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.
- Profundidade de referência obtida com um LiDAR Velodyne HDL-64 e densificada 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_02e direitaimage_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:
- Divisão de treino: 55,198 imagens (câmara esquerda
image_02e direitaimage_03). As 28 sequências de teste KITTI Eigen são excluídas do treino para garantir uma avaliação justa. - 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 intervalo 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 sequências em bruto 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 delta1 do KITTI Eigen por tamanho do modelo (valores mais altos são melhores):
| Modelo | KITTI Eigen δ1 |
|---|---|
| YOLO26n-Depth | 0.878 |
| YOLO26s-Depth | 0.879 |
| YOLO26m-Depth | 0.913 |
| YOLO26l-Depth | 0.926 |
| YOLO26x-Depth | 0.932 |
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 🚀 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 excertos de código. Para veres a lista completa dos argumentos disponíveis, consulta a página de treino do modelo.
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:
@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 definemax_depth: 80.Executa
yolo depth train data=depth-kitti.yaml model=yolo26n-depth.pt epochs=100 imgsz=640ou 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=768erect=False, que redimensiona as imagens para uma entrada quadrada, mascara os dados de referência em relação amax_depthe 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.