Depth8 Dataset#

8

Depth8

ultralytics

publicDepth

Official Ultralytics Depth8 dataset with 8 indoor RGB-depth pairs for depth pipeline testing: 4 train and 4 validation images sampled from SUN RGB-D Kinect v1/v2 captures. Depth maps are uint16 PNG in millimeters (depth_scale 1000). Source authors require citation of Song, Lichtenberg, and Xiao, CVPR 2015.

1.3 MBAug 21, 2026

depthrgb-dindoor+1

Einführung#

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

Erkunde Depth8 on Ultralytics Platform, um dir die RGB-Tiefenpaare anzusehen und sie für das Training zu klonen.

Datensatzstruktur#

Depth8 folgt dem Standard-Ultralytics depth dataset layout: RGB-Bilder mit zugehörigen uint16-Millimeter-Tiefen-PNGs (depth_scale: 1000), die über den Dateinamen zugeordnet werden.

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

Datensatz-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
# 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

Verwendung#

Um ein YOLO26n-depth Modell mit dem Depth8 Dataset und 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)

Zitate und Danksagungen#

Depth8 stammt aus SUN RGB-D – siehe die vollständige SUN RGB-D dataset page für Quellennachweise und Zitationsdetails. Das Quelldataset gibt keine Lizenz an.

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}
}

FAQ#