Começar

Conjunto de dados de profundidade KITTI

O conjunto de dados KITTI é uma referência de condução autónoma autónoma ao ar livre, em condições reais, captada a partir de um veículo em movimento na cidade de Karlsruhe e nos arredores. Para a estimativa de profundidade monocular, a profundidade de referência é derivada de um scanner LiDAR Velodyne HDL-64 e densificada através do método de Uhrig et al. 2017. Os mapas de profundidade resultantes continuam esparsos, com cerca de 16–20% dos píxeis a apresentarem um valor de profundidade válido. O KITTI é a fonte de condução real ao ar livre na combinação de pré-treino do YOLO26-Depth e também serve como referência de avaliação KITTI Eigen.

Principais funcionalidades#

  • Cenas reais de condução ao ar livre, com profundidades que chegam a cerca de 80 m, muito além do intervalo típico em ambientes interiores.
  • Dados de referência de profundidade obtidos com um LiDAR Velodyne HDL-64 e densificados com a abordagem Sparsity Invariant CNNs de Uhrig et al. 2017.
  • Supervisão esparsa: apenas cerca de 16–20% dos píxeis por imagem têm um valor de profundidade válido; os píxeis inválidos são mascarados na função de perda e nas métricas.
  • Os pares de imagens estéreo (esquerda image_02 e direita image_03) fornecem perspetivas adicionais para o treino.
  • Os valores de profundidade são guardados como PNG uint16 com 256 unidades por metro (depth_scale: 256), de acordo com o formato de conjunto de dados de profundidade da Ultralytics.

Estrutura do conjunto de dados#

Os dados de profundidade KITTI utilizados pela Ultralytics estão divididos em dois subconjuntos:

  1. Divisão de treino: 55,198 imagens (câmara esquerda image_02 e direita image_03). As 28 sequências de teste KITTI Eigen são excluídas do treino para garantir uma avaliação justa.
  2. Divisão de avaliação: a divisão de teste KITTI Eigen — os 652 fotogramas da câmara esquerda com dados de referência melhorados. A avaliação utiliza um limite de profundidade de 80 m e alinhamento pela mediana (apenas escala) entre as previsões e os dados de referência.

O alcance de profundidade chega a aproximadamente 80 m, e o YAML do conjunto de dados (depth-kitti.yaml) define max_depth: 80 em conformidade. Na primeira utilização, o YAML transfere automaticamente os dados de referência melhorados (~14 GB) e as unidades brutas correspondentes (~175 GB), e converte-os para o formato de conjunto de dados de profundidade da Ultralytics.

Papel no YOLO26-Depth#

O KITTI fornece supervisão de condução real ao ar livre para a combinação de pré-treino do YOLO26-Depth, complementando as fontes predominantemente interiores. É também a referência padrão KITTI Eigen para comunicar a precisão da profundidade em cenas de condução.

O KITTI é um exemplo importante de por que motivo a cabeça de profundidade não tem limites (log mode): um limite de saída fixo de 10 m não consegue representar cenas de condução com 80 m. Consulta a página da tarefa de profundidade para obteres detalhes sobre o intervalo de saída da cabeça e o tratamento de max_depth.

Resultados#

Precisão δ1 do KITTI Eigen por tamanho do modelo (quanto maior, melhor):

Modeloδ1 do KITTI Eigen
YOLO26n-depth0.878
YOLO26s-depth0.879
YOLO26m-depth0.913
YOLO26l-depth0.926
YOLO26x-depth0.932

Medido na divisão canónica de 652 fotogramas com imgsz=768 e rect=False. Os resultados não são diretamente comparáveis aos valores KITTI publicados: a validação redimensiona cada imagem para um quadrado imgsz e reamostra os dados de referência esparsos com o vizinho mais próximo para essa dimensão, enquanto os avaliadores de referência redimensionam a previsão de volta à resolução nativa dos dados de referência; DepthMetrics mascara os dados de referência em relação a max_depth, enquanto o protocolo de dados de referência melhorados mascara gt > 0 e limita apenas a previsão; e os pesos disponibilizados foram treinados com a divisão anterior, que incluía 72 destes fotogramas de teste no conjunto de treino.

YAML do conjunto de dados#

É utilizado um ficheiro YAML para definir a configuração do conjunto de dados. Contém informações sobre os caminhos, as classes e outras informações relevantes do conjunto de dados, como a profundidade máxima.

ultralytics/cfg/datasets/depth-kitti.yaml
# 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 treinar um modelo YOLO26n-depth no conjunto de dados KITTI durante 100 épocas, podes utilizar os seguintes exemplos de código.

Exemplo de treino
from ultralytics import YOLO

# Carrega um modelo de profundidade pré-treinado
model = YOLO("yolo26n-depth.pt")

# Treina o modelo com KITTI
results = model.train(data="depth-kitti.yaml", epochs=100, imgsz=640)

Modelos pré-treinados#

Os modelos YOLO26-Depth pré-treinados são transferidos automaticamente da versão de assets v8.4.0 do Ultralytics quando são referenciados pelo nome pela primeira vez:

Citações e agradecimentos#

Se utilizares o conjunto de dados KITTI no teu trabalho de investigação ou desenvolvimento, cita os seguintes artigos:

Citação
@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}
}

Agradecemos ao Karlsruhe Institute of Technology e ao Toyota Technological Institute at Chicago por criarem e manterem o conjunto de dados KITTI, e a Uhrig et al. pelo método de densificação da profundidade, que permite uma supervisão mais densa.

Perguntas frequentes#

  • O KITTI é a fonte de condução real ao ar livre na combinação de pré-treino do YOLO26-Depth e também serve como referência de avaliação KITTI Eigen. A profundidade LiDAR Velodyne chega a cerca de 80 m, razão pela qual a cabeça de profundidade não tem limites, em vez de estar limitada a um intervalo interior fixo.

  • A configuração da Ultralytics utiliza 55,198 imagens de treino das câmaras esquerda e direita, excluindo as 28 sequências de teste KITTI Eigen, e avalia os 652 fotogramas de teste Eigen da câmara esquerda com dados de referência melhorados. Os PNG de profundidade utilizam 256 unidades por metro (depth_scale: 256) e o YAML define max_depth: 80.

  • Executa yolo depth train data=depth-kitti.yaml model=yolo26n-depth.pt epochs=100 imgsz=640 ou usa o exemplo em Python na secção Utilização. A página de Treinamento apresenta todos os argumentos disponíveis.

  • Os valores em Resultados são obtidos pelo validador da Ultralytics com imgsz=768 e rect=False, que redimensiona as imagens para uma entrada quadrada, mascara os dados de referência em relação a max_depth e calcula as métricas por imagem com alinhamento de escala por imagem antes de calcular a média no conjunto de validação. Os avaliadores de referência KITTI utilizam um protocolo diferente, por isso os valores não são diretamente comparáveis.

Comentários

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