Conjunto de datos de profundidad KITTI#
El conjunto de datos KITTI es una referencia del mundo real para conducción autónoma en exteriores, capturada desde un vehículo en movimiento en la ciudad de Karlsruhe y sus alrededores. Para la estimación de profundidad monocular, la profundidad de referencia (ground truth) se obtiene a partir de un escáner LiDAR Velodyne HDL-64 y se densifica utilizando el método de Uhrig et al. 2017. Los mapas de profundidad resultantes siguen siendo dispersos, con aproximadamente entre un 16 y un 20 % de los píxeles con un valor de profundidad válido. KITTI es la única fuente real en exteriores de largo alcance en la mezcla de preentrenamiento de YOLO26-Depth y también sirve como referencia de evaluación KITTI Eigen.
Características clave#
- Escenas reales de conducción en exteriores con profundidades que abarcan hasta aproximadamente 80 m, mucho más allá del rango típico en interiores.
- Profundidad de referencia obtenida a partir de un LiDAR Velodyne HDL-64 y densificada con el enfoque de Sparsity Invariant CNNs de Uhrig et al. 2017.
- Supervisión dispersa: solo alrededor del 16–20% de los píxeles por imagen tienen un valor de profundidad válido; los píxeles no válidos se excluyen de la pérdida y las métricas.
- Los pares de imágenes estéreo (izquierdo
image_02y derechoimage_03) proporcionan puntos de vista adicionales para el entrenamiento. - Los valores de profundidad se almacenan como matrices
.npyfloat32 en metros, siguiendo el formato del conjunto de datos de profundidad de Ultralytics.
Estructura del dataset#
Los datos de profundidad KITTI utilizados por Ultralytics se dividen en dos subconjuntos:
- Training split: 55.198 imágenes (izquierda
image_02y derechaimage_03). Todos los 28 recorridos de prueba de KITTI Eigen se excluyen del entrenamiento para mantener una evaluación justa. - Evaluation split: la división de prueba de KITTI Eigen: sus 652 fotogramas de la cámara izquierda que tienen ground truth mejorado. La evaluación utiliza un límite de profundidad de 80 m y alineación de mediana (solo escala) entre las predicciones y el ground truth.
El rango de profundidad alcanza aproximadamente los 80 m, y el YAML del conjunto de datos (depth-kitti.yaml) configura max_depth: 80 en consecuencia.
Rol en YOLO26-Depth#
KITTI proporciona la única supervisión real de largo alcance en exteriores en la mezcla de preentrenamiento de YOLO26-Depth, complementando las fuentes predominantemente interiores. También es el banco de pruebas estándar KITTI Eigen para informar sobre la precisión de la profundidad en escenas de conducción.
KITTI es un ejemplo clave de por qué la cabecera de profundidad no está acotada (modo log): un límite fijo de salida de 10 m no puede representar escenas de conducción de 80 m. Consulta la página de la tarea de profundidad para obtener detalles sobre el rango de salida de la cabecera y el manejo de max_depth.
Resultados#
Precisión KITTI Eigen delta1 por tamaño de modelo (cuanto mayor, mejor):
| Modelo | KITTI Eigen δ1 |
|---|---|
| YOLO26n-Depth | 0.878 |
| YOLO26s-Depth | 0.879 |
| YOLO26m-Depth | 0.913 |
| YOLO26l-Depth | 0.926 |
| YOLO26x-Depth | 0.932 |
Medido en la división canónica de 652 fotogramas con imgsz=768 y rect=False. No son directamente comparables con los números publicados de KITTI: el conjunto de validación estira cada imagen a un cuadrado imgsz y vuelve a muestrear mediante el vecino más cercano el ground truth disperso sobre él, donde los evaluadores de referencia en su lugar redimensionan la predicción de vuelta a la resolución nativa del ground truth; DepthMetrics enmascara el ground truth contra max_depth donde el protocolo de ground truth mejorado enmascara gt > 0 y limita solo la predicción; agrupa todos los píxeles válidos de la división en lugar de promediar la métrica por imagen; y los pesos publicados se entrenaron con la división anterior, la cual colocaba 72 de estos fotogramas de prueba en el conjunto de entrenamiento.
YAML del dataset#
Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas, clases y otra información relevante del conjunto de datos, como la profundidad máxima.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# KITTI dataset for monocular depth estimation — real outdoor driving, Velodyne HDL-64 LiDAR (densified), sparse, up to ~80 m
# Documentation: https://docs.ultralytics.com/datasets/depth/kitti
# Example usage: yolo depth train data=depth-kitti.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
# └── depth-kitti ← downloads here (~190 GB archives, ~140 GB converted)
# ├── images/{train,val} # RGB images
# └── depth/{train,val} # paired *.npy, float32 meters (images/ -> depth/)
# If an interrupted download leaves a partial dataset, delete the depth-kitti dir and re-run to rebuild it.
# The download only runs when the val images are missing (train is never checked), so a depth-kitti dir
# built before this split fix keeps the old split until it is deleted and rebuilt.
path: depth-kitti # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 55198 images
val: images/val # val images (relative to 'path') 652 images (KITTI Eigen test split, left camera)
max_depth: 80 # (m) maximum valid depth; GT beyond this is excluded from val metrics
nc: 1
names:
0: depth
channels: 3
# Download script/URL (optional)
download: |
import shutil
from pathlib import Path
import cv2
import numpy as np
from ultralytics.utils import TQDM
from ultralytics.utils.downloads import download
# The 28 KITTI Eigen test scenes as "<drive> <frame indices>" -> val; every other annotated drive -> train. val is
# the 697-frame Eigen et al. (NeurIPS 2014) test split restricted to frames with improved GT here: 652 left-camera.
EIGEN_TEST = """
2011_09_26_drive_0002 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 63 69
2011_09_26_drive_0009 16 32 48 64 80 96 112 128 144 160 176 196 212 228 244 260 276 292 308 324 340 356 372 388
2011_09_26_drive_0013 5 10 20 30 35 40 45 50 60 65 70 80 85 90 95 100 105 110 115 120 125 130 135
2011_09_26_drive_0020 6 9 12 15 18 21 27 33 36 42 45 48 51 54 57 60 63 66 69 72 75 78
2011_09_26_drive_0023 18 36 54 72 90 108 126 144 162 180 198 216 252 270 288 306 324 342 360 378 396 414 432 450 468
2011_09_26_drive_0027 7 14 21 28 35 42 49 56 63 70 77 84 91 98 112 119 126 133 140 147 161 168 175 182
2011_09_26_drive_0029 14 28 42 56 70 84 98 112 126 140 154 168 182 196 268 296 310 324 338 352 366 380 394 408
2011_09_26_drive_0036 32 64 96 128 160 192 224 256 288 320 352 384 416 448 480 512 544 576 608 640 672 704 768
2011_09_26_drive_0046 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115
2011_09_26_drive_0048 5 6 7 8 9 10 11 12 13 14 15 16
2011_09_26_drive_0052 6 8 10 12 14 16 18 20 22 26 28 30 32 36 38 40 42 44 46 48 50 52
2011_09_26_drive_0056 11 22 33 44 55 66 77 88 99 110 121 143 154 165 176 187 198 209 220 231 242 253 264 275 286
2011_09_26_drive_0059 14 28 42 56 70 84 98 112 126 140 154 182 196 210 224 238 274 288 302 316 330 344 358
2011_09_26_drive_0064 22 44 66 88 110 154 176 198 220 242 264 286 308 330 352 374 396 418 440 462 484 506 528 550
2011_09_26_drive_0084 49 62 75 88 101 114 127 140 153 179 192 205 218 231 244 257 270 283 296 309 322 335 348 361 374
2011_09_26_drive_0086 7 34 61 88 115 142 169 196 223 250 277 304 331 358 385 412 439 466 493 520 574 601 628 655 682
2011_09_26_drive_0093 16 32 48 64 80 96 112 128 144 160 176 192 208 224 240 256 305 321 337 353 369 385 401 417
2011_09_26_drive_0096 19 38 57 76 95 114 133 152 171 190 209 228 247 266 285 304 323 342 361 380 399 418 437 456
2011_09_26_drive_0101 80 114 148 182 216 284 318 352 386 420 454 488 522 556 590 624 658 692 726 760 794 828 862 896 930
2011_09_26_drive_0106 15 35 43 51 59 67 75 83 91 99 107 115 123 131 139 147 155 163 171 179 187 195 203 211 219
2011_09_26_drive_0117 26 52 78 104 130 156 182 208 234 260 286 312 338 364 390 416 442 468 494 546 572 598 624 650
2011_09_28_drive_0002 6 9 12 18 21 24 30 33 36 39 45 48 51 54 57 60 63 72 78 81 84 87 90
2011_09_29_drive_0071 36 72 108 144 180 216 252 288 324 360 396 432 468 504 540 576 612 735 771 807 879 915 951
2011_09_30_drive_0016 11 22 33 44 55 66 77 88 110 121 132 143 154 165 176 187 198 209 220 231 242 253 264
2011_09_30_drive_0018 107 214 428 535 642 749 856 963 1070 1177 1284 1391 1498 1605 1712 1819 1926 2033 2140 2247 2419 2526 2633 2740
2011_09_30_drive_0027 41 82 123 164 205 246 287 328 369 410 451 492 533 574 615 656 753 794 835 876 917 958 1040 1081
2011_10_03_drive_0027 181 362 543 734 915 1096 1277 1458 1639 1820 2001 2363 2544 2725 2906 3087 3268 3449 3630 3811 3992 4173 4354 4535
2011_10_03_drive_0047 32 64 96 128 160 192 224 288 320 352 384 416 448 480 512 544 576 608 640 672 704 736 768 800"""
EIGEN_TEST = {ln.split()[0]: {int(i) for i in ln.split()[1:]} for ln in EIGEN_TEST.strip().splitlines()}
# Annotated drives excluded from the release training set (raw data was unavailable at build time)
SKIP_DRIVES = {"2011_09_28_drive_0104", "2011_09_28_drive_0135", "2011_09_28_drive_0177", "2011_09_28_drive_0214"}
# Download the improved sparse GT (~14 GB) and the raw recordings it covers (~175 GB)
dir = Path(yaml["path"]) # dataset root dir
base = "https://s3.eu-central-1.amazonaws.com/avg-kitti"
download([f"{base}/data_depth_annotated.zip"], dir=dir / "source", delete=True, exist_ok=True)
gt_drives = sorted(p for p in (dir / "source" / "data_depth_annotated").glob("*/*_sync") if p.name[:-5] not in SKIP_DRIVES)
urls = [f"{base}/raw_data/{p.name[:-5]}/{p.name}.zip" for p in gt_drives]
download(urls, dir=dir / "source" / "raw", delete=True, exist_ok=True, threads=4)
# Convert: GT PNGs are uint16 meters*256; RGB frames come from the matching raw drive
for split in ("train", "val"):
(dir / "images" / split).mkdir(parents=True, exist_ok=True)
(dir / "depth" / split).mkdir(parents=True, exist_ok=True)
for gt in TQDM(gt_drives, desc="Converting"):
drive = gt.name[:-5] # 2011_09_26_drive_0002
split = "val" if drive in EIGEN_TEST else "train"
# val is the canonical Eigen test split: left camera only, and only its 652 listed frames
for cam in ("image_02",) if split == "val" else ("image_02", "image_03"):
for png in sorted((gt / "proj_depth" / "groundtruth" / cam).glob("*.png")):
if split == "val" and int(png.stem) not in EIGEN_TEST[drive]:
continue
name = f"{drive}_{cam[-2:]}_{png.stem}"
depth = cv2.imread(str(png), cv2.IMREAD_ANYDEPTH).astype(np.float32) / 256.0
np.save(dir / "depth" / split / f"{name}.npy", depth)
raw = dir / "source" / "raw" / drive[:10] / gt.name / cam / "data" / png.name
raw.replace(dir / "images" / split / f"{name}.png")
shutil.rmtree(dir / "source")Uso#
Para entrenar un modelo YOLO26n-Depth en el conjunto de datos KITTI durante 100 épocas, puedes utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página de Entrenamiento del modelo.
from ultralytics import YOLO
# Load a pretrained depth model
model = YOLO("yolo26n-depth.pt")
# Train the model on KITTI
results = model.train(data="depth-kitti.yaml", epochs=100, imgsz=640)Modelos preentrenados#
Los modelos preentrenados YOLO26-Depth se descargan automáticamente desde el lanzamiento de assets v8.4.0 de Ultralytics cuando se hace referencia a ellos por primera vez por su nombre:
Citas y agradecimientos#
Si utilizas el conjunto de datos KITTI en tu trabajo de investigación o desarrollo, por favor cita los siguientes artículos:
@article{geiger2013vision,
title={Vision meets Robotics: The KITTI Dataset},
author={Geiger, Andreas and Lenz, Philip and Stiller, Christoph and Urtasun, Raquel},
journal={The International Journal of Robotics Research},
year={2013},
publisher={SAGE Publications}
}
@inproceedings{uhrig2017sparsity,
title={Sparsity Invariant CNNs},
author={Uhrig, Jonas and Schneider, Nick and Schneider, Lukas and Franke, Uwe and Brox, Thomas and Geiger, Andreas},
booktitle={International Conference on 3D Vision (3DV)},
year={2017}
}Nos gustaría agradecer al Instituto de Tecnología de Karlsruhe y al Instituto Tecnológico Toyota en Chicago por crear y mantener el conjunto de datos KITTI, y a Uhrig et al. por el método de densificación de profundidad que hace posible la supervisión densa.