Dataset di profondità NYU Depth V2#

1,449

NYU Depth V2

ultralytics

publicDepth

NYU Depth V2 provides 1,449 aligned indoor RGB and depth pairs across 795 training and 654 validation images. Each dimension-matched depth map is stored as uint16 millimeters with a scale of 1,000 units per meter, supporting monocular depth estimation in varied room environments.

1439 MBSep 2, 2026

depth-estimationindoor-scenesrgb-d+1

NYU Depth V2 è il benchmark indoor standard per la stima monoculare della profondità. È composto da sequenze video RGB-D di un'ampia varietà di scene interne, registrate con una Microsoft Kinect v1. È il benchmark principale utilizzato per riportare l'accuratezza di YOLO26-Depth.

Esplora NYU Depth V2 sulla piattaforma Ultralytics per visualizzare in anteprima le coppie RGB-profondità, esaminare le statistiche del dataset e clonarlo per l'addestramento.

Funzionalità principali#

• Acquisito con un sensore RGB-D Microsoft Kinect v1.
• Comprende un'ampia varietà di scene indoor reali (case, uffici, aule e spazi simili).
• Portata della profondità fino a circa 10 m, tipica dell'acquisizione RGB-D indoor consumer.
• La valutazione viene eseguita sulla suddivisione di test Eigen standard di 654 immagini.
• Il benchmark principale per riportare l'accuratezza della stima monoculare della profondità.

Ruolo in YOLO26-Depth#

NYU Depth V2 è il benchmark principale di valutazione zero-shot per la famiglia YOLO26-Depth e le metriche principali sulla pagina dell'attività di profondità vengono riportate su questo dataset. I modelli YOLO26-Depth pubblicati non sono stati addestrati su NYU; sebbene il dataset includa una suddivisione di addestramento, questa non viene utilizzata e vengono riportati solo i risultati sul set di test tenuto da parte.

La valutazione usa un test-time augmentation (TTA) multi-scala e con ribaltamento orizzontale, seguito dall'allineamento della scala ai minimi quadrati in logaritmi tra le mappe di profondità predette e quelle ground truth, prima del calcolo delle metriche.

Risultati#

La tabella seguente riporta l'accuratezza delta1 (frazione di pixel entro una soglia di 1,25×; i valori più alti sono migliori) sulla suddivisione di test Eigen di NYU Depth V2, per dimensione del modello.

YAML del dataset#

Per definire la configurazione del dataset si usa un file YAML. Contiene informazioni sui percorsi del dataset, sulle classi e su altri dettagli pertinenti.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# NYU Depth V2 dataset for monocular depth estimation
# Documentation: https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html
# 795 train + 654 val (Eigen test split) images, 480x640, indoor scenes, depth in meters
# Example usage: yolo depth train data=nyu-depth.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── nyu-depth-png  ← downloads here (≈1.5 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: nyu-depth-png # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 795 images
val: images/val # val images (relative to 'path') 654 images

# Depth maps are paired uint16 millimeter PNGs under depth/<split>/, resolved by
# swapping '/images/' -> '/depth/' on each image path.

# Classes
nc: 1
names:
  0: depth

channels: 3
depth_scale: 1000

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/nyu-depth-png.zip

Utilizzo#

Per valutare un modello YOLO26-Depth sul benchmark NYU Depth V2, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Validazione del modello.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26x-depth.pt")  # carica un modello di profondità preaddestrato

# Valuta sul benchmark NYU Depth V2
results = model.val(data="nyu-depth.yaml")

Modelli preaddestrati#

La famiglia di modelli di profondità YOLO26 viene valutata zero-shot sul benchmark NYU Depth V2. Al primo utilizzo, questi modelli vengono scaricati automaticamente dalla release degli asset v8.4.0 di Ultralytics, ad esempio YOLO26x-depth, e sono disponibili in diverse dimensioni (yolo26n/s/m/l/x-depth) per soddisfare requisiti diversi di accuratezza e risorse.

Citazioni e ringraziamenti#

Se utilizzi il dataset NYU Depth V2 nella tua attività di ricerca o sviluppo, cita il seguente articolo:

@inproceedings{silberman2012indoor,
      title={Indoor Segmentation and Support Inference from RGBD Images},
      author={Silberman, Nathan and Hoiem, Derek and Kohli, Pushmeet and Fergus, Rob},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
      year={2012}
}

Desideriamo ringraziare gli autori per aver creato e mantenuto questa preziosa risorsa per la comunità della computer vision.

Domande frequenti#