Make3D 深度数据集#

Make3D 是单目深度估计的经典室外基准测试。它包含带有由定制 3D 激光扫描仪捕获的深度真值的校园场景图像，广泛用于探究分布外泛化能力。

主要特性#

• 使用定制 3D 激光扫描仪捕获的深度真实标签。
• 涵盖真实的 户外 校园场景。
• 深度范围最高约 70 米。
• 评估在 134 张图像的标准测试集上执行。
• 一个经典的分布外泛化基准测试。

在 YOLO26-Depth 中的作用#

Make3D 是针对 YOLO26-Depth 系列的零样本评估基准；已发布的模型并未在该数据集上进行训练。作为分布外室外数据集，它是所有模型中最难的基准，绝对 delta1 值在全线都较低，这对于该数据集而言是符合预期的。

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 Make3D 测试集上按模型大小划分的 delta1 准确率（1.25× 阈值内的像素百分比，越高越好）。

评估#

Make3D 未随附打包的 YAML 数据集文件。它通过一个专门的评估脚本进行评估，该脚本加载 Make3D 图像和激光扫描仪深度真实标签，应用标准的 TTA 和对数最小二乘比例对齐，并报告深度指标。

用法#

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 Make3D images
results = model.predict("path/to/make3d/images")

预训练模型#

YOLO26 depth 系列在 Make3D 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 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。