Ultralytics YOLO27:
No license

Conjunto de datos Depth8#

Introducción#

El conjunto de datos Depth8 de Ultralytics es un conjunto compacto para la estimación de profundidad monocular, con 8 imágenes extraídas del conjunto de datos SUN RGB-D: 4 para entrenamiento y 4 para validación, obtenidas de sus capturas de Kinect v1 y Kinect v2 (dos por sensor en cada partición) para generar mapas de profundidad de referencia densos y sin artefactos. Está diseñado para realizar pruebas rápidas, depurar y experimentar con modelos de estimación de profundidad YOLO26 y 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 empieza a entrenar en cuestión de segundos.

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

Nota

Depth8 solo sirve para probar pipelines, no para realizar benchmarks: sus 8 imágenes son demasiado pocas para obtener métricas de profundidad significativas. Usa los conjuntos de validación completos de NYU Depth V2 o SUN RGB-D para obtener resultados representativos.

Estructura del dataset#

Depth8 sigue el diseño estándar de los conjuntos de datos de profundidad de Ultralytics: imágenes RGB con PNG de profundidad en milímetros uint16 emparejados (depth_scale: 1000), asociados 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 oscilan aproximadamente entre 0,5 m y 4 m, dentro del intervalo de ≤10 m del conjunto de datos SUN RGB-D completo.

YAML del dataset#

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

ultralytics/cfg/datasets/depth8.yaml
# 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, usa los siguientes ejemplos. Consulta la documentación de entrenamiento de YOLO para ver la lista completa de opciones de entrenamiento.

Ejemplo de entrenamiento
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 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 las citas. El conjunto de datos de origen no especifica ninguna licencia.

Si utilizas el conjunto de datos SUN RGB-D en tu trabajo de investigación o desarrollo, cita el siguiente artículo:

Cita
@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#

  • El conjunto de datos Ultralytics Depth8 está diseñado para realizar pruebas rápidas y depurar pipelines de estimación de profundidad monocular. Con solo 8 imágenes (4 de entrenamiento y 4 de validación) en un archivo de 1,3 MB que se descarga automáticamente, permite verificar en segundos el ciclo completo de entrenamiento / validación / predicción —carga de mapas de profundidad emparejados, aumento de datos, cálculo de la pérdida y métricas— antes de ampliarlo a un conjunto de datos completo como SUN RGB-D o NYU Depth V2.

  • Depth8 toma 8 imágenes de la partición de 9.245 imágenes de entrenamiento y 1.090 de validación de SUN RGB-D, priorizando capturas de Kinect v1/v2 con mapas de profundidad limpios y densos. Utiliza el mismo formato de profundidad PNG de 16 bits, por lo que un pipeline que funciona con Depth8 funciona sin modificaciones con el conjunto de datos completo. A diferencia del conjunto de datos completo, Depth8 se descarga en cuestión de segundos y no requiere ningún paso de conversión.

  • No. Depth8 es demasiado pequeño para comparar modelos de forma significativa y está pensado para comprobar los pipelines de entrenamiento y evaluación. Usa los conjuntos de validación completos de NYU Depth V2 o SUN RGB-D cuando necesites métricas representativas de estimación de profundidad.

Colaboradores
GLglenn-jocher5PDpderrenger1BOBovey08091

Comentarios