Jeu de données Depth8#

8

Depth8

ultralytics

publicDepth

Official Ultralytics Depth8 dataset with 8 indoor RGB-depth pairs for depth pipeline testing: 4 train and 4 validation images sampled from SUN RGB-D Kinect v1/v2 captures. Depth maps are uint16 PNG in millimeters (depth_scale 1000). Source authors require citation of Song, Lichtenberg, and Xiao, CVPR 2015.

1.3 MBAug 21, 2026

depthrgb-dindoor+1

Introduction#

Le jeu de données Depth8 d'Ultralytics est un jeu de données compact d'estimation de profondeur monoculaire comprenant 8 images échantillonnées à partir du jeu de données SUN RGB-D : 4 pour l'entraînement et 4 pour la validation, issues de ses captures Kinect v1 et Kinect v2 (deux par capteur dans chaque répartition) pour des cartes de profondeur de référence 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, de sorte que yolo depth train data=depth8.yaml démarre l'entraînement en quelques secondes.

Explore Depth8 on Ultralytics Platform 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 d'Ultralytics : des images RVB avec des PNG de profondeur en millimètres uint16 associés (depth_scale: 1000), mis en correspondance par nom de fichier.

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 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.

YAML 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
# 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 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)

Citations et remerciements#

Depth8 est échantillonné à partir de SUN RGB-D — consulte la page complète du dataset SUN RGB-D pour l'attribution de la source et les détails de citation. Le dataset 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#