Começar

Conjunto de dados de profundidade iBims-1

O iBims-1 (imagens independentes de referência e digitalizações correspondentes) é uma referência interior de alta qualidade para a estimativa de profundidade monocular. Associa imagens RGB a dados de referência obtidos com scanner laser de precisão topográfica e foi concebido para testar limites de profundidade nítidos e superfícies planas.

Principais funcionalidades#

  • Valores de referência de profundidade de alta qualidade, captados com um scanner a laser de precisão topográfica.
  • Abrange cenas internas reais.
  • Intervalo de profundidade até aproximadamente 10 m.
  • A avaliação é realizada em 100 imagens.
  • Concebido especificamente para avaliar arestas de profundidade nítidas e a qualidade de superfícies planares.

Papel no YOLO26-Depth#

O iBims-1 é um benchmark de avaliação sem treinamento específico para a família YOLO26-Depth; os modelos publicados não são treinados com ele. O foco do iBims-1 em descontinuidades de profundidade nítidas e regiões planares torna-o um teste preciso da qualidade dos mapas de profundidade, para além da precisão agregada.

A avaliação usa aumento de dados de teste (TTA) com várias escalas e inversão horizontal, seguido de alinhamento de escala por mínimos quadrados em log entre os mapas de profundidade previstos e os de ground truth antes do cálculo das métricas.

Resultados#

A tabela abaixo apresenta a precisão δ1 (fração de píxeis dentro de um limiar de 1.25×; quanto maior, melhor) nas imagens de avaliação iBims-1 por tamanho do modelo.

Modeloδ1
YOLO26n-depth0.923
YOLO26s-depth0.899
YOLO26m-depth0.953
YOLO26l-depth0.952
YOLO26x-depth0.961

Avaliação#

O iBims-1 não é fornecido com um YAML de conjunto de dados incluído. A avaliação é feita com um script dedicado que carrega as imagens iBims-1 e os valores de referência de profundidade do scanner a laser, aplica TTA padrão e alinhamento de escala por mínimos quadrados logarítmicos e calcula as métricas de profundidade.

Uso#

O iBims-1 é um benchmark externo, por isso os modelos são normalmente executados com predict nas respetivas imagens.

Exemplo de predição
from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26x-depth.pt")  # carregar um modelo de profundidade pré-treinado

# Prever profundidade em imagens iBims-1
results = model.predict("path/to/ibims1/images")

Modelos pré-treinados#

A família de modelos de profundidade YOLO26 é avaliada sem treinamento específico no benchmark iBims-1. Esses modelos são baixados automaticamente na primeira utilização a partir da versão de assets v8.4.0 do Ultralytics, por exemplo, YOLO26x-depth, e abrange vários tamanhos (yolo26n/s/m/l/x-depth) para diferentes requisitos de precisão e recursos.

Citações e agradecimentos#

Se usares o conjunto de dados iBims-1 na tua pesquisa ou no teu trabalho de desenvolvimento, cita o seguinte artigo:

Citação
@inproceedings{koch2018ibims,
      title={Evaluation of CNN-based Single-Image Depth Estimation Methods},
      author={Koch, Tobias and Liebel, Lukas and Fraundorfer, Friedrich and K{\"o}rner, Marco},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV) Workshops},
      year={2018}
}

Agradecemos aos autores por criarem e manterem este valioso recurso para a comunidade de visão computacional.

Perguntas frequentes#

  • iBims-1 é um benchmark interior com 100 imagens e profundidade medida por scanner laser de precisão topográfica, concebido para testar arestas de profundidade nítidas e superfícies planas, indo além da precisão agregada para avaliar a qualidade dos mapas de profundidade. Os modelos YOLO26-Depth são avaliados sem treino específico neste conjunto, e o YOLO26x-depth atinge δ1 de 0.961.

  • Não. O iBims-1 não é fornecido com um YAML incluído e é avaliado com um script dedicado que aplica aumento de dados de teste multiescala e com inversão, além de alinhamento de escala por mínimos quadrados logarítmicos. Usa o modo de previsão nas imagens do iBims-1, conforme mostrado na secção Utilização.

  • Os modelos disponibilizados também são avaliados sem treinamento específico em NYU Depth V2, ETH3D e Make3D, e na divisão KITTI Eigen, cujas sequências de condução usadas no treinamento fazem parte da combinação de pré-treinamento; consulta a página da tarefa de estimativa de profundidade para ver os resultados combinados.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.