Make3D 深度数据集#

Make3D 是经典的户外单目深度估计基准。它包含校园场景图像，以及通过定制 3D 激光扫描仪采集的深度真值，广泛用于检验分布外泛化能力。

主要功能#

• 深度真值由定制的 3D 激光扫描仪采集。
• 覆盖真实的户外校园场景。
• 深度范围最高约 70 m。
• 在包含 134 张图像的标准测试集上进行评测。
• 经典的分布外泛化基准。

在 YOLO26-Depth 中的作用#

Make3D 是 YOLO26-Depth 系列的零样本评测基准；已发布模型并未在该数据集上训练。作为一个分布外户外数据集，它是所有模型最具挑战性的基准，所有模型的绝对 delta1 数值都偏低，这对于该数据集而言是预期现象。

评估使用多尺度和水平翻转测试时增强（TTA），随后在计算指标前对预测深度图和真值深度图进行对数最小二乘尺度对齐。

结果#

下表按模型规模报告 Make3D 测试集上的 delta1 精度（阈值为 1.25× 时像素所占比例，越高越好）。

评估#

Make3D 不附带数据集 YAML。评测通过专用脚本进行，该脚本会加载 Make3D 图像和激光扫描深度真值，应用标准 TTA 和对数最小二乘尺度对齐，并报告深度指标。

用法#

Make3D 是外部基准，因此通常会使用 predict 对其图像运行模型。可用参数的完整列表请参阅模型预测页面。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26x-depth.pt")  # 加载预训练深度模型

# 预测 Make3D 图像的深度
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测。这些模型首次使用时会从 Ultralytics v8.4.0 资源发布版自动下载，例如 YOLO26x-depth；模型提供多种规模（yolo26n/s/m/l/x-depth），以满足不同的精度和资源需求。

引用与致谢#

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}
}

我们感谢作者为计算机视觉社区创建并维护这一宝贵资源。

常见问题#