مجموعة بيانات Depth8#

8

Depth8

ultralytics

publicDepth

Official Ultralytics Depth8 dataset with 8 indoor RGB-depth pairs for depth pipeline testing: 4 train and 4 validation images sampled from SUN RGB-D Kinect v1/v2 captures. Depth maps are uint16 PNG in millimeters (depth_scale 1000). Source authors require citation of Song, Lichtenberg, and Xiao, CVPR 2015.

1.3 MBAug 21, 2026

depthrgb-dindoor+1

مقدمة#

مجموعة بيانات Depth8 من Ultralytics هي مجموعة بيانات صغيرة لتقدير العمق الأحادي تحتوي على 8 صور مأخوذة من مجموعة بيانات SUN RGB-D: 4 للتدريب و4 للتحقق، مستمدة من التقاطات Kinect v1 وKinect v2 (صورتان لكل مستشعر في كل تقسيم) للحصول على خرائط عمق أرضية كثيفة وخالية من الشوائب. وهي مصممة للاختبار السريع وتصحيح الأخطاء والتجريب مع نماذج وسواقات تدريب تقدير العمق YOLO26 — حيث يقوم أرشيف بحجم 1.3 ميجابايت بالتنزيل تلقائياً عند الاستخدام الأول، لتبدأ yolo depth train data=depth8.yaml التدريب في غضون ثوانٍ.

استكشف Depth8 on Ultralytics Platform لمعاينة أزواج RGB-depth الخاصة به واستنساخه للتدريب.

هيكل مجموعة البيانات#

يتبع Depth8 تخطيط مجموعة بيانات العمق القياسي من Ultralytics: صور RGB مع ملفات PNG لعمق بالمليمتر من نوع uint16 مقترنة بها (depth_scale: 1000)، والتي يتم مطابقتها بواسطة اسم الملف الأساسي.

depth8-png/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── depth/
    ├── train/  # 4 16-bit PNG depth maps
    └── val/    # 4 16-bit PNG depth maps

قيم العمق هي لقطات مستشعر داخلي حقيقية تتراوح من حوالي 0.5 متر إلى 4 أمتار، وهي تقع ضمن نطاق ≤10 أمتار لمجموعة بيانات SUN RGB-D الكاملة.

YAML مجموعة البيانات#

يتم تحديد تكوين مجموعة بيانات Depth8 في ملف YAML خاص بمجموعة البيانات، والذي يحدد مسارات مجموعة البيانات، وأسماء الفئات، ورابط التنزيل للمجموعة الفرعية الصغيرة المعبأة.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Depth8 dataset (8 clean-label indoor images from SUN RGB-D Kinect v1/v2, 4 train / 4 val) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/depth/depth8
# Format: https://docs.ultralytics.com/datasets/depth#depth-map-format
# uint16 PNG values are divided by depth_scale to produce meters. The default 1000 gives 65,535
# one-millimeter depth values from 0.001 to 65.535 m; code 0 is invalid.
# Common values (resolution, uint16 maximum):
# ARKitScenes and NYU Depth V2: 1000 (1 mm, 65.535 m)
# KITTI: 256 (3.90625 mm, 255.996 m); Virtual KITTI 2: 100 (1 cm, 655.35 m)
# Example usage: yolo depth train data=depth8.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── depth8-png ← downloads here (1.3 MB)
#         ├── images/{train,val}  # RGB images
#         └── depth/{train,val}   # paired 16-bit *.png depth maps (images/ -> depth/)

path: depth8-png # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images

nc: 1
names:
  0: depth

channels: 3
depth_scale: 1000 # PNG value 1000 = 1 meter

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/depth8-png.zip

الاستخدام#

لتدريب نموذج YOLO26n-depth على مجموعة بيانات Depth8 بحجم صورة 640، استخدم الأمثلة التالية. للحصول على قائمة كاملة بخيارات التدريب، راجع توثيق تدريب YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n-depth model
model = YOLO("yolo26n-depth.pt")

# Train the model on Depth8
results = model.train(data="depth8.yaml", epochs=100, imgsz=640)

الاقتباسات والشكر#

تم أخذ عينات Depth8 من SUN RGB-D — راجع صفحة مجموعة بيانات SUN RGB-D الكاملة لمعرفة تفاصيل المصدر والاستشهاد. مجموعة بيانات المصدر لا تحدد ترخيصاً.

إذا كنت تستخدم مجموعة بيانات SUN RGB-D في عملك البحثي أو التطويري، فيرجى الاستشهاد بالورقة البحثية التالية:

@inproceedings{song2015sunrgbd,
      title={SUN RGB-D: A RGB-D Scene Understanding Benchmark Suite},
      author={Song, Shuran and Lichtenberg, Samuel P. and Xiao, Jianxiong},
      booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
      year={2015}
}

الأسئلة الشائعة#