Jeu de données Depth8#

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.

Structure du jeu de données#

Depth8 suit la structure standard des jeux de données de profondeur d'Ultralytics : des images RGB accompagnées de cartes de profondeur float32 .npy en mètres, associées 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.

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
# 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

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 jeu de données SUN RGB-D pour plus de 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}
}

FAQ#