Link to this sectionDataset de profundidad iBims-1#

iBims-1 (imágenes de referencia independientes y escaneos coincidentes) es un benchmark de interiores de alta calidad para estimación de profundidad monocular. Combina imágenes RGB con una verdad fundamental de escáner láser de grado topográfico y está diseñado para probar bordes de profundidad nítidos y superficies planas.

Link to this sectionCaracterísticas clave#

• Verdad fundamental de profundidad de alta calidad capturada con un escáner láser de grado topográfico.
• Cubre escenas reales de interiores.
• Rango de profundidad de hasta aproximadamente 10 m.
• La evaluación se realiza sobre 100 imágenes.
• Diseñado específicamente para evaluar bordes de profundidad nítidos y la calidad de superficies planas.

Link to this sectionRol en YOLO26-Depth#

iBims-1 es un benchmark de evaluación zero-shot para la familia YOLO26-Depth; los modelos publicados no han sido entrenados con él. Su enfoque en discontinuidades de profundidad nítidas y regiones planas lo convierte en una prueba precisa de la calidad del mapa de profundidad más allá de la precisión agregada.

La evaluación utiliza aumento de datos durante la inferencia (TTA) a multiescala y con inversión horizontal, seguido de una alineación de escala log-mínimos cuadrados entre los mapas de profundidad predichos y los de verdad fundamental antes de calcular las métricas.

Link to this sectionResultados#

La tabla siguiente muestra la precisión delta1 (porcentaje de píxeles dentro de un umbral de 1,25×, cuanto mayor sea, mejor) en las imágenes de evaluación de iBims-1 por tamaño de modelo.

Link to this sectionEvaluación#

iBims-1 no se suministra con un YAML de dataset incluido. Se evalúa mediante un script de evaluación dedicado que carga las imágenes de iBims-1 y la verdad fundamental de profundidad del escáner láser, aplica la TTA estándar y la alineación de escala log-mínimos cuadrados, y reporta las métricas de profundidad.

Link to this sectionUso#

iBims-1 es un benchmark externo, por lo que los modelos se ejecutan normalmente con predict en sus imágenes. Para obtener una lista completa de los argumentos disponibles, consulta la página de Predicción del modelo.

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 sectionModelos preentrenados#

La familia de profundidad YOLO26 se evalúa zero-shot en el benchmark iBims-1. Estos modelos se descargan automáticamente desde la última versión de Ultralytics, por ejemplo YOLO26x-depth de la versión v8.4.0, y abarcan una gama de tamaños (yolo26n/s/m/l/x-depth) para diferentes requisitos de precisión y recursos.

Link to this sectionCitas y agradecimientos#

Si utilizas el dataset iBims-1 en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:

@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}
}

Nos gustaría agradecer a los autores por crear y mantener este valioso recurso para la comunidad de visión artificial.