Link to this sectionDataset Depth8#

Link to this sectionIntroducción#

El dataset Depth8 de Ultralytics es un conjunto de datos compacto para estimación de profundidad monocular con 8 imágenes muestreadas del dataset 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 partición) para obtener mapas de profundidad de referencia densos y sin artefactos. Está diseñado para realizar pruebas rápidas, depuración y experimentación con modelos de estimación de profundidad YOLO26 y sus pipelines de entrenamiento; el archivo de 1.3 MB se descarga automáticamente en el primer uso, por lo que yolo depth train data=depth8.yaml inicia el entrenamiento en cuestión de segundos.

Link to this sectionEstructura del dataset#

Depth8 sigue el diseño de dataset de profundidad estándar de Ultralytics: imágenes RGB con mapas de profundidad .npy de tipo float32 emparejados en metros, que coinciden por el nombre base del archivo.

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.

Link to this sectionYAML 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

Link to this sectionUso#

Para entrenar un modelo YOLO26n-depth en el dataset 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)

Link to this sectionCitas y agradecimientos#

Depth8 está muestreado de SUN RGB-D; consulta la página completa del dataset SUN RGB-D para conocer los detalles de 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}
}

Link to this sectionFAQ#

Link to this section¿Para qué se utiliza el dataset Ultralytics Depth8?#

El dataset Ultralytics Depth8 está diseñado para realizar pruebas rápidas y la depuración de pipelines de estimación de profundidad monocular. Con solo 8 imágenes (4 para entrenamiento, 4 para validación) en un archivo de 1.3 MB que se descarga automáticamente, permite verificar todo el ciclo de entrenamiento / validación / predicción (carga de mapas de profundidad emparejados, aumento, cálculo de pérdidas y métricas) en segundos, antes de pasar a un dataset completo como SUN RGB-D o NYU Depth V2.

Link to this section¿En qué se diferencia Depth8 del dataset SUN RGB-D completo?#

Depth8 selecciona 8 imágenes de la partición de 9,245 para entrenamiento y 1,090 para validación de SUN RGB-D, favoreciendo las capturas de Kinect v1/v2 con mapas de profundidad limpios y densos. Utiliza el mismo diseño de directorios y formato de profundidad .npy, por lo que un pipeline que funciona con Depth8 funciona sin modificaciones en el dataset completo; solo tienes que apuntar data= a depth-sunrgbd.yaml en lugar de depth8.yaml. A diferencia del dataset completo, Depth8 se descarga en segundos y no necesita ningún paso de conversión.

Link to this section¿Debería usar Depth8 para realizar benchmarks?#

No. Depth8 es demasiado pequeño para una comparación de modelos significativa y está destinado a realizar comprobaciones de pipelines de entrenamiento y evaluación. Utiliza los sets de validación completos de NYU Depth V2 o SUN RGB-D cuando necesites métricas de estimación de profundidad representativas.