Link to this sectionНабор данных глубины NYU Depth V2#

NYU Depth V2 — это стандартный бенчмарк для помещений по монокулярной оценке глубины. Он состоит из видеопоследовательностей RGB-D различных сцен в помещениях, записанных с помощью Microsoft Kinect v1. Это основной бенчмарк, используемый для оценки точности YOLO26-Depth.

Link to this sectionКлючевые особенности#

• Записано с помощью сенсора RGB-D Microsoft Kinect v1.
• Охватывает широкий спектр реальных внутренних сцен (дома, офисы, учебные классы и подобные пространства).
• Диапазон глубины до 10 м, что типично для бытовой RGB-D съемки в помещениях.
• Оценка выполняется на стандартной тестовой выборке Eigen, состоящей из 654 изображений.
• Основной бенчмарк для сообщения точности монокулярной оценки глубины.

Link to this sectionРоль в YOLO26-Depth#

NYU Depth V2 — это основной бенчмарк для zero-shot оценки семейства YOLO26-Depth, и ключевые метрики на странице задач по глубине приводятся именно для него. Опубликованные модели YOLO26-Depth не обучались на NYU; хотя набор данных включает обучающую выборку, она остается неиспользованной, и сообщаются только результаты на тестовой выборке.

Оценка использует многомасштабную аугментацию и горизонтальное отражение во время теста (TTA), за которыми следует логарифмически-квадратичное выравнивание масштаба между предсказанными и эталонными картами глубины перед расчетом метрик.

Link to this sectionРезультаты#

В таблице ниже приведена точность delta1 (процент пикселей в пределах порога 1,25×, чем выше, тем лучше) на тестовой выборке NYU Depth V2 Eigen в зависимости от размера модели.

Link to this sectionYAML набора данных#

YAML-файл (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях к данным, классах и другую соответствующую информацию.

# 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 sectionИспользование#

Чтобы оценить модель YOLO26-Depth на бенчмарке NYU Depth V2, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице Validation модели.

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 sectionПредварительно обученные модели#

Семейство моделей YOLO26-Depth оценивается zero-shot на бенчмарке NYU Depth V2. Эти модели автоматически загружаются из последнего релиза Ultralytics, например YOLO26x-depth из версии v8.4.0, и охватывают ряд размеров (yolo26n/s/m/l/x-depth) для различных требований к точности и ресурсам.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных NYU Depth V2 в своей исследовательской или разработческой работе, пожалуйста, сошлися на следующую статью:

@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}
}

Мы хотели бы поблагодарить авторов за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения.