Link to this sectionDataset Depth8#

Link to this sectionIntroduzione#

Il dataset Depth8 di Ultralytics è un dataset compatto per la stima della profondità monoculare con 8 immagini campionate dal dataset SUN RGB-D: 4 per l'addestramento e 4 per la validazione, tratte dalle sue acquisizioni Kinect v1 e Kinect v2 (due per sensore in ogni split) per mappe di profondità ground-truth dense e prive di artefatti. È progettato per test rapidi, debug e sperimentazione con modelli di stima della profondità YOLO26 e pipeline di addestramento — l'archivio da 1,3 MB si scarica automaticamente al primo utilizzo, quindi yolo depth train data=depth8.yaml avvia l'addestramento in pochi secondi.

Link to this sectionStruttura del dataset#

Depth8 segue il layout standard dei dataset di profondità Ultralytics: immagini RGB con mappe di profondità .npy float32 accoppiate in metri, abbinate per nome del file.

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

I valori di profondità sono acquisizioni reali da sensori indoor che variano approssimativamente da 0,5 m a 4 m, ben entro l'intervallo ≤10 m del dataset completo SUN RGB-D.

Link to this sectionDataset YAML#

La configurazione del dataset Depth8 è definita in un file YAML del dataset, che specifica i percorsi del dataset, i nomi delle classi e l'URL di download per il piccolo subset pacchettizzato.

# 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 sectionUtilizzo#

Per addestrare un modello YOLO26n-depth sul dataset Depth8 con una dimensione dell'immagine di 640, usa gli esempi seguenti. Per un elenco completo delle opzioni di addestramento, vedi la documentazione sull'addestramento 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 sectionCitazioni e riconoscimenti#

Depth8 è campionato da SUN RGB-D: consulta la pagina completa del dataset SUN RGB-D per i dettagli sulla licenza.

Se utilizzi il dataset SUN RGB-D nel tuo lavoro di ricerca o sviluppo, cita il seguente documento:

@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 sectionA cosa serve il dataset Ultralytics Depth8?#

Il dataset Ultralytics Depth8 è progettato per il test rapido e il debug delle pipeline di stima della profondità monoculare. Con sole 8 immagini (4 di train, 4 di val) in un archivio da 1,3 MB che si scarica automaticamente, verifica l'intero ciclo di train / val / predict (caricamento delle mappe di profondità accoppiate, augmentation, calcolo della loss e metriche) in pochi secondi, prima di passare a un dataset completo come SUN RGB-D o NYU Depth V2.

Link to this sectionIn che modo Depth8 differisce dal dataset completo SUN RGB-D?#

Depth8 campiona 8 immagini dallo split di 9.245 immagini di training/1.090 di validazione di SUN RGB-D, privilegiando le acquisizioni Kinect v1/v2 con mappe di profondità pulite e dense. Utilizza l'identico layout di directory e il formato di profondità .npy, quindi una pipeline che gira su Depth8 gira senza modifiche sul dataset completo: basta puntare data= a depth-sunrgbd.yaml invece di depth8.yaml. A differenza del dataset completo, Depth8 si scarica in pochi secondi e non richiede passaggi di conversione.

Link to this sectionDovrei usare Depth8 per il benchmarking?#

No. Depth8 è troppo piccolo per un confronto significativo tra modelli ed è destinato ai controlli della pipeline di addestramento e valutazione. Usa i set di validazione completi NYU Depth V2 o SUN RGB-D quando hai bisogno di metriche di stima della profondità rappresentative.