Link to this sectionJeu de données de profondeur Make3D#

Make3D est un benchmark extérieur classique pour l'estimation de profondeur monoculaire. Il contient des images de scènes de campus associées à une vérité terrain de profondeur capturée par un scanner laser 3D personnalisé, et il est largement utilisé pour tester la généralisation hors distribution.

Link to this sectionFonctionnalités clés#

• Vérité terrain de profondeur capturée avec un scanner laser 3D personnalisé.
• Couvre des scènes de campus extérieures réelles.
• Portée de profondeur jusqu'à environ 70 m.
• L'évaluation est effectuée sur l'ensemble de test standard de 134 images.
• Un benchmark classique de généralisation hors distribution.

Link to this sectionRôle dans YOLO26-Depth#

Make3D est un benchmark d'évaluation zero-shot pour la famille YOLO26-Depth ; les modèles publiés ne sont pas entraînés dessus. En tant qu'ensemble extérieur hors distribution, c'est le benchmark le plus difficile pour tous les modèles, et les valeurs delta1 absolues sont faibles dans l'ensemble, ce qui est attendu pour ce jeu de données.

L'évaluation utilise une augmentation de données lors du test (TTA) multi-échelle et par retournement horizontal, suivie d'un alignement d'échelle par moindres carrés logarithmiques entre les cartes de profondeur prédites et la vérité terrain avant le calcul des métriques.

Link to this sectionRésultats#

Le tableau ci-dessous rapporte la précision delta1 (pourcentage de pixels dans un seuil de 1,25×, plus c'est élevé, mieux c'est) sur l'ensemble de test Make3D par taille de modèle.

Link to this sectionÉvaluation#

Make3D n'est pas fourni avec un YAML de jeu de données groupé. Il est évalué via un script d'évaluation dédié qui charge les images Make3D et la vérité terrain de profondeur du scanner laser, applique le TTA standard et l'alignement d'échelle log-moindres carrés, puis rapporte les métriques de profondeur.

Link to this sectionUtilisation#

Make3D est un benchmark externe, les modèles sont donc généralement exécutés avec predict sur ses images. Pour une liste complète des arguments disponibles, consulte la page Prédiction du modèle.

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 sectionModèles pré-entraînés#

La famille de profondeur YOLO26 est évaluée en zero-shot sur le benchmark Make3D. Ces modèles se téléchargent automatiquement depuis la dernière version d'Ultralytics, par exemple YOLO26x-depth à partir de la v8.4.0, et couvrent une gamme de tailles (yolo26n/s/m/l/x-depth) pour différentes exigences de précision et de ressources.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données Make3D dans tes travaux de recherche ou de développement, merci de citer l'article suivant :

@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}
}

Nous tenons à remercier les auteurs pour la création et la maintenance de cette ressource précieuse pour la communauté de la vision par ordinateur.