Conjunto de datos Depth8#

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

Introducción#

El conjunto de datos Depth8 de Ultralytics es un conjunto compacto de estimación monocular de profundidad con 8 imágenes seleccionadas del conjunto de datos SUN RGB-D: 4 para entrenamiento y 4 para validación, obtenidas de sus capturas con Kinect v1 y Kinect v2 (dos por sensor en cada división) para disponer de mapas de profundidad de referencia densos y sin artefactos. Está diseñado para probar, depurar y experimentar rápidamente con los modelos de estimación de profundidad YOLO26 y los flujos de entrenamiento; el archivo de 1,3 MB se descarga automáticamente la primera vez que se usa, por lo que yolo depth train data=depth8.yaml empieza a entrenar en segundos.

Explora Depth8 en Ultralytics Platform para previsualizar sus pares RGB-profundidad y clonarlo para el entrenamiento.

Estructura del conjunto de datos#

Depth8 sigue la estructura estándar de conjuntos de datos de profundidad de Ultralytics: imágenes RGB con archivos PNG de profundidad uint16 emparejados, en milímetros (depth_scale: 1000), que se emparejan por el nombre base del archivo.

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

Los valores de profundidad proceden de capturas reales de sensores en interiores y abarcan aproximadamente de 0,5 m a 4 m, dentro del rango de ≤10 m del conjunto de datos SUN RGB-D completo.

YAML del conjunto de datos#

La configuración del conjunto de datos Depth8 se define en un archivo YAML, que especifica las rutas del conjunto de datos, los nombres de las clases y la URL de descarga del 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
# 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

Uso#

Para entrenar un modelo YOLO26n-depth con el conjunto de datos Depth8 y un tamaño de imagen de 640, utiliza los siguientes ejemplos. Consulta la documentación de entrenamiento de YOLO para ver todas las opciones de entrenamiento.

from ultralytics import YOLO

# Carga un modelo YOLO26n-depth preentrenado
model = YOLO("yolo26n-depth.pt")

# Entrena el modelo con Depth8
results = model.train(data="depth8.yaml", epochs=100, imgsz=640)

Citas y agradecimientos#

Depth8 se ha creado a partir de SUN RGB-D: consulta la página completa del conjunto de datos SUN RGB-D para obtener información sobre la atribución de la fuente y la cita. El conjunto de datos de origen no especifica una licencia.

Si utilizas el conjunto de datos SUN RGB-D en tus investigaciones o trabajos de desarrollo, 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}
}

Preguntas frecuentes#