Depth8-Dataset#

8

Depth8

ultralytics

publicDepth

Depth8 is Ultralytics' minimal depth-estimation smoke-test set, sampled from SUN RGB-D Kinect v1/v2 indoor captures. Its four training and four validation RGB images have dimension-matched uint16 PNG depth maps in millimeters, using a depth scale of 1,000 units per meter.

1.3 MBSep 2, 2026

depthrgb-dindoor+1

Einleitung#

Der Ultralytics-Datensatz Depth8 ist ein kompakter Datensatz zur monokularen Tiefenschätzung mit 8 Bildern, die aus dem Datensatz SUN RGB-D entnommen wurden: 4 für das Training und 4 für die Validierung. Sie stammen aus Aufnahmen mit Kinect v1 und Kinect v2 (je zwei pro Sensor und Teilmenge) und enthalten dichte, artefaktfreie Tiefenkarten als Referenz. Der Datensatz wurde für schnelle Tests, das Debugging und Experimente mit YOLO26-Modellen zur Tiefenschätzung und Trainingspipelines entwickelt – 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.

Erkunde Depth8 auf der Ultralytics Platform, um die RGB-Tiefenpaare in der Vorschau anzuzeigen und das Dataset für das Training zu klonen.

Datensatzstruktur#

Depth8 folgt dem standardmäßigen Layout für Tiefen-Datasets von Ultralytics: RGB-Bilder mit zugehörigen Tiefen-PNGs im uint16-Millimeterformat (depth_scale: 1000), die anhand des Dateinamens ohne Erweiterung einander 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

Die Tiefenwerte stammen aus echten Aufnahmen von Sensoren in Innenräumen und reichen ungefähr von 0,5 m bis 4 m – damit liegen sie klar innerhalb des Bereichs von ≤10 m des vollständigen SUN RGB-D-Datasets.

Dataset-YAML#

Die Konfiguration des Depth8-Datasets ist in einer YAML-Datei definiert. Sie legt die Dataset-Pfade, die Klassennamen und die Download-URL für die kleine verpackte Teilmenge fest.

# 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 auf dem Depth8-Dataset mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen findest du in der Dokumentation zum YOLO-Training.

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 ist eine Teilmenge von SUN RGB-D – auf der vollständigen SUN RGB-D-Datasetseite findest du Angaben zur Quellenzuordnung und zur Zitierung. Für das Quelldataset ist keine Lizenz angegeben.

Wenn du das SUN RGB-D-Dataset in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Publikation:

@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#