XYZ-IBD

github2025-06-03 更新2025-06-13 收录

下载链接：

https://github.com/GodZarathustra/XYZ-IBD

下载链接

链接失效反馈

官方服务：

资源简介：

XYZ-IBD是一个高精度的bin-picking数据集，用于物体6D姿态估计，捕捉了真实世界的工业复杂性。

XYZ-IBD is a high-precision bin-picking dataset designed for 6D object pose estimation, capturing the complexities of real-world industrial environments.

创建时间：

2025-05-13

原始信息汇总

XYZ-IBD 数据集概述

数据集简介

XYZ-IBD 是一个高精度的箱拣选数据集，专为物体6D姿态估计设计，捕捉了真实工业场景的复杂性。

数据集访问

项目页面: xyz-ibd.github.io/XYZ-IBD
Hugging Face: bop-benchmark/xyzibd
完整论文: Arxiv

基线实现

参考实现代码库: baseline repository

数据处理与评估

BOP工具包集成: 数据集采用BOP格式，兼容bop_toolkit
2D检测与6D姿态评估服务器: BOP官方服务器
单目深度评估: Codalab排行榜

数据生成

提供基于Docker的箱拣选模拟渲染工具，使用BlenderProc实现。

引用

bibtex @misc{huang2025xyzibdhighprecisionbinpickingdataset, title={XYZ-IBD: High-precision Bin-picking Dataset for Object 6D Pose Estimation Capturing Real-world Industrial Complexity}, author={Junwen Huang and Jizhong Liang and Jiaqi Hu and Martin Sundermeyer and Peter KT Yu and Nassir Navab and Benjamin Busam}, year={2025}, eprint={2506.00599}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2506.00599}, }

联系方式

如有问题或合作意向，可通过项目页面联系。

搜集汇总

数据集介绍

构建方式

XYZ-IBD数据集通过先进的合成渲染技术构建，采用BlenderProc框架在Docker环境中生成高保真工业场景。研究团队精心设计了真实工业环境中的料箱拣选场景，通过配置多组参数化脚本，批量生成包含复杂遮挡和多样光照条件的合成数据。数据生成后经过严格的格式转换流程，统一处理为标准的BOP格式，确保与主流6D姿态估计工具链无缝兼容。

特点

该数据集显著特点是高度还原工业场景的复杂性，包含密集堆叠物体间的多重遮挡和真实光照变化。数据规模庞大且标注精度达到亚毫米级，每个实例提供完整的6D姿态标注和高分辨率RGB-D数据。特别设计的评估体系支持多模态任务验证，包括2D检测、6D姿态估计和单目深度预测，为算法在真实工业环境中的鲁棒性提供严谨测试基准。

使用方法

使用者可通过Hugging Face平台直接获取标准格式数据，或利用提供的Docker镜像自定义生成合成数据。数据集完全兼容BOP工具包，支持数据加载、可视化和标准指标评估。研究团队已建立在线评估服务器，支持6D姿态预测结果提交和排行榜竞争，同时提供基线实现代码库加速研究进程。对于深度估计任务，可参与Codalab平台的专项挑战赛。

背景与挑战

背景概述

XYZ-IBD数据集由Junwen Huang等研究人员于2025年提出，旨在为工业环境中的6D位姿估计提供高精度的数据支持。该数据集由德国慕尼黑工业大学等机构联合开发，专注于捕捉真实工业场景中的复杂性和多样性，填补了传统数据集在工业分拣任务中的不足。XYZ-IBD通过结合合成渲染技术与实际工业场景数据，为机器人抓取、物体识别等应用提供了丰富的标注信息，推动了计算机视觉与机器人技术的交叉研究。其与BOP（Benchmark for 6D Object Pose Estimation）工具包的兼容性，进一步提升了其在学术与工业界的实用价值。

当前挑战

XYZ-IBD数据集面临的挑战主要体现在两方面：领域问题方面，工业分拣场景中的物体通常存在遮挡、堆叠和光照变化，这对6D位姿估计的精度和鲁棒性提出了极高要求；构建过程方面，合成数据与实际工业场景的无缝融合需要复杂的渲染技术和细致的标注流程，而大规模数据采集与标注的成本控制也是一项关键挑战。此外，数据集的多样性与通用性平衡仍需进一步优化，以适应不同工业场景的需求。

常用场景

经典使用场景

XYZ-IBD数据集在工业自动化领域具有广泛的应用前景，特别是在物体6D姿态估计任务中表现出色。该数据集通过捕捉真实工业场景中的复杂性，为研究人员提供了一个高精度的基准测试平台。其经典使用场景包括工业分拣系统中的物体定位与姿态识别，通过模拟真实环境中的光照变化、遮挡和物体堆叠等挑战，为算法性能评估提供了丰富的数据支持。

衍生相关工作

围绕XYZ-IBD数据集，学术界已衍生出一系列经典研究工作。这些工作主要集中在工业场景下的6D姿态估计算法优化、基于深度学习的物体识别方法改进等方面。该数据集还被用于多个国际挑战赛，如BOP Challenge 2025工业赛道和RICKY Challenge 2025单目深度赛道，推动了相关技术的快速发展。

数据集最近研究