企业官网建设流程全解析

想在Mac 上本地运行 Video-Depth-Anything-Base-MLX吗？它是字节跳动 Video Depth Anything 的MLX 移植版，专门用于视频单目深度估计：给一段视频，逐帧输出一致的深度图。本文带你从 0 到 1 完成模型获取、环境安装和首次推理，全程不依赖云端。

它是什么：为什么选择在本地跑

🎬 传统深度估计模型（如 Video Depth Anything）通常依赖 PyTorch + NVIDIA GPU，而Video-Depth-Anything-Base-MLX将权重与结构转换成了MLX 格式，可以直接在Apple Silicon（M 系列芯片）上高效推理。

它的核心特点：

模型类型与结构参数定义在 config.json 中：编码器为vitb，num_frames为 32，metric为false（即输出相对深度，而非米制深度）。

第一步：获取模型文件

仓库只需用一行命令克隆到本地：

git clone https://gitcode.com/hf_mirrors/mlx-community/Video-Depth-Anything-Base-MLX

克隆完成后，目录结构非常简洁，四个文件各司其职：

💡 只需克隆一次，权重文件较大，建议在网络良好时进行；克隆成功后即可断网使用。

第二步：安装环境，准备运行

本地运行 Video-Depth-Anything-Base-MLX 的环境要求其实只有两条：一台 Apple Silicon 的 Mac（M1 及以上）和Python 环境。

安装两个依赖即可：

pip install mlx mlx-vlm

• mlx：Apple 官方的机器学习框架，提供 Metal GPU 加速
• mlx-vlm：加载与推理库，内置了video_depth_anything模型的实现

⚠️ 注意：MLX 目前仅支持 Apple 芯片，Windows/Intel Mac 无法直接运行。

第三步：3 行代码完成首次推理

推理流程可以拆成三步：加载模型 → 读取视频帧 → 执行推理。完整示例来自 README.md：

from mlx_vlm import load from mlx_vlm.models.video_depth_anything.generate import ( VideoDepthPredictor, read_video_frames, ) # 1. 加载模型（可直接指向本地克隆的仓库目录） model, processor = load("Video-Depth-Anything-Base-MLX") predictor = VideoDepthPredictor(model, processor) # 2. 读取视频帧（最长 300 帧，目标帧率 15fps） frames, fps = read_video_frames("input.mp4", max_len=300, target_fps=15) # 3. 推理，得到 (T, H, W) 形状的 float32 深度序列 depths = predictor.infer(frames)

把input.mp4换成你自己的视频文件即可。depths的每个时间步就是一帧的灰度深度图，值越大代表离镜头越远，用任意图像库保存成图片就能直观查看。

关键参数与输入约束

📌 首次运行前，这几个约束务必确认，能避免绝大多数报错：

关于精度：在 Metal GPU 上，输出与 PyTorch 参考实现约 1% 的相对误差（fast-math 导致）；在 CPU 上误差可低至约 1e-5。对可视化、分割等应用来说完全够用。

常见问题 FAQ

Q1：输出是绝对深度（米）吗？

不是。config.json中metric为false，输出的是相对深度（近小远大），不能直接当真实距离使用，但帧间一致性很好，适合立体感渲染、背景分离等场景。

Q2：长视频能处理吗？

可以。read_video_frames通过max_len和target_fps控制采样帧数，模型对任意长度视频保持时序一致的深度输出。

Q3：第一次运行特别慢？

正常现象——首次推理需要编译 MLX 内核，后续帧会明显加速。

许可证提醒

⚠️ 本模型采用CC-BY-NC-4.0协议（与源模型一致），仅限非商业用途。用于商业产品前请仔细阅读 README.md 中的 License 条款。

写在最后

至此，你已完成 Video-Depth-Anything-Base-MLX 的完整本地部署：克隆仓库 → 安装 mlx-vlm → 三行代码出深度图。整个过程无需云 GPU，一台 M 系列 Mac 就能跑通。后续你可以尝试调整target_fps观察时序一致性，或把深度结果叠加回原视频，制作"3D 立体感"特效视频。