Link to this sectioniBims-1 Tiefendatensatz#

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

Link to this sectionHauptfunktionen#

• 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.

Link to this sectionRolle in 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.

Link to this sectionErgebnisse#

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

Link to this sectionEvaluierung#

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.

Link to this sectionVerwendung#

iBims-1 ist ein externer Benchmark, daher werden Modelle normalerweise mit predict auf seinen Bildern ausgeführt. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite für Vorhersagen.

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")

Link to this sectionVortrainierte Modelle#

Die YOLO26-Depth-Familie wird Zero-Shot auf dem iBims-1-Benchmark evaluiert. Diese Modelle laden sich automatisch vom neuesten Ultralytics-Release herunter, zum Beispiel YOLO26x-depth aus v8.4.0, und decken eine Reihe von Größen (yolo26n/s/m/l/x-depth) für unterschiedliche Genauigkeits- und Ressourcenanforderungen ab.

Link to this sectionZitate 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.