Dataset Depth8#

8

Depth8

ultralytics

publicDepth

Official Ultralytics Depth8 dataset with 8 indoor RGB-depth pairs for depth pipeline testing: 4 train and 4 validation images sampled from SUN RGB-D Kinect v1/v2 captures. Depth maps are uint16 PNG in millimeters (depth_scale 1000). Source authors require citation of Song, Lichtenberg, and Xiao, CVPR 2015.

1.3 MBAug 21, 2026

depthrgb-dindoor+1

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.

Explora Depth8 on Ultralytics Platform para previsualizar sus pares RGB-depth y clonarlo para el entrenamiento.

Estructura del dataset#

Depth8 sigue el diseño de conjunto de datos de profundidad estándar de Ultralytics: imágenes RGB con PNGs de profundidad en milímetros uint16 emparejados (depth_scale: 1000), coincidentes por nombre de 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 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
# 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 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 extrae como muestra de SUN RGB-D; consulta la página completa del conjunto de datos SUN RGB-D para ver la atribución de la fuente y los detalles de citación. El conjunto de datos de origen no especifica una 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#