Erste Schritte

iBims-1-Tiefendatensatz

iBims-1 (independent Benchmark images and matched scans) ist ein hochwertiger Benchmark für Innenräume und die monokulare Tiefenschätzung. Er kombiniert RGB-Bilder mit Tiefenreferenzdaten aus Laserscannern in Vermessungsqualität und dient zum Testen scharfer Tiefenkanten und ebener Flächen.

Wichtige Funktionen#

  • Hochwertige Tiefen-Ground-Truth-Daten, aufgenommen mit einem Laserscanner in Vermessungsqualität.
  • Umfasst reale Innenraumszenen.
  • Tiefenbereich bis ungefähr 10 m.
  • Die Evaluierung erfolgt anhand von 100 Bildern.
  • Speziell für die Evaluierung scharfer Tiefenkanten und der Qualität ebener Flächen entwickelt.

Rolle in YOLO26-Depth#

iBims-1 ist ein Benchmark zur Evaluierung ohne zusätzliches Training für die YOLO26-Depth-Familie; die veröffentlichten Modelle werden nicht darauf trainiert. Der Schwerpunkt auf scharfen Tiefenunterbrechungen und ebenen Bereichen macht iBims-1 zu einem präzisen Test der Tiefenkartenqualität, der über die Gesamtgenauigkeit hinausgeht.

Die Auswertung nutzt Test-Time-Augmentation (TTA) mit mehreren Maßstäben und horizontaler Spiegelung. Vor der Berechnung der Metriken werden die vorhergesagten Tiefenkarten dann durch eine Log-Least-Squares-Skalenausrichtung an die Tiefenreferenzkarten angepasst.

Ergebnisse#

Die folgende Tabelle zeigt die δ1-Genauigkeit (Anteil der Pixel innerhalb eines Schwellenwerts von 1.25×; höher ist besser) auf den iBims-1-Auswertungsbildern, aufgeschlüsselt nach Modellgröße.

Modellδ1
YOLO26n-depth0.923
YOLO26s-depth0.899
YOLO26m-depth0.953
YOLO26l-depth0.952
YOLO26x-depth0.961

Auswertung#

iBims-1 wird nicht mit einer mitgelieferten YAML-Datei ausgeliefert. Die Evaluierung erfolgt mit einem eigens dafür vorgesehenen Skript, das die iBims-1-Bilder und die Tiefen-Ground-Truth-Daten des Laserscanners lädt, die standardmäßige TTA und eine Maßstabsanpassung nach der Methode der kleinsten logarithmischen Quadrate anwendet und die Tiefenmetriken ausgibt.

Verwendung#

iBims-1 ist ein externer Benchmark. Daher werden Modelle auf den zugehörigen Bildern üblicherweise mit predict ausgeführt.

Vorhersagebeispiel
from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26x-depth.pt")  # Ein vortrainiertes Tiefenmodell laden

# Tiefe in iBims-1-Bildern vorhersagen
results = model.predict("path/to/ibims1/images")

Vortrainierte Modelle#

Die YOLO26-Tiefenfamilie wird ohne zusätzliches Training auf dem iBims-1-Benchmark evaluiert. Diese Modelle werden bei der ersten Verwendung automatisch aus der Ultralytics-Asset-Version v8.4.0 heruntergeladen, zum Beispiel YOLO26x-depth, und sind in verschiedenen Größen verfügbar (yolo26n/s/m/l/x-depth), um unterschiedlichen Anforderungen an Genauigkeit und Ressourcen gerecht zu werden.

Zitate und Danksagungen#

Wenn du den iBims-1-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Veröffentlichung:

Zitierung
@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 Autorinnen und Autoren dafür danken, dass sie diese wertvolle Ressource für die Bildverarbeitungsgemeinschaft erstellt haben und pflegen.

Häufig gestellte Fragen#

  • iBims-1 ist ein Benchmark mit 100 Innenaufnahmen und Tiefendaten aus Laserscannern in Vermessungsqualität. Er wurde entwickelt, um scharfe Tiefenkanten und ebene Flächen zu untersuchen und geht über die aggregierte Genauigkeit hinaus, indem er die Qualität der Tiefenkarten prüft. Die YOLO26-Depth-Modelle werden ohne vorheriges Training auf diesem Datensatz ausgewertet. YOLO26x-depth erreicht dabei einen δ1-Wert von 0.961.

  • Nein. iBims-1 wird ohne mitgelieferte YAML-Datei ausgeliefert und mit einem eigens dafür vorgesehenen Evaluierungsskript bewertet, das eine Testzeit-Augmentierung mit mehreren Skalierungen und Spiegelungen sowie eine Maßstabsanpassung nach der Methode der kleinsten logarithmischen Quadrate anwendet. Verwende den Vorhersagemodus für die Bilder wie im Abschnitt Verwendung gezeigt.

  • Die veröffentlichten Modelle werden außerdem ohne zusätzliches Training auf NYU Depth V2, ETH3D und Make3D sowie auf der KITTI-Eigen-Aufteilung evaluiert, deren Trainingsfahrten Teil der Vortrainingsmischung sind. Die gemeinsamen Ergebnisse findest du auf der Aufgabenseite zur Tiefenschätzung.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.