Link to this sectionDataset di profondità NYU Depth V2#

NYU Depth V2 è il benchmark standard per interni per la stima della profondità monoculare. È costituito da sequenze video RGB-D di un'ampia varietà di scene al chiuso registrate con un Microsoft Kinect v1. È il benchmark principale utilizzato per riportare l'accuratezza di YOLO26-Depth.

Link to this sectionCaratteristiche principali#

• Acquisito con un sensore RGB-D Microsoft Kinect v1.
• Copre un'ampia varietà di vere scene al chiuso (case, uffici, aule e spazi simili).
• Intervallo di profondità fino a circa 10 m, tipico dell'acquisizione RGB-D consumer al chiuso.
• La valutazione viene eseguita sullo split di test standard Eigen di 654 immagini.
• Il benchmark principale per riportare l'accuratezza della stima della profondità monoculare.

Link to this sectionRuolo in YOLO26-Depth#

NYU Depth V2 è il benchmark di valutazione zero-shot primario per la famiglia YOLO26-Depth e le metriche principali nella pagina del task di profondità sono riportate su di esso. I modelli YOLO26-Depth pubblicati non sono addestrati su NYU; sebbene il dataset includa uno split di training, questo rimane inutilizzato e vengono riportati solo i risultati del test set.

La valutazione utilizza l'augmentation test-time (TTA) multi-scala e orizzontale, seguita dall'allineamento di scala log-least-squares tra le mappe di profondità previste e quelle ground truth prima del calcolo delle metriche.

Link to this sectionRisultati#

La tabella seguente riporta l'accuratezza delta1 (percentuale di pixel entro una soglia di 1,25×, più alto è meglio) sullo split di test Eigen di NYU Depth V2 per dimensione del modello.

Link to this sectionDataset YAML#

Viene utilizzato un file YAML (Yet Another Markup Language) per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni rilevanti.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# NYU Depth V2 dataset for monocular depth estimation
# Documentation: https://cs.nyu.edu/~silberman/datasets/nyu_depth_v2.html
# 795 train + 654 val (Eigen test split) images, 480x640, indoor scenes, depth in meters
# Example usage: yolo depth train data=nyu-depth.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── nyu-depth  ← downloads here (≈1.5 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: nyu-depth # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 795 images
val: images/val # val images (relative to 'path') 654 images

# Depth maps are paired .npy files (float32, meters) under depth/<split>/, resolved by
# swapping '/images/' -> '/depth/' on each image path.

# Classes
nc: 1
names:
  0: depth

channels: 3

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/nyu-depth.zip

Link to this sectionUtilizzo#

Per valutare un modello YOLO26-Depth sul benchmark NYU Depth V2, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di Validazione del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26x-depth.pt")  # load a pretrained depth model

# Evaluate on the NYU Depth V2 benchmark
results = model.val(data="nyu-depth.yaml")

Link to this sectionModelli pre-addestrati#

La famiglia YOLO26 depth viene valutata zero-shot sul benchmark NYU Depth V2. Questi modelli vengono scaricati automaticamente dall'ultima release di Ultralytics, ad esempio YOLO26x-depth dalla v8.4.0, e coprono una gamma di dimensioni (yolo26n/s/m/l/x-depth) per diversi requisiti di accuratezza e risorse.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset NYU Depth V2 nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:

@inproceedings{silberman2012indoor,
      title={Indoor Segmentation and Support Inference from RGBD Images},
      author={Silberman, Nathan and Hoiem, Derek and Kohli, Pushmeet and Fergus, Rob},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
      year={2012}
}

Desideriamo ringraziare gli autori per aver creato e mantenuto questa preziosa risorsa per la comunità della computer vision.