مجموعة بيانات العمق NYU Depth V2#

1,449

NYU Depth V2

ultralytics

publicDepth

NYU Depth V2 provides 1,449 aligned indoor RGB and depth pairs across 795 training and 654 validation images. Each dimension-matched depth map is stored as uint16 millimeters with a scale of 1,000 units per meter, supporting monocular depth estimation in varied room environments.

1439 MBSep 2, 2026

depth-estimationindoor-scenesrgb-d+1

تُعد NYU Depth V2 المعيار الداخلي القياسي لتقدير العمق الأحادي بالكاميرا. وتتألف من تسلسلات فيديو RGB-D لمجموعة واسعة من المشاهد الداخلية، سُجلت باستخدام Microsoft Kinect v1. وهي المعيار الأساسي المستخدم للإبلاغ عن دقة YOLO26-Depth.

استكشف NYU Depth V2 على منصة Ultralytics لمعاينة أزواج RGB والعمق، وفحص إحصاءات مجموعة البيانات، واستنساخها للتدريب.

الميزات الرئيسية#

• التُقطت باستخدام مستشعر RGB-D من طراز Microsoft Kinect v1.
• تغطي مجموعة واسعة من المشاهد الداخلية الواقعية (المنازل والمكاتب والفصول الدراسية والمساحات المشابهة).
• يصل مدى العمق إلى نحو 10 أمتار، وهو مدى نموذجي لالتقاط بيانات RGB-D الداخلية باستخدام الأجهزة الاستهلاكية.
• يُجرى التقييم على مجموعة اختبار Eigen القياسية التي تضم 654 صورة.
• المعيار الأساسي للإبلاغ عن دقة تقدير العمق الأحادي بالكاميرا.

دورها في YOLO26-Depth#

تُعد NYU Depth V2 معيار التقييم الأساسي دون تدريب مسبق لعائلة YOLO26-Depth، وتُعرض عليها المقاييس الرئيسية في صفحة مهمة العمق. ولم تُدرّب نماذج YOLO26-Depth المنشورة على NYU؛ فعلى الرغم من أن مجموعة البيانات تتضمن مجموعة تدريب، فإنها لا تُستخدم، ويُبلّغ عن نتائج الاختبار المحجوبة فقط.

يستخدم التقييم زيادة بيانات الاختبار متعددة المقاييس والقلب الأفقي (TTA)، ثم محاذاة المقياس بطريقة المربعات الصغرى اللوغاريتمية بين خرائط العمق المتوقعة والحقيقة الأرضية قبل حساب المقاييس.

النتائج#

يعرض الجدول أدناه دقة delta1 (نسبة وحدات البكسل الواقعة ضمن عتبة 1.25×، والقيم الأعلى أفضل) على مجموعة اختبار Eigen من NYU Depth V2، بحسب حجم النموذج.

ملف YAML لمجموعة البيانات#

يُستخدم ملف YAML لتعريف إعدادات مجموعة البيانات. ويتضمن معلومات عن مسارات مجموعة البيانات وفئاتها وغيرها من المعلومات ذات الصلة.

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

# NYU Depth V2 dataset for monocular depth estimation
# Documentation: https://cs.nyu.edu/~fergus/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-png  ← 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-png # 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 uint16 millimeter PNGs under depth/<split>/, resolved by
# swapping '/images/' -> '/depth/' on each image path.

# Classes
nc: 1
names:
  0: depth

channels: 3
depth_scale: 1000

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

الاستخدام#

لتقييم نموذج YOLO26-Depth على معيار NYU Depth V2، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للاطلاع على قائمة شاملة بالوسائط المتاحة، راجع صفحة التحقق الخاصة بالنموذج.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26x-depth.pt")  # ⁨تحميل نموذج عمق مُدرَّب مسبقًا⁩

# ⁨قيّم الأداء على معيار NYU Depth V2⁩
results = model.val(data="nyu-depth.yaml")

النماذج المدربة مسبقًا#

تُقيّم عائلة YOLO26 للعمق دون تدريب مسبق على معيار NYU Depth V2. وتُنزّل هذه النماذج تلقائيًا عند استخدامها لأول مرة من إصدار أصول Ultralytics v8.4.0، مثل YOLO26x-depth، وتتوفر بأحجام متعددة (yolo26n/s/m/l/x-depth) لتلبية متطلبات الدقة والموارد المختلفة.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات NYU Depth V2 في أبحاثك أو أعمال التطوير، يُرجى الاستشهاد بالورقة التالية:

@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}
}

نود الإشادة بالمؤلفين لإنشائهم هذا المورد القيّم لمجتمع الرؤية الحاسوبية وصيانته.

الأسئلة الشائعة#