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 monoculare della profondità, con 8 immagini campionate dal dataset SUN RGB-D: 4 per l'addestramento e 4 per la validazione, selezionate 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 pensato per test, debug e sperimentazione rapidi con i modelli e le pipeline di addestramento per la stima della profondità YOLO26: l'archivio da 1,3 MB viene scaricato automaticamente al primo utilizzo, così yolo depth train data=depth8.yaml avvia l'addestramento in pochi secondi.

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

Struttura del dataset#

Depth8 segue il layout standard dei dataset di profondità Ultralytics: immagini RGB con PNG di profondità uint16 abbinate, in millimetri (depth_scale: 1000), associate tramite il nome base del 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 indoor con sensori e variano da circa 0,5 m a 4 m, rientrando ampiamente nell'intervallo ≤10 m del dataset completo SUN RGB-D.

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 impacchettato.

# 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 dell'immagine di 640, usa gli esempi seguenti. Per un elenco completo delle opzioni di addestramento, consulta la documentazione sull'addestramento YOLO.

from ultralytics import YOLO

# Carica un modello YOLO26n-depth preaddestrato
model = YOLO("yolo26n-depth.pt")

# Addestra il modello su Depth8
results = model.train(data="depth8.yaml", epochs=100, imgsz=640)

Citazioni e ringraziamenti#

Depth8 è un sottoinsieme di SUN RGB-D: consulta la pagina completa del dataset SUN RGB-D per i dettagli sull'attribuzione della fonte e sulle citazioni. Il dataset di origine non specifica una licenza.

Se usi il dataset SUN RGB-D nel tuo lavoro 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}
}

Domande frequenti#