Jeu de données Depth8#

8

Depth8

ultralytics

publicDepth

Depth8 is Ultralytics' minimal depth-estimation smoke-test set, sampled from SUN RGB-D Kinect v1/v2 indoor captures. Its four training and four validation RGB images have dimension-matched uint16 PNG depth maps in millimeters, using a depth scale of 1,000 units per meter.

1.3 MBSep 2, 2026

depthrgb-dindoor+1

Introduction#

Le jeu de données Ultralytics Depth8 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 partition) afin de produire des cartes de profondeur de vérité terrain denses et exemptes d'artefacts. Il est conçu pour les tests, le débogage et l'expérimentation rapides 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, de sorte que yolo depth train data=depth8.yaml lance l'entraînement en quelques secondes.

Explore Depth8 sur la plateforme Ultralytics pour prévisualiser ses paires RGB-profondeur et le cloner pour l'entraînement.

Structure du jeu de données#

Depth8 suit la structure standard des jeux de données de profondeur Ultralytics : des images RGB accompagnées de PNG de profondeur en millimètres au format uint16 (depth_scale: 1000), associés par nom de fichier sans extension.

depth8-png/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── depth/
    ├── train/  # 4 16-bit PNG depth maps
    └── val/    # 4 16-bit PNG depth maps

Les valeurs de profondeur proviennent de véritables captures de capteurs en intérieur, comprises approximativement entre 0,5 m et 4 m, et se situent largement dans la plage ≤10 m du jeu de données SUN RGB-D complet.

YAML du jeu de données#

La configuration du jeu de données Depth8 est définie dans un fichier YAML de jeu de données, qui spécifie les chemins du jeu de données, les noms des classes et l'URL de téléchargement du petit sous-ensemble empaqueté.

# 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

Utilisation#

Pour entraîner un modèle YOLO26n-depth sur le jeu de données Depth8 avec une taille d'image de 640, utilise les exemples suivants. Pour obtenir la 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)

Citations et remerciements#

Depth8 est échantillonné à partir de SUN RGB-D — consulte la page complète du jeu de données SUN RGB-D pour les informations d'attribution de la source et les détails de citation. Le jeu de données source ne précise aucune licence.

Si tu utilises le jeu de données SUN RGB-D dans le cadre de 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}
}

FAQ#