مجموعة بيانات العمق Make3D#

تُعدّ Make3D معيارًا مرجعيًا كلاسيكيًا للمشاهد الخارجية من أجل تقدير العمق أحادي العين. وتحتوي على صور لمشاهد الحرم الجامعي مقترنة ببيانات العمق المرجعية الملتقطة باستخدام ماسح ليزري ثلاثي الأبعاد مخصص، وتُستخدم على نطاق واسع لاختبار التعميم خارج التوزيع.

الميزات الرئيسية#

• بيانات العمق المرجعية الملتقطة باستخدام ماسح ليزري ثلاثي الأبعاد مخصص.
• تغطي مشاهد حقيقية خارجية للحرم الجامعي.
• نطاق عمق يصل إلى نحو 70 م.
• يُجرى التقييم على مجموعة الاختبار القياسية المؤلفة من 134 صورة.
• معيار مرجعي كلاسيكي للتعميم خارج التوزيع.

دور ARKitScenes في YOLO26-Depth#

تُعدّ Make3D معيارًا مرجعيًا للتقييم دون تدريب مسبق لعائلة YOLO26-Depth؛ فالنماذج المنشورة لم تُدرَّب عليها. وباعتبارها مجموعة خارجية للتقييم خارج التوزيع، فهي أصعب معيار مرجعي لجميع النماذج، كما أن قيم delta1 المطلقة منخفضة عمومًا، وهو أمر متوقع في مجموعة البيانات هذه.

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 (نسبة البكسلات الواقعة ضمن عتبة 1.25×، حيث تشير القيمة الأعلى إلى أداء أفضل) على مجموعة اختبار Make3D بحسب حجم النموذج.

التقييم#

لا تُرفق Make3D بملف YAML مضمّن لمجموعة البيانات. ويُجرى تقييمها من خلال برنامج نصي مخصص للتقييم يحمّل صور Make3D وبيانات العمق المرجعية من الماسح الليزري، ويطبّق مواءمة المقياس القياسية بطريقة TTA والمربعات الصغرى اللوغاريتمية، ثم يعرض مقاييس العمق.

الاستخدام#

تُعدّ Make3D معيارًا مرجعيًا خارجيًا، لذا 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 Make3D images
results = model.predict("path/to/make3d/images")

النماذج المدرّبة مسبقًا#

تُقيَّم عائلة YOLO26 للعمق دون تدريب مسبق على معيار Make3D. وتُنزَّل هذه النماذج تلقائيًا من أحدث إصدار من Ultralytics، مثل YOLO26x-depth من الإصدار v8.4.0، وهي تتراوح بين أحجام مختلفة (yolo26n/s/m/l/x-depth) لتلبية متطلبات متنوعة من الدقة والموارد.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات Make3D في أبحاثك أو أعمال التطوير التي تجريها، فيُرجى الاستشهاد بالورقة البحثية التالية:

@article{saxena2009make3d,
      title={Make3D: Learning 3D Scene Structure from a Single Still Image},
      author={Saxena, Ashutosh and Sun, Min and Ng, Andrew Y.},
      journal={IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)},
      year={2009}
}

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

الأسئلة الشائعة#