Link to this sectionNYU Depth V2 Derinlik Veri Kümesi#

NYU Depth V2, monoküler derinlik tahmini için standart iç mekan kıyaslama ölçütüdür. Microsoft Kinect v1 ile kaydedilmiş çok çeşitli iç mekan sahnelerinin RGB-D video dizilerinden oluşur. YOLO26-Depth doğruluğunu raporlamak için kullanılan birincil kıyaslama ölçütüdür.

Link to this sectionTemel Özellikler#

• Microsoft Kinect v1 RGB-D sensörü ile çekilmiştir.
• Çok çeşitli gerçek iç mekan sahnelerini (evler, ofisler, sınıflar ve benzeri alanlar) kapsar.
• Tüketici tipi iç mekan RGB-D çekimleri için tipik olan, yaklaşık 10 metreye kadar derinlik aralığı.
• Değerlendirme, 654 görüntülük standart Eigen test ayrımı üzerinde gerçekleştirilir.
• Monoküler derinlik tahmini doğruluğunu raporlamak için birincil kıyaslama ölçütüdür.

Link to this sectionYOLO26-Depth'teki Rolü#

NYU Depth V2, YOLO26-Depth ailesi için birincil sıfır vuruşlu (zero-shot) değerlendirme kıyaslama ölçütüdür ve derinlik görevi sayfasındaki manşet metrikleri bunun üzerinde raporlanır. Yayınlanan YOLO26-Depth modelleri NYU üzerinde eğitilmemiştir; veri kümesi bir eğitim ayrımı içerse de, bu kullanılmamış ve sadece tutulan test sonuçları raporlanmıştır.

Değerlendirme, çok ölçekli ve yatay çevirmeli test zamanı artırma (TTA) kullanır ve ardından metrikler hesaplanmadan önce tahmin edilen ile doğruluk payı derinlik haritaları arasında log-en küçük kareler ölçek hizalaması yapılır.

Link to this sectionSonuçlar#

Aşağıdaki tablo, model boyutuna göre NYU Depth V2 Eigen test ayrımındaki delta1 doğruluğunu (1.25× eşiği içindeki piksellerin yüzdesi, yüksek olması daha iyidir) raporlar.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir.

# 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 sectionKullanım#

Bir YOLO26-Depth modelini NYU Depth V2 kıyaslama ölçütü üzerinde değerlendirmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir argümanların kapsamlı bir listesi için model Doğrulama sayfasına bakabilirsin.

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 sectionÖnceden Eğitilmiş Modeller#

YOLO26 derinlik ailesi, NYU Depth V2 kıyaslama ölçütü üzerinde sıfır vuruşlu (zero-shot) olarak değerlendirilir. Bu modeller, örneğin v8.4.0 sürümünden YOLO26x-depth gibi en son Ultralytics sürümünden otomatik olarak indirilir ve farklı doğruluk ve kaynak gereksinimleri için çeşitli boyutları (yolo26n/s/m/l/x-depth) kapsar.

Link to this sectionAlıntılar ve Teşekkür#

Araştırma veya geliştirme çalışmalarında NYU Depth V2 veri kümesini kullanırsan, lütfen şu makaleyi kaynak göster:

@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}
}

Bilgisayarlı görü topluluğu için bu değerli kaynağı yarattıkları ve korudukları için yazarlara teşekkür ederiz.