Conjunto de datos de profundidad KITTI#
El conjunto de datos KITTI es un referente de conducción autónoma en exteriores del mundo real, capturado desde un vehículo en movimiento en la ciudad de Karlsruhe y sus alrededores. Para la estimación de profundidad monocular, la profundidad de referencia se obtiene con un escáner LiDAR Velodyne HDL-64 y se densifica mediante el método de Uhrig et al. 2017. Los mapas de profundidad resultantes siguen siendo dispersos: aproximadamente entre el 16 y el 20 % de los píxeles tienen un valor de profundidad válido. KITTI es la fuente de conducción real en exteriores de la combinación de preentrenamiento de YOLO26-Depth y también sirve como referente de evaluación KITTI Eigen.
Características principales#
- Escenas reales de conducción en exteriores con profundidades de hasta unos 80 m, muy superiores al rango habitual en interiores.
- Profundidad de referencia obtenida con un LiDAR Velodyne HDL-64 y densificada con el método Sparsity Invariant CNNs de Uhrig et al. 2017.
- Supervisión dispersa: solo alrededor del 16–20 % de los píxeles de cada imagen tienen un valor de profundidad válido; los píxeles no válidos se excluyen de la función de pérdida y las métricas.
- Los pares de imágenes estéreo (izquierda
image_02y derechaimage_03) aportan puntos de vista adicionales para el entrenamiento. - Los valores de profundidad se almacenan en archivos PNG uint16 con 256 unidades por metro (
depth_scale: 256), siguiendo el formato de conjunto de datos de profundidad de Ultralytics.
Estructura del conjunto de datos#
Los datos de profundidad KITTI que utiliza Ultralytics se dividen en dos subconjuntos:
- Conjunto de entrenamiento: 55.198 imágenes (izquierda
image_02y derechaimage_03). Las 28 secuencias de prueba KITTI Eigen se excluyen del entrenamiento para que la evaluación sea justa. - Conjunto de evaluación: el conjunto de prueba KITTI Eigen, con sus 652 fotogramas de la cámara izquierda que tienen una profundidad de referencia mejorada. La evaluación utiliza un límite de profundidad de 80 m y una alineación mediana (solo de escala) entre las predicciones y la profundidad de referencia.
El rango de profundidad alcanza aproximadamente los 80 m, y el YAML del conjunto de datos (depth-kitti.yaml) establece max_depth: 80 en consecuencia. La primera vez que se utiliza, el YAML descarga automáticamente la profundidad de referencia mejorada (~14 GB) y las secuencias sin procesar correspondientes (~175 GB), y las convierte al formato de conjunto de datos de profundidad de Ultralytics.
Papel de YOLO26-Depth#
KITTI aporta supervisión de conducción real en exteriores a la combinación de preentrenamiento de YOLO26-Depth, que complementa las fuentes mayoritariamente de interiores. También es el referente estándar KITTI Eigen para informar sobre la precisión de profundidad en escenas de conducción.
KITTI es un ejemplo clave de por qué la cabeza de profundidad no tiene límites (log): un límite de salida fijo de 10 m no puede representar escenas de conducción de 80 m. Consulta la página de la tarea de profundidad para obtener más información sobre el rango de salida de la cabeza y el tratamiento de max_depth.
Resultados#
Precisión delta1 de KITTI Eigen por tamaño del modelo (cuanto más alta, 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 el conjunto canónico de 652 fotogramas con imgsz=768 y rect=False. No se pueden comparar directamente con las cifras publicadas de KITTI: val adapta cada imagen a un cuadrado imgsz y remuestrea mediante el vecino más próximo la profundidad de referencia dispersa para ajustarla, mientras que los evaluadores de referencia redimensionan la predicción de nuevo a la resolución original de la profundidad de referencia; DepthMetrics enmascara la profundidad de referencia frente a max_depth, mientras que el protocolo de profundidad de referencia mejorada enmascara gt > 0 y limita solo la predicción; además, los pesos publicados se entrenaron con la división anterior, que incluía 72 de estos fotogramas de prueba en el conjunto de entrenamiento.
YAML del conjunto de datos#
Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otros datos pertinentes, 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 16-bit *.png depth maps (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
depth_scale: 256 # KITTI PNG value 256 = 1 meter
# Download script/URL (optional)
download: |
import shutil
from pathlib import Path
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}"
png.replace(dir / "depth" / split / f"{name}.png")
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 con el conjunto de datos KITTI durante 100 épocas, puedes utilizar los siguientes fragmentos de código. Consulta la página de entrenamiento del modelo para ver una lista completa de los argumentos disponibles.
from ultralytics import YOLO
# Carga un modelo de profundidad preentrenado
model = YOLO("yolo26n-depth.pt")
# Entrena el modelo con KITTI
results = model.train(data="depth-kitti.yaml", epochs=100, imgsz=640)Modelos preentrenados#
Los modelos YOLO26-Depth preentrenados se descargan automáticamente desde la versión de recursos v8.4.0 de Ultralytics cuando se hace referencia a ellos por primera vez:
Citas y agradecimientos#
Si utilizas el conjunto de datos KITTI en tu investigación o trabajo de desarrollo, 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}
}Queremos dar las gracias al Instituto Tecnológico de Karlsruhe y al Instituto Tecnológico Toyota de Chicago por crear y mantener el conjunto de datos KITTI, y a Uhrig et al. por el método de densificación de profundidad que permite una supervisión más densa.
Preguntas frecuentes#
KITTI es la fuente de conducción real en exteriores de la combinación de preentrenamiento de YOLO26-Depth y también sirve como referente de evaluación KITTI Eigen. La profundidad LiDAR de Velodyne alcanza unos 80 m, por lo que la cabeza de profundidad no tiene límites, en lugar de limitarse a un rango fijo propio de interiores.
La configuración de Ultralytics utiliza 55.198 imágenes de entrenamiento de las cámaras izquierda y derecha, excluye las 28 secuencias de prueba KITTI Eigen y evalúa los 652 fotogramas de prueba Eigen de la cámara izquierda que tienen una profundidad de referencia mejorada. Los archivos PNG de profundidad utilizan 256 unidades por metro (
depth_scale: 256) y el YAML establecemax_depth: 80.Ejecuta
yolo depth train data=depth-kitti.yaml model=yolo26n-depth.pt epochs=100 imgsz=640o usa el ejemplo de Python de la sección Uso. La página de Entrenamiento enumera todos los argumentos disponibles.Los valores de Resultados proceden del validador de Ultralytics con
imgsz=768yrect=False, que cambia el tamaño de las imágenes para ajustarlas a una entrada cuadrada, enmascara la profundidad de referencia frente amax_depthy calcula las métricas por imagen con alineación de escala por imagen antes de promediarlas en todo el conjunto de validación. Los evaluadores de referencia de KITTI utilizan otro protocolo, por lo que las cifras no se pueden comparar directamente.