Erste Schritte

Depth8-Datensatz

Einführung#

Der Datensatz Ultralytics Depth8 ist ein kompakter Datensatz für die monokulare Tiefenschätzung mit 8 Bildern aus dem Datensatz SUN RGB-D: 4 zum Trainieren und 4 zur Validierung. Die Bilder stammen aus Aufnahmen mit Kinect v1 und Kinect v2 (je zwei pro Sensor und Teilmenge) und bieten dichte, artefaktfreie Tiefenreferenzkarten. Der Datensatz ist für schnelles Testen, Debuggen und Experimentieren mit YOLO26-Modellen zur Tiefenschätzung und Trainingspipelines konzipiert — das 1,3-MB-Archiv wird bei der ersten Verwendung automatisch heruntergeladen, sodass yolo depth train data=depth8.yaml innerhalb weniger Sekunden mit dem Training beginnt.

Sieh dir Depth8 auf der Ultralytics Platform an, um die RGB-Tiefen-Paare in der Vorschau zu sehen und den Datensatz für das Training zu klonen.

Hinweis

Depth8 ist nur zum Testen von Abläufen gedacht, nicht zum Benchmarking – 8 Bilder sind viel zu wenige, um aussagekräftige Tiefenmetriken zu berechnen. Verwende für repräsentative Ergebnisse die vollständigen Validierungssätze von NYU Depth V2 oder SUN RGB-D.

Datensatzstruktur#

Depth8 entspricht dem standardmäßigen Tiefen-Datenlayout von Ultralytics: RGB-Bilder mit zugehörigen uint16-Tiefen-PNG-Dateien in Millimetern (depth_scale: 1000), deren Zuordnung über den Dateinamen ohne Erweiterung erfolgt.

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

Die Tiefenwerte stammen aus echten Sensoraufnahmen in Innenräumen und reichen von etwa 0,5 m bis 4 m. Sie liegen damit deutlich innerhalb des Bereichs von ≤10 m des vollständigen Datensatzes SUN RGB-D.

YAML-Datei des Datensatzes#

Die Konfiguration des Datensatzes Depth8 wird in einer Dataset-YAML-Datei festgelegt. Darin sind die Datensatzpfade, Klassennamen und die Download-URL der kleinen verpackten Teilmenge angegeben.

ultralytics/cfg/datasets/depth8.yaml
# 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 Bildgröße 640 auf dem Depth8-Datensatz zu trainieren, verwende die folgenden Beispiele.

Trainingsbeispiel
from ultralytics import YOLO

# Ein vortrainiertes YOLO26n-depth-Modell laden
model = YOLO("yolo26n-depth.pt")

# Das Modell mit Depth8 trainieren
results = model.train(data="depth8.yaml", epochs=100, imgsz=640)

Zitate und Danksagungen#

Depth8 basiert auf SUN RGB-D – auf der vollständigen Datensatzseite zu SUN RGB-D findest du Angaben zur Herkunft und zu den Zitierhinweisen. Für den Quelldatensatz ist keine Lizenz angegeben.

Wenn du den Datensatz SUN RGB-D für deine Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Arbeit:

Zitierung
@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}
}

Häufig gestellte Fragen#

  • Der Depth8-Datensatz von Ultralytics eignet sich für schnelle Tests und die Fehlersuche in Abläufen zur monokularen Tiefenschätzung. Mit nur 8 Bildern (4 für das Training, 4 für die Validierung) in einem 1,3 MB großen, automatisch heruntergeladenen Archiv überprüft er innerhalb weniger Sekunden den vollständigen Ablauf aus Training, Validierung und Vorhersage – einschließlich des Ladens gepaarter Tiefenkarten, der Datenerweiterung, der Verlustberechnung und der Metriken –, bevor du auf einen vollständigen Datensatz wie SUN RGB-D oder NYU Depth V2 umsteigst.

  • Depth8 enthält 8 Bilder aus der Aufteilung des Datensatzes SUN RGB-D mit 9.245 Trainings- und 1.090 Validierungsbildern. Dabei werden Aufnahmen von Kinect v1 und v2 mit sauberen, dichten Tiefenkarten bevorzugt. Das identische 16-Bit-PNG-Tiefenformat bedeutet, dass eine mit Depth8 funktionierende Datenverarbeitungspipeline unverändert auf dem vollständigen Datensatz läuft. Anders als der vollständige Datensatz lässt sich Depth8 innerhalb weniger Sekunden herunterladen und erfordert keine Konvertierung.

  • Nein. Depth8 ist zu klein für aussagekräftige Modellvergleiche und dient zur Überprüfung von Trainings- und Evaluierungsabläufen. Verwende die vollständigen Validierungssätze von NYU Depth V2 oder SUN RGB-D, wenn du repräsentative Metriken zur Tiefenschätzung benötigst.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.