Dataset Depth8#

Introducción#

El conjunto de datos Depth8 de Ultralytics es un conjunto de datos compacto de estimación de profundidad monocular con 8 imágenes muestreadas del conjunto de datos SUN RGB-D: 4 para entrenamiento y 4 para validación, extraídas de sus capturas de Kinect v1 y Kinect v2 (dos por sensor en cada división) para mapas de profundidad de verdad terreno densos y sin artefactos. Está diseñado para pruebas rápidas, depuración y experimentación con modelos de estimación de profundidad de YOLO26 y flujos de trabajo de entrenamiento; el archivo de 1.3 MB se descarga automáticamente en el primer uso, por lo que yolo depth train data=depth8.yaml comienza a entrenar en segundos.

Estructura del dataset#

Depth8 sigue el diseño de conjunto de datos de profundidad de Ultralytics estándar: imágenes RGB con mapas de profundidad float32 emparejados .npy en metros, coincidentes por nombre de archivo base.

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

Los valores de profundidad son capturas de sensores en interiores reales que oscilan aproximadamente entre 0.5 m y 4 m, dentro del rango de ≤10 m del dataset SUN RGB-D completo.

YAML del dataset#

La configuración del dataset Depth8 se define en un archivo YAML de dataset, el cual especifica las rutas del dataset, los nombres de las clases y la URL de descarga para el pequeño subconjunto empaquetado.

# 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

Uso#

Para entrenar un modelo YOLO26n-depth en el conjunto de datos Depth8 con un tamaño de imagen de 640, utiliza los siguientes ejemplos. Para obtener una lista completa de opciones de entrenamiento, consulta la documentación de entrenamiento de YOLO.

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)

Citas y agradecimientos#

Depth8 se muestrea a partir de SUN RGB-D; consulta la página del conjunto de datos SUN RGB-D completa para obtener detalles sobre la licencia.

Si utilizas el dataset SUN RGB-D en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:

@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#