رفتن به محتوا

VGGT-1B

یکپارچه‌سازی

شناسه مدل vggt-1b
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/vggt-1b?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{}'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

تا ⁨‎$۱٫۷۵۵⁩ برای هر اجرا بر اساس مصرف واقعی هزینه دریافت می‌شود و مابقی بازپرداخت می‌شود اجرای آن در این صفحه

دریافت کلید API
Meta بینایی

یک صحنهٔ 3D را از حداکثر 48 تصویر یا یک ویدیو بازسازی می‌کند و نقشه‌های عمق، وضعیت دوربین و ابر نقاط را برمی‌گرداند

Meta · داده (JSON)

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

پیشرفته images · video · alpha_blend_onto · array_encoding · frame_sampling_rate · confidence_percentile · max_points · export_prediction_data · export_depth_maps · export_point_cloud · enable_safety_checker · exclude_keys
image_urls
یک فایل بیندازید، یا · حداکثر 48

تصاویر منبع بازسازی که هرکدام درون مربع قرار گرفته و به بُعد بزرگ‌تر 518 پیکسل تغییر اندازه داده می‌شوند. JPEG، PNG، WEBP و هر قالب تصویر دیگری که Pillow بتواند رمزگشایی کند پذیرفته می‌شوند.

video_url
یک فایل بیندازید، یا

ویدیوی منبع اختیاری که فریم‌های نمونه‌برداری‌شدهٔ آن در ورودی ترکیبی، پس از image_urls قرار می‌گیرند. نمونه‌برداری با استفاده از هر `frame_sampling_rate`-اُمین فریم انجام می‌شود و همیشه شامل اولین و آخرین فریم است.

alpha_blend_onto پیش‌فرض white

پردازش کانال آلفا چهار گزینه دارد: 'keep' آلفا را بدون تغییر مقادیر پیکسل اصلی حذف می‌کند؛ 'mean' تصویر را روی میانگین RGB ImageNet ترکیب می‌کند. برای پس‌زمینهٔ یکدست، 'white' یا 'black' را انتخاب کنید تا تصویر روی رنگ مربوطه ترکیب شود.

array_encoding پیش‌فرض base64

قالب ذخیره‌سازی آرایه برای فایل‌های JSON پیش‌بینی؛ 'list' فضای بسیار بیشتری از 'base64' مصرف می‌کند. برای فهرست‌های JSON تودرتو 'list' و برای اشیای شامل {data, shape, dtype}، 'base64' را انتخاب کنید.

پیش‌فرض 24

بازهٔ فریم فقط زمانی اعمال می‌شود که ویدیو از طریق `video_url` ارائه شود؛ در غیر این صورت اثری ندارد. هر دو فریم مرزی، صرف‌نظر از بازه، حفظ می‌شوند و در میان آن‌ها هر n‌اُمین فریم نمونه‌برداری می‌شود.

پیش‌فرض 50

درصد فیلترسازی مبتنی بر اطمینان برای ساخت ابرنقاط: مقدار 0 فیلترسازی را غیرفعال می‌کند؛ مقادیر دیگر همان درصد از نقاط را، از کم‌اطمینان‌ترین نقاط، حذف می‌کنند.

پیش‌فرض 250000

سقف تعداد نقاط GLB که مقدار پیش‌فرض آن 250,000 است. برای کاهش تأخیر سریال‌سازی و بارگذاری، اگر ابر از این بودجه بیشتر شود، یک مجموعهٔ نمونه‌برداری‌شدهٔ یکنواخت نوشته می‌شود.

کلیدهایی که از همهٔ فایل‌های JSON پیش‌بینی حذف می‌شوند.

POST /run/vggt-1b?wait=20 قیمت → ⁨‎$۱٫۷۵۵⁩
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/vggt-1b?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{}'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره VGGT-1B

هندسه را از نماهای متعدد تخمین می‌زند. حداکثر 48 تصویر را در `image_urls` ارائه دهید و در صورت نیاز یک `video_url` اضافه کنید که هر `frame_sampling_rate` فریم نمونه‌برداری می‌شود. نقشه‌های عمق هر فریم، پارامترهای خارجی و داخلی دوربین، فایل‌های خام پیش‌بینی و یک ابر نقاط GLB همراه با مخروط‌های دوربین را برمی‌گرداند. `confidence_percentile` و `max_points` تراکم ابر نقاط را کنترل می‌کنند.

پارامترها

نام استاندارد یا نام بومی را ارسال کنید، نه هر دو. نام‌های استاندارد

نامنوع پیش‌فرضمجاز توضیحات
image_urlsاختیاری images
نوعurl[] · image
≤ ۴۸ مورد
تصاویر منبع بازسازی که هرکدام درون مربع قرار گرفته و به بُعد بزرگ‌تر 518 پیکسل تغییر اندازه داده می‌شوند. JPEG، PNG، WEBP و هر قالب تصویر دیگری که Pillow بتواند رمزگشایی کند پذیرفته می‌شوند.
video_urlاختیاری video
نوعurl · video
ویدیوی منبع اختیاری که فریم‌های نمونه‌برداری‌شدهٔ آن در ورودی ترکیبی، پس از image_urls قرار می‌گیرند. نمونه‌برداری با استفاده از هر `frame_sampling_rate`-اُمین فریم انجام می‌شود و همیشه شامل اولین و آخرین فریم است.
frame_sampling_rateاختیاری
نوعinteger
پیش‌فرض24
۱ – ۱٬۰۰۰
بازهٔ فریم فقط زمانی اعمال می‌شود که ویدیو از طریق `video_url` ارائه شود؛ در غیر این صورت اثری ندارد. هر دو فریم مرزی، صرف‌نظر از بازه، حفظ می‌شوند و در میان آن‌ها هر n‌اُمین فریم نمونه‌برداری می‌شود.
alpha_blend_ontoاختیاری
نوعenum
پیش‌فرضwhite
keepwhiteblackmean
پردازش کانال آلفا چهار گزینه دارد: 'keep' آلفا را بدون تغییر مقادیر پیکسل اصلی حذف می‌کند؛ 'mean' تصویر را روی میانگین RGB ImageNet ترکیب می‌کند. برای پس‌زمینهٔ یکدست، 'white' یا 'black' را انتخاب کنید تا تصویر روی رنگ مربوطه ترکیب شود.
export_prediction_dataاختیاری
نوعboolean
پیش‌فرضtrue
پیش‌بینی‌های خام را به‌صورت فایل‌های JSON جداگانه برای فریم‌های منفرد صادر می‌کند. هر فایل شامل عمق و میزان اطمینان آن، یک ماسک و وضعیت دوربین کدگذاری‌شده است.
export_depth_mapsاختیاری
نوعboolean
پیش‌فرضtrue
رسترهای عمق را با نگاشت خطی `depth_range` به مقادیر پیکسل 0–65535 صادر می‌کند. برای هر فریم، یک PNG خاکستری جداگانه با دقت 16 بیتی ایجاد می‌شود.
export_point_cloudاختیاری
نوعboolean
پیش‌فرضtrue
ابرنقاط رنگی ادغام‌شده را در قالب GLB صادر می‌کند و دوربین‌های تخمینی را به‌صورت مش‌های مخروطی منفرد در صحنه نمایش می‌دهد.
array_encodingاختیاری
نوعenum
پیش‌فرضbase64
base64list
قالب ذخیره‌سازی آرایه برای فایل‌های JSON پیش‌بینی؛ 'list' فضای بسیار بیشتری از 'base64' مصرف می‌کند. برای فهرست‌های JSON تودرتو 'list' و برای اشیای شامل {data, shape, dtype}، 'base64' را انتخاب کنید.
exclude_keysاختیاری
نوعenum[]
کلیدهایی که از همهٔ فایل‌های JSON پیش‌بینی حذف می‌شوند.
confidence_percentileاختیاری
نوعnumber
پیش‌فرض50
۰ – ۱۰۰
درصد فیلترسازی مبتنی بر اطمینان برای ساخت ابرنقاط: مقدار 0 فیلترسازی را غیرفعال می‌کند؛ مقادیر دیگر همان درصد از نقاط را، از کم‌اطمینان‌ترین نقاط، حذف می‌کنند.
max_pointsاختیاری
نوعinteger
پیش‌فرض250000
۱٬۰۰۰ – ۵٬۰۰۰٬۰۰۰
سقف تعداد نقاط GLB که مقدار پیش‌فرض آن 250,000 است. برای کاهش تأخیر سریال‌سازی و بارگذاری، اگر ابر از این بودجه بیشتر شود، یک مجموعهٔ نمونه‌برداری‌شدهٔ یکنواخت نوشته می‌شود.
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
کلید بررسی ایمنی برای تصاویر و ویدیوهای ورودی.
الزامی نام استاندارد، همچنین پذیرفته می‌شود

پارامترهای فایل یک URL عمومی https://، یک URI از نوع data: تا سقف 10 MB، یا file_url یک فایل بارگذاری‌شده را می‌پذیرند. فایل‌ها

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "vggt-1b",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 1755,
    "usd": "1.755",
    "charged": 1755,
    "refunded": 0
  },
  "input": {},
  "output": {
    "point_cloud": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "depth_maps": [
      {
        "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
        "content_type": "image/jpeg",
        "file_name": "0-output.jpeg",
        "file_size": 1843200,
        "width": 1024,
        "height": 768
      }
    ],
    "prediction_data": [
      {
        "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
        "content_type": "image/jpeg",
        "file_name": "0-output.jpeg",
        "file_size": 1843200
      }
    ],
    "num_frames": 1,
    "depth_range": [
      1.0
    ],
    "extrinsics": [
      [
        [
          1.0
        ]
      ]
    ],
    "intrinsics": [
      [
        [
          1.0
        ]
      ]
    ],
    "timings": {}
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
point_cloud
object {url, content_type, file_name, file_size} | nullخروجی ابرنقاطی که وقتی `export_point_cloud` برابر true باشد برگردانده می‌شود؛ صحنهٔ GLB آن ابر ادغام‌شده را با مخروط‌های دوربین ترکیب می‌کند.
depth_maps
array of object {url, content_type, file_name, file_size, width, height}خروجی نقشهٔ عمق که وقتی `export_depth_maps` برابر true باشد در دسترس است. ورودی‌ها از ترتیب فریم منبع پیروی می‌کنند و هر فریم به‌صورت یک رستر PNG خاکستری با عمق 16 بیتی نمایش داده می‌شود.
prediction_data
array of object {url, content_type, file_name, file_size}خروجی پیش‌بینی خام: وقتی `export_prediction_data` برابر true باشد، هر فریم فایل JSON مخصوص خود را دارد و فایل‌ها از ترتیب فریم‌ها پیروی می‌کنند.
num_frames
integerتعداد کل فریم‌های بازسازی‌شده، شامل تصاویر و فریم‌های نمونه‌برداری‌شده از ویدیو.
depth_range
array of numberکران‌های عمق [min, max] که برای کوانتیزه‌سازی `depth_maps` استفاده می‌شوند. عمق را به‌صورت min + pixel * (max - min) / 65535 بازیابی کنید.
extrinsics
array of array of array of numberماتریس‌های خارجی دوربین نسبت به جهان، با اندازهٔ 3x4، برای هر فریم؛ محورهای OpenCV در راستای x به سمت راست، در راستای y به سمت پایین و در راستای z به سمت جلو هستند.
intrinsics
array of array of array of numberماتریس‌های درونی سوراخ‌سوزنی، با اندازهٔ 3x3، برای هر فریم که در مختصات پیکسلی فریم 518x518 مدل بیان می‌شوند.
timings
objectزمان سپری‌شدهٔ ساعت‌محور برای هر مرحله، برحسب ثانیه.

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/vggt-1b.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt