【免费下载链接】c-foundationstereo-s项目地址https://ai.gitcode.com/hf_mirrors/nvidia/c-foundationstereo-s点击查看免费下载c-foundationstereo-s是 NVIDIA 开源的FoundationStereo立体深度估计Stereo Depth Estimation模型仓库输入一对左右 RGB 立体图像输出一张精确的视差图Disparity Map支持零样本Zero-Shot泛化广泛用于机器人、自动驾驶与工业 3D 感知场景。仓库里一共放了7 个 ONNX 模型文件 1 个 PyTorch 权重文件新手很容易看花眼。这篇文章带你逐个拆解每个文件的用途、体积与适用运行时最后给出一张30 秒选型决策表帮你快速选对模型文件。仓库文件总览一图看懂 8 个大文件所有模型文件均通过 Git-LFS 管理克隆仓库后本地文件会先显示为 LFS 指针需要执行git lfs pull拉取真实二进制。各文件的真实体积如下文件真实大小类型说明onnx/deployable_foundationstereo_small_320x736_v1.0.onnx~549 MB固定输入 320×736ONNX Runtime / TensorRT 均可onnx/deployable_foundationstereo_small_320x736_v2.0.onnx~549 MB固定输入 320×736320×736 的 v2.0 版本onnx/deployable_foundationstereo_small_576x960_v1.0.onnx~866 MB固定输入 576×960ONNX Runtime / TensorRT 均可onnx/deployable_foundationstereo_small_576x960_v2.0.onnx~866 MB固定输入 576×960576×960 的 v2.0 版本onnx/deployable_foundation_stereo_s_dynamic.onnx~331 MB动态分辨率仅支持 ONNX Runtimeonnx/legacy/deployable_foundationstereo_small_v1.0.onnx~213 MB旧版 small 模型历史遗留版本onnx/legacy/deployable_foundation_stereo_l_dynamic.onnx~331 MB旧版 large 动态模型历史遗留版本trainable_foundation_stereo_small.pth~513 MBPyTorch 权重用于推理/微调训练 仓库说明文档在 README.md包含模型架构、输入输出规格、硬件兼容列表与推理性能数据。核心问题 1320×736 还是 576×960看你的输入分辨率和算力两个固定分辨率模型的输入是写死的文件名即分辨率H×W320×736低分辨率档位体积更小、速度更快。适合边缘设备与实时性要求高的场景例如 Jetson 平台上的机器人视觉。576×960高分辨率档位输入像素约为前者的 3 倍视差细节更丰富、精度更高但显存占用和延迟也成倍上升。根据官方在 FP16 精度下的性能数据BS1来源 README.md设备320×736 延迟576×960 延迟A100199 ms5.0 FPS437 ms2.24 FPSThor AGX1461 ms0.67 FPS2750 ms0.36 FPSOrin AGX1039 ms1.0 FPS—选型建议️ 桌面/服务器 GPUA100、RTX 40/50 系优先选 576×960 换精度 Jetson Orin/Thor 等边缘端建议选 320×736 保帧率。核心问题 2v1.0 与 v2.0 有什么区别同一分辨率存在 v1.0 和 v2.0 两个版本如 320×736 两个文件体积完全相同均为 ~549 MB它们对应模型的不同发布迭代仓库当前主推的是 onnx/ 目录下的文件v2.0 为较新迭代版本若你在旧项目2025 年 NGC 版本中沿用 v1.0 且工作正常可继续使用新项目建议直接使用v2.0避免使用被归入 onnx/legacy/ 目录的旧文件。核心问题 3dynamic 动态模型适合谁deployable_foundation_stereo_s_dynamic.onnx 支持任意输入分辨率是体积最小~331 MB的部署模型但有一个重要限制⚠️ 官方明确说明dynamic 模型无法转换为 FP16 的 TensorRT 引擎只能在 ONNX Runtime 上推理见 README.md。只要用 ONNX Runtime 跑且分辨率不固定 → 选 dynamic一文件通吃追求 TensorRT 极致性能、分辨率固定 → 选对应的固定分辨率模型。核心问题 4legacy 目录和 .pth 权重文件是什么onnx/legacy/存放的是历史遗留版本一般不建议新项目使用deployable_foundationstereo_small_v1.0.onnx~213 MB旧版 small 模型已被主目录的 v1.0/v2.0 系列取代deployable_foundation_stereo_l_dynamic.onnx~331 MB旧版large规格动态模型仅用于版本对比或兼容性验证。trainable_foundation_stereo_small.pth~513 MB是 PyTorch 格式的small 版可训练权重适用于想在 PyTorch 生态里直接加载权重做推理或二次开发需要基于官方权重做微调fine-tune或研究模型内部结构混合 Transformer-CNN 架构约 6300 万参数。30 秒选型决策表你的场景推荐文件固定分辨率 TensorRT 高性能推理服务器 GPU576x960_v2.0.onnx边缘设备Jetson实时推理320x736_v2.0.onnx分辨率不固定仅用 ONNX Runtimes_dynamic.onnxPyTorch 研究 / 微调训练trainable_foundation_stereo_small.pth维护 2025 年旧版本存量项目legacy 目录旧文件下载与部署注意事项克隆仓库git clone https://gitcode.com/hf_mirrors/nvidia/c-foundationstereo-s随后执行git lfs pull拉取真实的模型二进制否则文件只有 134 字节的 LFS 指针。硬件兼容官方支持 Ampere、Hopper、Blackwell、Lovelace、Turing、Pascal、Volta 等 NVIDIA GPU 微架构及 Jetson 平台推荐操作系统为 Linux见 README.md。性能预期上述数据仅为模型推理性能接入视频流、前后处理后的端到端耗时可能更高。局限性模型在透明物体玻璃、水面、高饱和度场景和弱光区域的深度估计可能不可靠完全/部分遮挡的物体也可能失效。许可证模型遵循 NVIDIA Open Model License商业使用前请阅读 README.md 中的许可条款。掌握以上 4 个核心判断维度——分辨率档位、版本号、动态/固定形状、运行时——你就能在 c-foundationstereo-s 仓库的 8 个模型文件中 30 秒内选出最适合自己项目的那一个。赞分享【免费下载链接】c-foundationstereo-s项目地址https://ai.gitcode.com/hf_mirrors/nvidia/c-foundationstereo-s点击查看免费下载相关推荐24个GGUF文件怎么选Qwen3-TTS-GGUF 0.6B vs 1.7B与F32/BF16/Q8_0/Q4_K_M量化选型全攻略24个GGUF文件怎么选Qwen3 TTS GGUF 0.6B vs 1.7B与F32/BF16/Q8_0/Q4_K_M量化选型全攻略 Qwen3 TTS G人工智能语音模型量化本地部署minimax-h3-nvfp4-convrot的11个模型文件怎么选fl2va/ref2va与NVFP4/INT4量化变体选型清单minimax h3 nvfp4 convrot的11个模型文件怎么选fl2va/ref2va与NVFP4/INT4量化变体选型清单 这是一份面向新手的 量化WinGet v1.30 版本详解install 多包安装容错 --ignore-unavailable 与四项关键修复WinGet v1.30 版本详解install 多包安装容错 ignore unavailable 与四项关键修复 本篇文章以 doc/ReleaseNot上一篇ESP32开发终极指南PlatformIO快速入门完整教程下一篇Koodo Reader完整排障手册9个常见故障按使用顺序逐个修好创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考