企业级安全防护： 符合 ISO 27001 + SOC 2 Type I 标准。

Link to this sectionNYU Depth V2 深度数据集#

NYU Depth V2 是单目深度估计的标准室内基准。它包含使用 Microsoft Kinect v1 录制的各种室内场景的 RGB-D 视频序列。它是用于报告 YOLO26-Depth 准确度的主要基准。

Link to this section主要特性#

  • 由 Microsoft Kinect v1 RGB-D 传感器拍摄。
  • 涵盖了各种真实的室内场景（住宅、办公室、教室及类似空间）。
  • 深度范围最高约 10 米，符合消费级室内 RGB-D 捕获的典型范围。
  • 在 654 张图像的标准 Eigen 测试集上进行评估。
  • 用于报告单目深度估计准确度的主要基准。

Link to this section在 YOLO26-Depth 中的作用#

NYU Depth V2 是 YOLO26-Depth 系列的主要零样本评估基准，深度任务页面上的主要指标均基于此报告。已发布的 YOLO26-Depth 模型未在 NYU 上进行过训练；尽管该数据集包含训练集，但其保持未使用状态，仅报告留出的测试结果。

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。

Link to this section结果#

下表报告了 NYU Depth V2 Eigen 测试集上各模型尺寸的 delta1 准确度（像素在 1.25 倍阈值内的百分比，越高越好）。

模型delta1
YOLO26n-depth0.882
YOLO26s-depth0.855
YOLO26m-depth0.919
YOLO26l-depth0.927
YOLO26x-depth0.923

Link to this section数据集 YAML#

YAML (Yet Another Markup Language) 文件用于定义数据集配置。它包含有关数据集路径、类别和其他相关信息。

ultralytics/cfg/datasets/nyu-depth.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# NYU Depth V2 dataset for monocular depth estimation
# Documentation: https://cs.nyu.edu/~silberman/datasets/nyu_depth_v2.html
# 795 train + 654 val (Eigen test split) images, 480x640, indoor scenes, depth in meters
# Example usage: yolo depth train data=nyu-depth.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── nyu-depth  ← downloads here (≈1.5 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: nyu-depth # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 795 images
val: images/val # val images (relative to 'path') 654 images

# Depth maps are paired .npy files (float32, meters) under depth/<split>/, resolved by
# swapping '/images/' -> '/depth/' on each image path.

# Classes
nc: 1
names:
  0: depth

channels: 3

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/nyu-depth.zip

Link to this section用法#

若要评估 NYU Depth V2 基准上的 YOLO26-Depth 模型，你可以使用以下代码片段。有关可用参数的完整列表，请参考模型验证页面。

验证示例
from ultralytics import YOLO

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

# Evaluate on the NYU Depth V2 benchmark
results = model.val(data="nyu-depth.yaml")

Link to this section预训练模型#

YOLO26 深度系列在 NYU Depth V2 基准上进行零样本评估。这些模型会自动从最新的 Ultralytics 版本下载，例如来自 v8.4.0 的 YOLO26x-depth，并涵盖了针对不同准确度和资源需求的一系列尺寸（yolo26n/s/m/l/x-depth）。

Link to this section引用与致谢#

如果你在研究或开发工作中使用 NYU Depth V2 数据集，请引用以下论文：

引用
@inproceedings{silberman2012indoor,
      title={Indoor Segmentation and Support Inference from RGBD Images},
      author={Silberman, Nathan and Hoiem, Derek and Kohli, Pushmeet and Fergus, Rob},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
      year={2012}
}

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。

贡献者
BOBovey08091

评论