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 التابعة لـ Ultralytics هي مجموعة بيانات مدمجة لـ تقدير العمق أحادي العين، وتضم 8 صور مأخوذة من مجموعة بيانات SUN RGB-D: 4 للتدريب و4 للتحقق، ومأخوذة من لقطات Kinect v1 وKinect v2 (صورتان لكل مستشعر في كل تقسيم) لإنشاء خرائط عمق مرجعية كثيفة وخالية من التشوهات. صُممت للاختبار السريع وتصحيح الأخطاء والتجريب باستخدام نماذج تقدير العمق وخطوط تدريب YOLO26 — حيث يُنزَّل الأرشيف البالغ حجمه 1.3 ميغابايت تلقائيًا عند الاستخدام الأول، لذا يبدأ yolo depth train data=depth8.yaml التدريب خلال ثوانٍ.

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

بنية مجموعة البيانات#

تتبع Depth8 تنسيق مجموعات بيانات العمق القياسي من Ultralytics: صور RGB مقترنة بملفات PNG للعمق بوحدة المليمتر وبصيغة uint16 (depth_scale: 1000)، وتتم مطابقتها حسب جذر اسم الملف.

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

تتراوح قيم العمق، الملتقطة فعليًا بواسطة مستشعر داخلي، من نحو 0.5 m إلى 4 m، وهي تقع ضمن نطاق ≤10 m لمجموعة بيانات SUN RGB-D الكاملة.

YAML مجموعة البيانات#

يُحدَّد إعداد مجموعة بيانات Depth8 في ملف YAML لمجموعة البيانات، الذي يوضّح مسارات مجموعة البيانات وأسماء الفئات وعنوان URL للتنزيل الخاص بالمجموعة 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 يبلغ 640، استخدم الأمثلة التالية. وللاطلاع على القائمة الكاملة لخيارات التدريب، راجع وثائق 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 والتقدير#

أُخذت Depth8 من SUN RGB-D — راجع صفحة مجموعة بيانات SUN RGB-D الكاملة للاطلاع على نسب المصدر وتفاصيل الاستشهاد. لا تحدد مجموعة البيانات المصدر ترخيصًا.

إذا استخدمت مجموعة بيانات SUN RGB-D في عملك البحثي أو التطويري، فالرجاء الاستشهاد بالورقة 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#