Link to this sectionMake3D Depth Dataset#

Make3D ist ein klassischer Benchmark für den Außenbereich zur monokularen Tiefenschätzung. Er enthält Bilder von Campus-Szenen, gepaart mit durch einen speziellen 3D-Laserscanner erfassten Tiefen-Ground-Truth, und wird häufig verwendet, um die Out-of-Distribution-Generalisierung zu prüfen.

Link to this sectionHauptfunktionen#

• Tiefen-Ground-Truth, erfasst mit einem speziellen 3D-Laserscanner.
• Deckt echte Outdoor-Campus-Szenen ab.
• Tiefenbereich bis zu ca. 70 m.
• Die Evaluierung erfolgt auf dem Standard-Testset von 134 Bildern.
• Ein klassischer Benchmark für Out-of-Distribution-Generalisierung.

Link to this sectionRolle in YOLO26-Depth#

Make3D ist ein Zero-Shot-Evaluierungs-Benchmark für die YOLO26-Depth-Familie; die veröffentlichten Modelle wurden nicht darauf trainiert. Als Out-of-Distribution-Outdoor-Set ist es der schwierigste Benchmark für alle Modelle, und die absoluten delta1-Werte sind durchgehend niedrig, was für diesen Datensatz zu erwarten ist.

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 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) auf dem Make3D-Testset nach Modellgröße.

Link to this sectionEvaluierung#

Make3D wird nicht mit einem gebündelten Datensatz-YAML ausgeliefert. Die Evaluierung erfolgt über ein dediziertes Evaluierungsskript, das die Make3D-Bilder und den Laserscanner-Tiefen-Ground-Truth lädt, das Standard-TTA und die Log-Least-Squares-Skalierungsausrichtung anwendet und die Tiefenmetriken berichtet.

Link to this sectionVerwendung#

Make3D ist ein externer Benchmark, daher werden Modelle normalerweise mit predict auf dessen Bildern ausgeführt. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Prediction des Modells.

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")

Link to this sectionVortrainierte Modelle#

Die YOLO26-Depth-Familie wird Zero-Shot auf dem Make3D-Benchmark evaluiert. Diese Modelle laden sich automatisch von der neuesten Ultralytics-Version 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 Make3D-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:

@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}
}

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