مجموعة بيانات Depth8#

8

Depth8

ultralytics

publicDepth

Depth8 is Ultralytics' minimal depth-estimation smoke-test set, sampled from SUN RGB-D Kinect v1/v2 indoor captures. Its four training and four validation RGB images have dimension-matched uint16 PNG depth maps in millimeters, using a depth scale of 1,000 units per meter.

1.3 MBSep 2, 2026

depthrgb-dindoor+1

مقدمة#

مجموعة بيانات Depth8 من Ultralytics هي مجموعة مدمجة لـتقدير العمق أحادي العين، تضم 8 صور مأخوذة من مجموعة بيانات SUN RGB-D: 4 للتدريب و4 للتحقق، من لقطات Kinect v1 وKinect v2 (صورتان لكل مستشعر في كل تقسيم) للحصول على خرائط عمق حقيقة أرضية كثيفة وخالية من العيوب. صُممت للاختبار السريع وتصحيح الأخطاء والتجارب باستخدام نماذج تقدير العمق YOLO26 ومسارات التدريب — يُنزّل الأرشيف البالغ حجمه 1.3 MB تلقائيًا عند الاستخدام الأول، لذا يبدأ yolo depth train data=depth8.yaml التدريب في غضون ثوانٍ.

استكشف Depth8 على منصة Ultralytics لمعاينة أزواج RGB والعمق واستنساخها للتدريب.

بنية مجموعة البيانات#

تتبع Depth8 التنسيق القياسي لمجموعة بيانات العمق من Ultralytics: صور RGB مع صور عمق PNG مقترنة بدقة uint16 وبوحدة المليمتر (depth_scale: 1000)، وتتطابق أسماؤها الأساسية للملفات.

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 ملتقطة من مستشعرات داخلية واقعية، وتتراوح تقريبًا بين 0.5 م و4 م، أي إنها تقع ضمن نطاق ≤10 م لمجموعة بيانات SUN RGB-D الكاملة.

ملف YAML لمجموعة البيانات#

يُعرّف إعداد مجموعة بيانات Depth8 في ملف YAML لمجموعة البيانات، الذي يحدد مسارات مجموعة البيانات وأسماء الفئات وعنوان URL لتنزيل المجموعة الفرعية المعبأة الصغيرة.

# 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 صور 640، استخدم الأمثلة التالية. للاطلاع على القائمة الكاملة لخيارات التدريب، راجع توثيق تدريب YOLO.

from ultralytics import YOLO

# ⁨حمّل نموذج YOLO26n-depth مدرّبًا مسبقًا⁩
model = YOLO("yolo26n-depth.pt")

# ⁨درّب النموذج على Depth8⁩
results = model.train(data="depth8.yaml", epochs=100, imgsz=640)

الاستشهادات والشكر والتقدير#

أُخذت عينات Depth8 من SUN RGB-D — راجع صفحة مجموعة بيانات SUN RGB-D الكاملة لمعرفة تفاصيل إسناد المصدر والاستشهاد. لا تحدد مجموعة البيانات المصدر ترخيصًا.

إذا استخدمت مجموعة بيانات SUN RGB-D في أبحاثك أو أعمالك التطويرية، فيُرجى 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#