iBims-1 Tiefendatensatz#

iBims-1 (independent Benchmark images and matched scans) ist ein hochwertiger Indoor-Benchmark für die monokulare Tiefenschätzung. Er verknüpft RGB-Bilder mit hochpräzisen Laserscanner-Ground-Truths und wurde entwickelt, um scharfe Tiefenkanten und ebene Oberflächen zu testen.

Hauptfunktionen#

• Hochwertige Tiefen-Ground-Truth, erfasst mit einem hochpräzisen Laserscanner.
• Deckt reale Innenraumszenen ab.
• Tiefenbereich bis zu etwa 10 m.
• Die Evaluierung erfolgt anhand von 100 Bildern.
• Speziell konzipiert für die Evaluierung scharfer Tiefenkanten und der Qualität ebener Oberflächen.

Rolle bei YOLO26-Depth#

iBims-1 ist ein Zero-Shot-Evaluierungs-Benchmark für die YOLO26-Depth-Familie; die veröffentlichten Modelle wurden nicht darauf trainiert. Der Fokus auf scharfe Tiefendiskontinuitäten und ebene Bereiche macht ihn zu einem präzisen Test für die Qualität von Tiefenkarten, der über die reine Gesamtgenauigkeit hinausgeht.

Die Evaluierung nutzt Multi-Scale- und Horizontal-Flip-Test-Time-Augmentation (TTA), gefolgt von einer Log-Least-Squares-Skalenanpassung zwischen den vorhergesagten und den tatsächlichen Ground-Truth-Tiefenkarten, bevor die Metriken berechnet werden.

Ergebnisse#

Die folgende Tabelle zeigt die Genauigkeit von delta1 (Prozentsatz der Pixel innerhalb eines 1,25× Schwellenwerts, höher ist besser) auf den iBims-1-Auswertungsbildern nach Modellgröße.

Evaluierung#

iBims-1 wird nicht mit einem gebündelten Datensatz-YAML geliefert. Er wird über ein dediziertes Evaluierungsskript ausgewertet, das die iBims-1-Bilder und die Laserscanner-Tiefen-Ground-Truth lädt, die standardmäßige TTA sowie die Log-Least-Squares-Skalenanpassung anwendet und die Tiefenmetriken ausgibt.

Verwendung#

iBims-1 ist ein externer Benchmark, weshalb Modelle in der Regel mit predict auf seinen Bildern ausgeführt werden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Modellseite Prediction.

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")

Vortrainierte Modelle#

Die YOLO26-Tiefenfamilie wird beim iBims-1-Benchmark im Zero-Shot-Verfahren evaluiert. Diese Modelle werden automatisch aus dem neuesten Ultralytics-Release heruntergeladen, zum Beispiel YOLO26x-depth ab v8.4.0, und decken eine Reihe von Größen (yolo26n/s/m/l/x-depth) für unterschiedliche Genauigkeits- und Ressourcenanforderungen ab.

Zitate und Danksagungen#

Wenn du den iBims-1-Datensatz für deine Forschung oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:

@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}
}

Wir möchten den Autoren für die Erstellung und Pflege dieser wertvollen Ressource für die Computer-Vision-Community danken.