YOLO Vision 2026:

Dataset di profondità ImageNet (pseudo-etichettato)#

Il dataset ImageNet (con profondità pseudo-etichettata) riutilizza le 1.281.167 immagini di addestramento di ImageNet-1K, che non possiedono una profondità di verità fondamentale (ground-truth), e associa ciascuna immagine a una mappa di profondità pseudo prodotta da un teacher di Depth Anything 3, combinando i suoi checkpoint monoculari e metrici. Viene utilizzato esclusivamente per la distillazione della conoscenza e per la diversità di scene e oggetti offerta da ImageNet. Poiché costituisce la singola fonte più ampia nel mix di pre-addestramento di YOLO26-Depth di circa 2,19 milioni di immagini (circa il 58%), la sua aggiunta è stata decisiva per la generalizzazione cross-dominio in ambienti interni.

Caratteristiche principali#

  • 1.281.167 immagini di addestramento ImageNet-1K che coprono una gamma molto ampia di oggetti, scene e contesti.
  • Nessuna profondità di verità fondamentale: ogni target di profondità è una pseudo etichetta generata da un teacher di Depth Anything 3 che unisce (DA3MONO-LARGE per la struttura della scena, DA3METRIC-LARGE per la scala metrica).
  • Utilizzato esclusivamente per la distillazione della conoscenza e per la varietà di scene/oggetti, non come benchmark.
  • La singola fonte più ampia nel mix di pre-addestramento di circa 2,19 milioni di immagini (~58%), decisiva per la generalizzazione cross-dominio in ambienti interni.
  • Nessuno split di validazione: la validazione viene eseguita solo su dataset con ground-truth reale.

Struttura del dataset#

La fonte ImageNet pseudo-etichettata consiste nelle immagini di addestramento ImageNet-1K con una mappa di profondità generata automaticamente per immagine:

  1. Immagini di addestramento: 1.281.167 immagini di addestramento ImageNet-1K, il componente singolo più grande (~58%) del mix di pre-addestramento YOLO26-Depth di circa 2,19 milioni di immagini.
  2. Validazione: nessuna. Questa fonte non ha uno split di validazione; la validazione di YOLO26-Depth utilizza solo dataset con ground-truth reale come NYU Depth V2 e KITTI Eigen.

Come vengono generate le pseudo-etichette#

Poiché ImageNet viene distribuito senza annotazioni di profondità, i target di profondità vengono prodotti offline anziché misurati. Vengono combinati due checkpoint di Depth Anything 3, uno per la struttura della scena e uno per la scala assoluta:

  1. Ciascuna immagine di addestramento di ImageNet viene elaborata tramite depth-anything/DA3MONO-LARGE, che predice una mappa di profondità altamente dettagliata definita solo fino a una scala e a uno spostamento ignoti per ciascuna immagine, e tramite depth-anything/DA3METRIC-LARGE, la cui uscita è più grossolana ma espressa in unità reali.
  2. Un adattamento affine robusto per immagine mappa la predizione monoculare su quella metrica, label = a * mono + b. Ogni dettaglio per pixel deriva quindi dal checkpoint monoculare, mentre il checkpoint metrico imposta unicamente i due scalari che posizionano la mappa sull'asse dei metri. Non sono coinvolti parametri intrinseci della fotocamera, pertanto è possibile etichettare le immagini prive di calibrazione.
  3. Il risultato viene salvato come un array .npy in metri, seguendo il formato del dataset di profondità di Ultralytics, e associato all'immagine di origine tramite il nome radice (file stem). Queste mappe vengono memorizzate come float16 per dimezzare l'ingombro su disco attraverso 1,28 milioni di file; il loader del dataset le converte in float32 in fase di lettura e float32 rimane il formato documentato per i dataset di profondità personalizzati.
  4. Le coppie pseudo-etichettate vengono quindi aggiunte come componente di un mix di addestramento più ampio, in cui un modello studente YOLO26-Depth impara a imitare l'insegnante mentre si addestra anche su sorgenti con ground-truth reale.

Poiché la scala deriva da una predizione anziché da una misurazione, ogni mappa può presentare un errore di scala globale. YOLO26-Depth si addestra utilizzando una perdita logaritmica invariante alla scala (SILog) associata al matching dei gradienti e si valida tramite l'allineamento della mediana, per cui un offset di scala per immagine nelle pseudo etichette viene in gran parte assorbito.

Questa fonte pseudo-etichettata è un componente della configurazione di addestramento misto interna utilizzata per pre-addestrare i pesi YOLO26-Depth rilasciati e non viene distribuita come download autonomo.

Ruolo in YOLO26-Depth#

Questa fonte fornisce la parte principale dei dati di pre-addestramento di YOLO26-Depth e la più ampia diversità di scene e oggetti. Distillando un potente teacher di Depth Anything 3 su oltre un milione di immagini, trasferisce ampi priori di scena nello student. In pratica, la sua aggiunta è stata decisiva per la generalizzazione cross-dominio in ambienti interni, aiutando il modello a funzionare bene su scene d'interni al di fuori delle distribuzioni di addestramento reali con verità fondamentale.

Utilizzo#

I dati ImageNet pseudo-etichettati non vengono addestrati isolatamente; vengono utilizzati come un componente di un mix di profondità combinato, definito da uno YAML interno/sperimentale anziché da un download di dataset pubblico. Concettualmente, l'addestramento su un tale mix appare così:

Esempio di Addestramento
from ultralytics import YOLO

# Load a pretrained depth model
model = YOLO("yolo26n-depth.pt")

# Train on a combined depth mix (your own multi-source dataset YAML)
results = model.train(data="depth-mix.yaml", epochs=100, imgsz=640)

Modelli pre-addestrati#

I modelli YOLO26-Depth preaddestrati si scaricano automaticamente dalla release degli asset v8.4.0 di Ultralytics quando vengono citati per la prima volta per nome:

Citazioni e riconoscimenti#

Se utilizzi il dataset ImageNet nella tua attività di ricerca o sviluppo, ti preghiamo di citare il seguente documento:

Citazione
@inproceedings{deng2009imagenet,
      title={ImageNet: A Large-Scale Hierarchical Image Database},
      author={Deng, Jia and Dong, Wei and Socher, Richard and Li, Li-Jia and Li, Kai and Fei-Fei, Li},
      booktitle={2009 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
      year={2009},
      organization={IEEE}
}

@article{depthanything3,
      title={Depth Anything 3: Recovering the visual space from any views},
      author={Lin, Haotong and Chen, Sili and Liew, Jun Hao and Chen, Donny Y. and Li, Zhenyu and Shi, Guang and Feng, Jiashi and Kang, Bingyi},
      journal={arXiv preprint arXiv:2511.10647},
      year={2025}
}

Ringraziamo il team di ImageNet per la creazione e la manutenzione del dataset, e gli autori di Depth Anything 3 per i modelli teacher utilizzati per generare le pseudo etichette di profondità.

Collaboratori
BOBovey08092GLglenn-jocher1

Commenti