Dataset Depth8#

Introduzione#

Il set di dati Ultralytics Depth8 è un set di dati compatto di stimazione della profondità monoculare con 8 immagini campionate dal set di dati SUN RGB-D: 4 per l'addestramento e 4 per la validazione, tratte dalle acquisizioni Kinect v1 e Kinect v2 (due per sensore in ogni suddivisione) per mappe di profondità ground-truth dense e prive di artefatti. È progettato per test rapidi, debug e sperimentazione con i modelli di stima della profondità YOLO26 e le 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.

Struttura del dataset#

Depth8 segue la struttura standard del set di dati di profondità Ultralytics: immagini RGB con mappe di profondità float32 in metri associate .npy, abbinate per nome 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.

Dataset 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

Utilizzo#

Per addestrare un modello YOLO26n-depth sul set di dati Depth8 con una dimensione d'immagine di 640, usa i seguenti esempi. Per un elenco completo delle opzioni di addestramento, consulta 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)

Citazioni e riconoscimenti#

Depth8 è campionato da SUN RGB-D; consulta la pagina completa del set di dati 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}
}

FAQ#