Link to this sectionDepth8 Dataset#

Link to this sectionEinführung#

Das Ultralytics Depth8 Dataset ist ein kompaktes monokulares Tiefenschätzungs-Dataset mit 8 Bildern, die aus dem SUN RGB-D-Dataset stammen: 4 für das Training und 4 für die Validierung, entnommen aus dessen Kinect v1- und Kinect v2-Aufnahmen (zwei pro Sensor in jedem Split) für dichte, artefaktfreie Ground-Truth-Tiefenkarten. Es wurde für schnelles Testen, Debugging und Experimentieren mit YOLO26-Tiefenschätzungsmodellen und Trainings-Pipelines entwickelt – das 1,3 MB große Archiv wird bei der ersten Verwendung automatisch heruntergeladen, sodass yolo depth train data=depth8.yaml das Training innerhalb von Sekunden startet.

Link to this sectionDatensatzstruktur#

Depth8 folgt dem Standard-Layout für Tiefen-Datasets von Ultralytics: RGB-Bilder mit zugehörigen .npy float32-Tiefenkarten in Metern, abgeglichen nach Dateinamen.

depth8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── depth/
    ├── train/  # 4 float32 .npy depth maps
    └── val/    # 4 float32 .npy depth maps

Tiefenwerte sind echte Sensoraufnahmen aus Innenräumen, die von etwa 0,5 m bis 4 m reichen, was gut innerhalb des ≤10 m Bereichs des vollständigen SUN RGB-D-Datasets liegt.

Link to this sectionDatensatz-YAML#

Die Konfiguration des Depth8-Datasets ist in einer Dataset-YAML-Datei definiert, die Dataset-Pfade, Klassennamen und die Download-URL für das kleine Paket-Subset angibt.

# 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
# Example usage: yolo depth train data=depth8.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── depth8 ← downloads here (1.3 MB)
#         ├── images/{train,val}  # RGB images
#         └── depth/{train,val}   # paired *.npy, float32 meters (images/ -> depth/)

path: depth8 # 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

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

Link to this sectionVerwendung#

Um ein YOLO26n-depth-Modell mit dem Depth8-Dataset bei einer Bildgröße von 640 zu trainieren, verwende die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen findest du in der YOLO-Trainingsdokumentation.

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)

Link to this sectionZitate und Danksagungen#

Depth8 ist ein Sample aus SUN RGB-D – siehe die vollständige SUN RGB-D-Dataset-Seite für Lizenzdetails.

Wenn du das SUN RGB-D-Dataset in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:

@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}
}

Link to this sectionFAQ#

Link to this sectionWofür wird das Ultralytics Depth8 Dataset verwendet?#

The Ultralytics Depth8 dataset is designed for rapid testing and debugging of monocular depth estimation pipelines. With only 8 images (4 train, 4 val) in a 1.3 MB auto-downloading archive, it verifies the full train / val / predict cycle — paired depth-map loading, augmentation, loss computation, and metrics — in seconds, before scaling to a full dataset such as SUN RGB-D or NYU Depth V2.

Link to this sectionWie unterscheidet sich Depth8 vom vollständigen SUN RGB-D-Dataset?#

Depth8 verwendet 8 Bilder aus dem 9.245-Train/1.090-Val-Split von SUN RGB-D und bevorzugt dabei Kinect v1/v2-Aufnahmen mit sauberen, dichten Tiefenkarten. Es verwendet das identische Verzeichnis-Layout und das .npy-Tiefenformat, sodass eine Pipeline, die auf Depth8 läuft, ohne Änderungen auf dem vollständigen Dataset läuft – leite data= einfach auf depth-sunrgbd.yaml statt depth8.yaml. Im Gegensatz zum vollständigen Dataset lässt sich Depth8 in Sekunden herunterladen und benötigt keinen Konvertierungsschritt.

Link to this sectionSollte ich Depth8 für Benchmarking verwenden?#

Nein. Depth8 ist zu klein für einen aussagekräftigen Modellvergleich und ist für die Überprüfung von Trainings- und Evaluierungs-Pipelines gedacht. Verwende die vollständigen NYU Depth V2- oder SUN RGB-D-Validierungssets, wenn du repräsentative Metriken für die Tiefenschätzung benötigst.