Depth8-Datensatz#

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

Einführung#

Der Depth8-Datensatz von Ultralytics ist ein kompakter Datensatz zur monokularen Tiefenschätzung, der 8 Bilder aus dem SUN RGB-D-Datensatz für dichte, artefaktfreie Tiefenreferenzkarten umfasst: 4 für das Training und 4 für die Validierung, wobei aus Aufnahmen mit Kinect v1 und Kinect v2 jeweils zwei Bilder pro Sensor und Teilmenge stammen. Der Datensatz ist für schnelle Tests, Fehlersuche und Experimente mit YOLO26-Modellen zur Tiefenschätzung und Trainingsabläufen ausgelegt – das 1,3 MB große 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.

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 🚀 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 einer Bildgröße von 640 auf dem Datensatz Depth8 zu trainieren, verwende die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen findest du in der YOLO-Trainingsdokumentation.

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:

@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#