Link to this sectionTartanAir Derinlik Veri Kümesi#

TartanAir, AirSim simülatöründe oluşturulan büyük ölçekli bir sentetik veri kümesidir. Görsel SLAM'in sınırlarını zorlamak için yaratılmıştır ve mevsimsel, hava durumu ve ışıklandırma değişkenlerinin yanı sıra zorlu koşullarla birlikte iç mekan, dış mekan, kentsel ve doğa sahneleri gibi çok çeşitli ortamları kapsar.

TartanAir simülasyonda oluşturulduğu için, bu çeşitli sahne setinde yoğun derinlik verisi (ground truth) sağlar ve bu da onu monoküler derinlik tahmini modellerini eğitmek için güçlü bir çevresel çeşitlilik ve uzun menzilli geometri kaynağı yapar.

Link to this sectionTemel Özellikler#

• AirSim simülatöründe oluşturulan Sentetik veri.
• Mevsimsel, hava durumu ve ışıklandırma değişimleri ile zorlu koşullara sahip çeşitli iç ve dış mekan (kentsel, doğa) ortamları.
• Tüm sahnelerde yoğun derinlik verisi (ground truth).
• ~80 m'ye kadar derinlik aralığı.
• Ultralytics derinlik eğitimi karışımına 61.470 görüntü (55.660 eğitim / 5.810 doğrulama) katkıda bulunur.

Link to this sectionVeri Kümesi Yapısı#

TartanAir derinlik veri kümesi iki alt kümeye ayrılmıştır:

1. Train: Eğitim için eşleştirilmiş yoğun derinlik haritalarına sahip 55.660 görüntü.
2. Val: Eğitim sırasında doğrulama için eşleştirilmiş yoğun derinlik haritalarına sahip 5.810 görüntü.

Each RGB image is paired with a .npy float32 depth map storing per-pixel distances in meters, following the Ultralytics depth dataset format.

Link to this sectionVerileri Elde Et#

TartanAir'in otomatik indirme özelliği yoktur; veriler CMU'nun AirLab'i tarafından dağıtılmakta (koşullar için veri kümesi sayfasına bakın) ve tartanair_tools betikleriyle indirilmektedir:

git clone https://github.com/castacks/tartanair_tools && cd tartanair_tools
python download_training.py --output-dir ./data --rgb --depth --only-left --unzip

Depth is already stored as float32 .npy in meters (depth_left/*_left_depth.npy next to image_left/*_left.png), so conversion is just re-arranging and invalidating the sky (rendered as extreme distances; the released mix clips at 80 m to match the dataset YAML). TartanAir ships no official val split — hold out one or more environments. Reference conversion to the Ultralytics depth dataset format:

import shutil
from pathlib import Path

import numpy as np

VAL_ENVS = {"neighborhood"}  # environments held out for validation
src, dst = Path("data"), Path("datasets/depth-tartanair")
for depth_file in sorted(src.rglob("depth_left/*_left_depth.npy")):
    env, traj = depth_file.parts[-5], depth_file.parts[-3]
    out = "val" if env.lower() in VAL_ENVS else "train"
    (dst / f"images/{out}").mkdir(parents=True, exist_ok=True)
    (dst / f"depth/{out}").mkdir(parents=True, exist_ok=True)
    depth = np.load(depth_file)
    depth[depth > 80.0] = 0.0  # sky/extreme range → 0 = invalid
    frame = depth_file.name.replace("_depth.npy", "")  # e.g. 000000_left
    name = f"{env}_{traj}_{frame}"
    np.save(dst / f"depth/{out}/{name}.npy", depth)
    shutil.copy(depth_file.parents[1] / "image_left" / f"{frame}.png", dst / f"images/{out}/{name}.png")

Link to this sectionYOLO26-Depth'teki Rolü#

TartanAir, Ultralytics YOLO26-Depth modellerini önceden eğitmek için kullanılan geniş çoklu veri kümesi karışımındaki (~2,19M görüntü) eğitim kaynaklarından biridir. Bu karışım içinde TartanAir, iç mekan ve gerçek dünya kaynaklarını tamamlayan sentetik çevresel çeşitlilik ve uzun menzilli dış mekan geometrisi sağlar.

Bu kurulumda bağımsız bir TartanAir benchmark (kıyaslama) testi yoktur. Bunun yerine, elde edilen modeller standart monoküler derinlik benchmarklarında değerlendirilir: NYU Depth V2, KITTI, Make3D, ETH3D ve iBims-1.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. TartanAir için depth-tartanair.yaml dosyası yolları ve tek bir depth sınıfını tanımlar.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# TartanAir dataset for monocular depth estimation — synthetic indoor + outdoor (AirSim), dense depth up to ~80 m
# Documentation: https://docs.ultralytics.com/datasets/depth/tartanair
# Example usage: yolo depth train data=depth-tartanair.yaml model=yolo26n-depth.pt
# No autodownload — obtain the source data (see docs) and arrange it as below.
# parent
# ├── ultralytics
# └── datasets
#     └── depth-tartanair
#         ├── images/{train,val}  # RGB images
#         └── depth/{train,val}   # paired *.npy, float32 meters (images/ -> depth/)

path: depth-tartanair # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 55660 images
val: images/val # val images (relative to 'path') 5810 images
max_depth: 80 # (m) maximum valid depth; GT beyond this is excluded from val metrics

nc: 1
names:
  0: depth

channels: 3

Link to this sectionKullanım#

TartanAir veri kümesi üzerinde 640 görüntü boyutuyla bir YOLO26n-Depth modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına başvur.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-depth.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="depth-tartanair.yaml", epochs=100, imgsz=640)

Link to this sectionÖnceden Eğitilmiş Modeller#

YOLO26 derinlik ailesi (yolo26n-depth.pt, yolo26s-depth.pt, yolo26m-depth.pt, yolo26l-depth.pt, yolo26x-depth.pt) v8.4.0 sürümünden otomatik olarak indirilir ve TartanAir'in de parçası olduğu geniş çoklu veri kümesi karışımı üzerinde eğitilmiştir.

Link to this sectionAlıntılar ve Teşekkür#

TartanAir veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, lütfen aşağıdaki makaleye atıfta bulun:

@inproceedings{wang2020tartanair,
      title={TartanAir: A Dataset to Push the Limits of Visual SLAM},
      author={Wenshan Wang and Delong Zhu and Xiangwei Wang and Yaoyu Hu and Yuheng Qiu and Chen Wang and Yafei Hu and Ashish Kapoor and Sebastian Scherer},
      booktitle={IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)},
      year={2020}
}

Bu çeşitli sentetik veri kümesini bilgisayarlı görü topluluğuna sundukları için TartanAir'in yaratıcılarına teşekkür ederiz.