مجموعة بيانات العمق iBims-1#

تُعد iBims-1 (صورًا معيارية مستقلة ومسوحًا متطابقة) معيارًا عالي الجودة للمشاهد الداخلية من أجل تقدير العمق أحادي العين. وهي تربط صور RGB ببيانات الحقيقة الأرضية الملتقطة بماسح ليزري بمستوى دقة المسح المساحي، وصُممت لاختبار حواف العمق الحادة والأسطح المستوية.

الميزات الرئيسية#

• حقيقة أرضية عالية الجودة للعمق ملتقطة باستخدام ماسح ليزري بمستوى دقة المسح المساحي.
• تغطي مشاهد داخلية واقعية.
• يصل نطاق العمق إلى نحو 10 أمتار.
• يُجرى التقييم على 100 صورة.
• صُممت خصيصًا لتقييم حواف العمق الحادة وجودة الأسطح المستوية.

دور ARKitScenes في YOLO26-Depth#

يُعد iBims-1 معيار تقييم دون تدريب لعائلة YOLO26-Depth؛ إذ لم تُدرَّب النماذج المنشورة عليه. ويجعل تركيزه على انقطاعات العمق الحادة والمناطق المستوية منه اختبارًا دقيقًا لجودة خرائط العمق بما يتجاوز الدقة الإجمالية.

يستخدم التقييم زيادة البيانات متعددة المقاييس وقلب الصورة أفقيًا وقت الاختبار (TTA)، ثم تُجرى مواءمة المقياس بطريقة المربعات الصغرى اللوغاريتمية بين خرائط العمق المتوقعة وخرائط العمق للحقيقة الأرضية قبل حساب المقاييس.

النتائج#

يعرض الجدول أدناه دقة delta1 (النسبة المئوية لوحدات البكسل الواقعة ضمن عتبة 1.25×، حيث تشير القيمة الأعلى إلى أداء أفضل) على صور تقييم iBims-1 بحسب حجم النموذج.

التقييم#

لا تُوزَّع iBims-1 مع ملف YAML مضمَّن لمجموعة البيانات. ويُجرى تقييمها من خلال برنامج نصي مخصص للتقييم يحمّل صور iBims-1 وبيانات الحقيقة الأرضية للعمق من الماسح الليزري، ويطبّق زيادة البيانات القياسية وقت الاختبار ومواءمة المقياس بطريقة المربعات الصغرى اللوغاريتمية، ثم يعرض مقاييس العمق.

الاستخدام#

تُعد iBims-1 معيارًا خارجيًا، ولذلك تُشغَّل النماذج عادةً باستخدام predict على صورها. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التنبؤ الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26x-depth.pt")  # load a pretrained depth model

# Predict depth on iBims-1 images
results = model.predict("path/to/ibims1/images")

النماذج المدرّبة مسبقًا#

تُقيَّم عائلة عمق YOLO26 دون تدريب على معيار iBims-1. تُنزَّل هذه النماذج تلقائيًا من أحدث إصدار من Ultralytics، مثل YOLO26x-depth من الإصدار v8.4.0، وتغطي مجموعة من الأحجام (yolo26n/s/m/l/x-depth) لتلبية متطلبات مختلفة من الدقة والموارد.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات iBims-1 في أبحاثك أو أعمال التطوير التي تجريها، فالرجاء الاستشهاد بالبحث التالي:

@inproceedings{koch2018ibims,
      title={Evaluation of CNN-based Single-Image Depth Estimation Methods},
      author={Koch, Tobias and Liebel, Lukas and Fraundorfer, Friedrich and K{\"o}rner, Marco},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV) Workshops},
      year={2018}
}

نود أن نعرب عن تقديرنا للمؤلفين على إنشاء هذا المورد القيّم لمجتمع الرؤية الحاسوبية وصيانته.

الأسئلة الشائعة#