），用阈值分割出近距离障碍物的连通域，再计算障碍物的面积和位置，就可以驱动避障逻辑。

这些下游开发的共同点是：第一步永远是把模型输出和可视化做对，先确保你在屏幕上看到的深度和真实世界一致，再谈算法对接。不要跳过 3.4 的可视化步骤直接接下游，否则出问题时很难判断是模型的问题还是下游算法的问题。

5.4 深度图后处理：空洞填充与平滑

镜面、高光、透明物体和黑色吸光表面，会让深度图出现局部空洞或异常跳变。这些区域的模型输出不可靠，最常见的表现是：亮度极高的窗户被预测成很远的深度，或者黑色皮椅的深度像被「吸」进椅背。

对于小空洞，可以用图像修复的思路处理：

mask = (depth <= 0) | (depth > np.percentile(depth, 99)) depth_uint8 = ((depth - depth.min()) / (depth.max() - depth.min()) * 255).astype(np.uint8) filled = cv2.inpaint(depth_uint8, mask.astype(np.uint8), 3, cv2.INPAINT_TELEA)

mask把深度值为 0 或超过 99 分位的像素标记为无效，cv2.inpaint用周围的有效像素填充空洞，3是修复半径。修复后建议再做一次小半径的双边滤波，既能保留边缘，又能去掉填充带来的块状感。

6. 进阶技巧：视频深度一致性与 3D 重建的尺度恢复

视频场景和单张图像不同，逐帧推理会让深度在时间维度上抖动：同一面墙，这一帧预测是 0.55，下一帧变成 0.61，三维重建时墙面就变成了波浪面。一个实用的技巧是加时间滤波——用相邻帧的光流把当前帧的深度图对齐到上一帧的坐标系，再做指数移动平均：

depth_smooth = alpha * depth_warped + (1 - alpha) * depth_current

alpha取 0.3~0.5 比较合适，太小没有平滑效果，太大则会引入残影。如果没有光流条件，退而求其次的做法是只对深度图做时间上的中值滤波——每 N 帧取一次中值，代价是输出延迟 N/2 帧。

另一个进阶点是尺度恢复。做 3D 重建时，相对深度没法直接作为测量数据，需要把整张深度图乘一个 s 并加一个偏移 b。如果你能拿到少量已知深度点（比如标定板上几个点在相机坐标系下的真实距离），可以用最小二乘一次性拟合 s 和 b，让模型输出对齐到真实距离。这个操作在项目里一般写成一个几十行的脚本，跑一次就能把后续帧都换算成真实距离。

我在实际项目里养成的习惯是：先把深度方向和尺度约定写进配置常量，再写可视化，最后才接下游模块。顺序反了的话，每个下游都会来问你「为什么你的深度是反的」，一次一次解释很浪费时间。先定约定、再可视化、再接下游，这套顺序能省掉大部分返工。希望这个习惯也能帮到你。

本文还有配套的精品资源，点击获取