Conjunto de datos de profundidad NYU Depth V2#

1,449

NYU Depth V2

ultralytics

publicDepth

NYU Depth V2 provides 1,449 aligned indoor RGB and depth pairs across 795 training and 654 validation images. Each dimension-matched depth map is stored as uint16 millimeters with a scale of 1,000 units per meter, supporting monocular depth estimation in varied room environments.

1439 MBSep 2, 2026

depth-estimationindoor-scenesrgb-d+1

NYU Depth V2 es el benchmark estándar para la estimación de profundidad monocular en interiores. Consta de secuencias de vídeo RGB-D de una amplia variedad de escenas interiores grabadas con un Microsoft Kinect v1. Es el benchmark principal utilizado para informar sobre la precisión de YOLO26-Depth.

Explora NYU Depth V2 en Ultralytics Platform para previsualizar sus pares RGB-profundidad, consultar las estadísticas del conjunto de datos y clonarlo para el entrenamiento.

Características principales#

• Capturado con un sensor RGB-D Microsoft Kinect v1.
• Abarca una amplia variedad de escenas reales de interior (viviendas, oficinas, aulas y espacios similares).
• Rango de profundidad de hasta aproximadamente 10 m, típico de la captura RGB-D en interiores con dispositivos de consumo.
• La evaluación se realiza en la división de prueba estándar de Eigen, con 654 imágenes.
• El benchmark principal para informar sobre la precisión de la estimación de profundidad monocular.

Papel en YOLO26-Depth#

NYU Depth V2 es el benchmark principal de evaluación zero-shot para la familia YOLO26-Depth, y las métricas principales de la página de la tarea de profundidad se calculan en él. Los modelos YOLO26-Depth publicados no se entrenan con NYU; aunque el conjunto de datos incluye una división de entrenamiento, no se utiliza y solo se informan los resultados de prueba reservados.

La evaluación utiliza aumento de datos en tiempo de prueba (TTA) multiescala y con volteo horizontal, seguido de un alineamiento de escala por mínimos cuadrados logarítmicos entre los mapas de profundidad predichos y los de referencia antes de calcular las métricas.

Resultados#

La tabla siguiente informa sobre la precisión de delta1 (porcentaje de píxeles dentro de un umbral de 1.25×; cuanto mayor, mejor) en la división de prueba Eigen de NYU Depth V2, desglosada por tamaño del modelo.

YAML del dataset#

Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otra información relevante del conjunto de datos.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# NYU Depth V2 dataset for monocular depth estimation
# Documentation: https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html
# 795 train + 654 val (Eigen test split) images, 480x640, indoor scenes, depth in meters
# Example usage: yolo depth train data=nyu-depth.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── nyu-depth-png  ← downloads here (≈1.5 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: nyu-depth-png # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 795 images
val: images/val # val images (relative to 'path') 654 images

# Depth maps are paired uint16 millimeter PNGs under depth/<split>/, resolved by
# swapping '/images/' -> '/depth/' on each image path.

# Classes
nc: 1
names:
  0: depth

channels: 3
depth_scale: 1000

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/nyu-depth-png.zip

Uso#

Para evaluar un modelo YOLO26-Depth en el benchmark NYU Depth V2, puedes utilizar los siguientes fragmentos de código. Para consultar la lista completa de argumentos disponibles, visita la página de Validación del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26x-depth.pt")  # load a pretrained depth model

# Evaluate on the NYU Depth V2 benchmark
results = model.val(data="nyu-depth.yaml")

Modelos preentrenados#

La familia de profundidad YOLO26 se evalúa con zero-shot en el benchmark NYU Depth V2. Estos modelos se descargan automáticamente desde la versión más reciente de Ultralytics; por ejemplo, YOLO26x-depth desde la versión v8.4.0, y abarcan varios tamaños (yolo26n/s/m/l/x-depth) para distintos requisitos de precisión y recursos.

Citas y agradecimientos#

Si utilizas el conjunto de datos NYU Depth V2 en tu trabajo de investigación o desarrollo, cita el siguiente artículo:

@inproceedings{silberman2012indoor,
      title={Indoor Segmentation and Support Inference from RGBD Images},
      author={Silberman, Nathan and Hoiem, Derek and Kohli, Pushmeet and Fergus, Rob},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
      year={2012}
}

Queremos agradecer a los autores la creación y el mantenimiento de este valioso recurso para la comunidad de visión por computador.

Preguntas frecuentes#