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 Depth8 d’Ultralytics est un jeu de données compact d’estimation de profondeur monoculaire composé de 8 images échantillonnées dans le jeu de données SUN RGB-D : 4 pour l’entraînement et 4 pour la validation, issues de captures Kinect v1 et Kinect v2 (deux par capteur dans chaque partition), avec des cartes de profondeur de vérité terrain denses et sans artefacts. Conçu pour les tests rapides, le débogage et l’expérimentation avec les modèles d’estimation de profondeur YOLO26 et les pipelines d’entraînement, son archive de 1.3 MB se télécharge automatiquement lors de la première utilisation, ce qui permet à yolo depth train data=depth8.yaml de lancer 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 associées à des fichiers PNG de profondeur uint16 en millimètres (depth_scale: 1000), appariés à partir de leur nom de base.

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 captures réelles de capteurs en intérieur et vont d’environ 0,5 m à 4 m, bien dans la plage de ≤10 m du jeu de données SUN RGB-D complet.

Fichier YAML du jeu de données#

La configuration du jeu de données Depth8 est définie dans un fichier YAML, qui spécifie les chemins d’accès, les noms de 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 consulter la liste complète des options d’entraînement, reporte-toi à la documentation sur l’entraînement YOLO.

from ultralytics import YOLO

# Charger un modèle YOLO26n-depth préentraîné
model = YOLO("yolo26n-depth.pt")

# Entraîner le modèle sur Depth8
results = model.train(data="depth8.yaml", epochs=100, imgsz=640)

Citations et remerciements#

Depth8 est un sous-ensemble de SUN RGB-D — consulte la page complète du jeu de données SUN RGB-D pour connaître la source et les références bibliographiques. Le jeu de données source ne précise pas de 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}
}

FAQ#