Make3D 深度数据集#

Make3D 是一个经典的户外单目深度估计基准，包含校园场景图像及其配套的深度真值。这些深度真值由定制的 3D 激光扫描仪采集，数据集广泛用于检验分布外泛化能力。

主要特性#

• 由定制的 3D 激光扫描仪采集的深度真值。
• 涵盖真实的户外校园场景。
• 深度范围最高约为 70 m。
• 使用包含 134 张图像的标准测试集进行评估。
• 经典的分布外泛化基准。

在 YOLO26-Depth 中的作用#

Make3D 是 YOLO26-Depth 系列的零样本评估基准；已发布的模型未在该数据集上进行训练。作为一个分布外户外数据集，它是所有模型中最具挑战性的基准，并且所有模型的绝对 delta1 值都较低，这符合该数据集的预期表现。

评估采用多尺度和水平翻转测试时增强（TTA），然后在计算指标前，对预测深度图与真值深度图进行对数最小二乘尺度对齐。

结果#

下表按模型大小报告了 Make3D 测试集上的 delta1 准确率（1.25× 阈值内像素所占的百分比，数值越高越好）。

评估#

Make3D 未随附捆绑的数据集 YAML 文件。它通过专用评估脚本进行评估：该脚本加载 Make3D 图像和激光扫描仪采集的深度真值，应用标准的 TTA 和对数最小二乘尺度对齐，并报告深度指标。

使用方法#

Make3D 是一个外部基准，因此通常使用 predict 在其图像上运行模型。有关可用参数的完整列表，请参阅模型的预测页面。

from ultralytics import YOLO

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

# Predict depth on Make3D images
results = model.predict("path/to/make3d/images")

预训练模型#

YOLO26 深度系列在 Make3D 基准上进行零样本评估。这些模型会从最新的 Ultralytics 版本自动下载，例如从 v8.4.0 下载 YOLO26x-depth，并提供多种大小（yolo26n/s/m/l/x-depth），以满足不同的准确率和资源需求。

引用和致谢#

如果你在研究或开发工作中使用 Make3D 数据集，请引用以下论文：

@article{saxena2009make3d,
      title={Make3D: Learning 3D Scene Structure from a Single Still Image},
      author={Saxena, Ashutosh and Sun, Min and Ng, Andrew Y.},
      journal={IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)},
      year={2009}
}

我们谨此感谢创建和维护这一宝贵资源的作者，他们为计算机视觉社区作出了贡献。

常见问题#