Dataset 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

Introduzione#

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, ricavate dalle acquisizioni Kinect v1 e Kinect v2 (due per sensore in ciascuna suddivisione) per ottenere mappe di profondità ground truth dense e prive di artefatti. È progettato per test, debug e sperimentazione rapidi con i modelli di stima della profondità YOLO26 e le pipeline di addestramento: l'archivio da 1,3 MB viene scaricato automaticamente al primo utilizzo, quindi yolo depth train data=depth8.yaml avvia l'addestramento in pochi secondi.

Esplora Depth8 sulla piattaforma Ultralytics per visualizzare in anteprima le sue coppie RGB-profondità e clonarlo per l'addestramento.

Struttura del dataset#

Depth8 segue il layout standard dei dataset di profondità di Ultralytics: immagini RGB con PNG di profondità uint16 in millimetri associati (depth_scale: 1000), abbinati in base alla radice del nome file.

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

I valori di profondità provengono da acquisizioni reali effettuate da sensori in ambienti interni e variano da circa 0,5 m a 4 m, rientrando ampiamente nell'intervallo ≤10 m del dataset SUN RGB-D completo.

YAML del dataset#

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 del piccolo sottoinsieme 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
# 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

Utilizzo#

Per addestrare un modello YOLO26n-depth sul dataset Depth8 con una dimensione delle immagini pari a 640, usa i seguenti esempi. Per un elenco completo delle opzioni di addestramento, consulta la documentazione sull'addestramento di 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)

Citazioni e ringraziamenti#

Depth8 è campionato da SUN RGB-D: consulta la pagina completa del dataset SUN RGB-D per i dettagli sull'attribuzione della fonte e sulla citazione. Il dataset di origine non specifica alcuna licenza.

Se utilizzi il dataset SUN RGB-D nelle tue attività di ricerca o sviluppo, cita il seguente articolo:

@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#