Link to this sectionJeu de données Depth8#

Link to this sectionIntroduction#

Le jeu de données Depth8 d'Ultralytics est un jeu de données compact d'estimation de profondeur monoculaire contenant 8 images échantillonnées à partir du jeu de données SUN RGB-D : 4 pour l'entraînement et 4 pour la validation, extraites de ses captures Kinect v1 et Kinect v2 (deux par capteur dans chaque ensemble) pour des cartes de profondeur de vérité terrain denses et sans artefacts. Il est conçu pour des tests rapides, le débogage et l'expérimentation avec les modèles d'estimation de profondeur YOLO26 et les pipelines d'entraînement — l'archive de 1,3 Mo se télécharge automatiquement lors de la première utilisation, donc yolo depth train data=depth8.yaml lance l'entraînement en quelques secondes.

Link to this sectionStructure du jeu de données#

Depth8 suit la disposition standard des jeux de données de profondeur Ultralytics : des images RVB avec des cartes de profondeur .npy float32 associées en mètres, appariées par nom de fichier.

depth8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── depth/
    ├── train/  # 4 float32 .npy depth maps
    └── val/    # 4 float32 .npy depth maps

Les valeurs de profondeur sont des captures réelles de capteurs d'intérieur allant d'environ 0,5 m à 4 m, bien à l'intérieur de la plage de ≤10 m du jeu de données complet SUN RGB-D.

Link to this sectionYAML du jeu de données#

La configuration du jeu de données Depth8 est définie dans un fichier YAML de jeu de données, qui précise les chemins d'accès au jeu de données, les noms des classes et l'URL de téléchargement pour le petit sous-ensemble packagé.

# 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 sectionUtilisation#

Pour entraîner un modèle YOLO26n-depth sur le jeu de données Depth8 avec une taille d'image de 640, utilise les exemples suivants. Pour une liste complète des options d'entraînement, consulte la documentation sur l'entraînement 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 sectionCitations et remerciements#

Depth8 est échantillonné à partir de SUN RGB-D — consulte la page complète du jeu de données SUN RGB-D pour les détails sur la licence.

Si tu utilises le jeu de données SUN RGB-D dans tes travaux de recherche ou de développement, cite l'article suivant :

@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 sectionÀ quoi sert le jeu de données Ultralytics Depth8 ?#

Le jeu de données Ultralytics Depth8 est conçu pour le test rapide et le débogage des pipelines d'estimation de profondeur monoculaire. Avec seulement 8 images (4 pour l'entraînement, 4 pour la validation) dans une archive de 1,3 Mo à téléchargement automatique, il vérifie tout le cycle entraînement / validation / prédiction — chargement des cartes de profondeur appariées, augmentation, calcul de perte et métriques — en quelques secondes, avant de passer à l'échelle sur un jeu de données complet comme SUN RGB-D ou NYU Depth V2.

Link to this sectionEn quoi Depth8 diffère-t-il du jeu de données complet SUN RGB-D ?#

Depth8 échantillonne 8 images à partir de la répartition 9 245-train/1 090-val de SUN RGB-D, en privilégiant les captures Kinect v1/v2 avec des cartes de profondeur denses et propres. Il utilise la disposition de répertoire et le format de profondeur .npy identiques, donc un pipeline qui fonctionne sur Depth8 fonctionne sans modification sur le jeu de données complet — il suffit de pointer data= vers depth-sunrgbd.yaml au lieu de depth8.yaml. Contrairement au jeu de données complet, Depth8 se télécharge en quelques secondes et ne nécessite aucune étape de conversion.

Link to this sectionDois-je utiliser Depth8 pour l'évaluation comparative ?#

Non. Depth8 est trop petit pour une comparaison significative de modèles et est destiné aux vérifications de pipeline d'entraînement et d'évaluation. Utilise les ensembles de validation complets NYU Depth V2 ou SUN RGB-D lorsque tu as besoin de métriques d'estimation de profondeur représentatives.