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 المرجعي الداخلي القياسي لـتقدير العمق أحادي العين. وتتكوّن من تسلسلات فيديو RGB-D لمجموعة واسعة من المشاهد الداخلية، سُجّلت باستخدام Microsoft Kinect v1. وهي المعيار المرجعي 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 Microsoft Kinect v1 من نوع RGB-D.
• تغطي مجموعة واسعة من المشاهد الداخلية الواقعية (المنازل والمكاتب والفصول الدراسية والمساحات المماثلة).
• يتراوح العمق حتى نحو 10 أمتار، وهو نطاق نموذجي لالتقاط بيانات RGB-D الداخلية باستخدام الأجهزة الاستهلاكية.
• يُجرى التقييم على مجموعة اختبار Eigen القياسية المكوّنة من 654 صورة.
• المعيار المرجعي الأساسي للإبلاغ عن دقة تقدير العمق أحادي العين.

دور ARKitScenes في YOLO26-Depth#

تُعد NYU Depth V2 المعيار المرجعي الأساسي للتقييم الصفري لعائلة YOLO26-Depth، وتُبلّغ المقاييس الرئيسية في صفحة مهمة العمق بالاستناد إليها. ولا تُدرَّب نماذج YOLO26-Depth المنشورة على NYU؛ وعلى الرغم من أن مجموعة البيانات تتضمن تقسيمًا للتدريب، فإنه لا يُستخدم، ولا تُبلّغ إلا نتائج الاختبار المحجوزة.

يستخدم التقييم زيادة البيانات متعددة المقاييس وقلب الصورة أفقيًا وقت الاختبار (TTA)، ثم تُجرى مواءمة المقياس بطريقة المربعات الصغرى اللوغاريتمية بين خرائط العمق المتوقعة وخرائط العمق للحقيقة الأرضية قبل حساب المقاييس.

النتائج#

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

YAML مجموعة البيانات#

يُستخدم ملف YAML لتحديد تكوين مجموعة البيانات. ويحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، ومعلومات أخرى ذات صلة.

# 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 المعيار المرجعي NYU Depth V2، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التحقق الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26x-depth.pt")  # load a pretrained depth model

# Evaluate on the NYU Depth V2 benchmark
results = model.val(data="nyu-depth.yaml")

النماذج المدرّبة مسبقًا#

تُقيَّم عائلة YOLO26 للعمق دون تدريب خاص بالمجموعة على المعيار المرجعي NYU Depth V2. تُنزّل هذه النماذج تلقائيًا من أحدث إصدار من Ultralytics، مثل YOLO26x-depth من الإصدار v8.4.0، وتمتد عبر مجموعة من الأحجام (yolo26n/s/m/l/x-depth) لتلبية متطلبات مختلفة من الدقة والموارد.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات NYU Depth V2 في أبحاثك أو أعمالك التطويرية، فيُرجى الاستشهاد بالورقة البحثية 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 أن نعرب عن تقديرنا للمؤلفين على إنشاء هذا المورد القيّم لمجتمع الرؤية الحاسوبية وصيانته.

الأسئلة الشائعة#