iBims-1 深度数据集#

iBims-1（独立基准图像和匹配扫描）是一个用于单目深度估计的高质量室内基准。它将 RGB 图像与测量级激光扫描仪真实标签配对，旨在测试尖锐的深度边缘和平平面。

主要特性#

• 使用测量级激光扫描仪捕获的高质量深度真值。
• 涵盖真实的 室内 场景。
• 深度范围最高约 10 米。
• 评估在 100 张图像上进行。
• 专门设计用于评估清晰的深度边缘和平坦表面的质量。

在 YOLO26-Depth 中的作用#

iBims-1 是 YOLO26-Depth 系列的 零样本评估基准；已发布的模型均未在其上进行过训练。它对深度不连续性和平面区域的关注，使其成为超越聚合准确率的深度图质量精准测试。

评估使用多尺度和水平翻转测试时增强 (TTA)，并在计算指标前对预测深度图与真实深度图进行对数最小二乘法尺度对齐。

结果#

下表报告了 iBims-1 评估图像上不同模型大小的 delta1 准确率（1.25 倍阈值内的像素百分比，越高越好）。

评估#

iBims-1 未随附数据集 YAML 文件。它通过一个专门的评估脚本进行评估，该脚本会加载 iBims-1 图像和激光扫描仪深度真值，应用标准的 TTA 和对数最小二乘法尺度对齐，并报告深度指标。

用法#

iBims-1 是一个外部基准，因此通常在模型在其图像上使用 predict 运行。有关可用参数的完整列表，请参考模型预测页面。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26x-depth.pt")  # load a pretrained depth model

# Predict depth on iBims-1 images
results = model.predict("path/to/ibims1/images")

预训练模型#

YOLO26 depth 系列在 iBims-1 基准上进行零样本评估。这些模型从最新的 Ultralytics 版本自动下载，例如来自 v8.4.0 的 YOLO26x-depth，并涵盖了一系列大小（yolo26n/s/m/l/x-depth），以满足不同的准确率和资源需求。

引用与致谢#

如果你在研究或开发工作中使用了 iBims-1 数据集，请引用以下论文：

@inproceedings{koch2018ibims,
      title={Evaluation of CNN-based Single-Image Depth Estimation Methods},
      author={Koch, Tobias and Liebel, Lukas and Fraundorfer, Friedrich and K{\"o}rner, Marco},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV) Workshops},
      year={2018}
}

我们感谢作者为计算机视觉社区创建并维护了这一宝贵的资源。