Depth8 Dataset#
はじめに#
Ultralyticsの Depth8 データセットは、SUN RGB-D データセットからサンプリングされた8枚の画像（トレーニング用4枚、検証用4枚）を含むコンパクトな単眼深度推定データセットです。密でアーティファクトのないグランドトラス深度マップを取得するために、Kinect v1 および Kinect v2 のキャプチャ（各分割でセンサーごとに2つ）から抽出されています。これは、YOLO26の深度推定モデルおよびトレーニングパイプラインを用いた迅速なテスト、デバッグ、および実験のために設計されており、1.3 MB のアーカイブは初回使用時に自動ダウンロードされるため、yolo depth train data=depth8.yaml は数秒以内にトレーニングを開始します。
Depth8 はパイプラインのテスト専用であり、ベンチマーク用ではありません。8枚の画像は意味のある深度メトリクスを算出するには少なすぎます。代表的な結果を得るには、完全な NYU Depth V2 または SUN RGB-D のバリデーションセットを使用してください。
データセットの構造#
Depth8 は標準の Ultralytics 深度データセットのレイアウトに従っています。ファイル名（ステム）で一致させられた、.npy によるメートル単位の float32 深度マップのペアを持つ RGB 画像で構成されています。
depth8/
├── images/
│ ├── train/ # 4 images
│ └── val/ # 4 images
└── depth/
├── train/ # 4 float32 .npy depth maps
└── val/ # 4 float32 .npy depth maps深度値は、約0.5mから4mの範囲の実際の屋内センサーキャプチャであり、完全なSUN RGB-Dデータセットの10m以下の範囲内に収まっています。
データセット YAML#
Depth8データセットの設定は、データセットYAMLファイルで定義されています。このファイルには、データセットのパス、クラス名、および小規模なパッケージ化されたサブセットのダウンロードURLが指定されています。
# 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使用方法#
画像サイズ 640 で Depth8 データセット上で YOLO26n-depth モデルをトレーニングするには、以下の例を使用してください。トレーニングオプションの完全なリストについては、YOLO トレーニングドキュメントを参照してください。
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)引用と謝辞#
Depth8 は SUN RGB-D からサンプリングされています。ライセンスの詳細については、完全な SUN RGB-D データセットページを参照してください。
研究や開発の作業でSUN RGB-Dデータセットを使用する場合は、以下の論文を引用してください。
@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}
}よくある質問 (FAQ)#
Ultralytics Depth8 データセットは、単眼深度推定パイプラインの迅速なテストとデバッグのために設計されています。1.3 MB の自動ダウンロードアーカイブ内にわずか 8 枚の画像（学習用4枚、検証用4枚）が含まれており、SUN RGB-D や NYU Depth V2 などのフルデータセットにスケールアップする前に、ペアの深度マップ読み込み、データ拡張、損失計算、メトリクスといった、トレーニング・検証・予測の完全なサイクルを数秒で検証します。
Depth8 は、クリーンで高密度な深度マップを持つ Kinect v1/v2 のキャプチャを優先し、SUN RGB-D の 9,245トレーニング / 1,090検証分割から8枚の画像をサンプリングします。これは、
.npy深度フォーマットと同一のディレクトリ構成を使用しているため、Depth8 で実行できるパイプラインはフルデータセットでも無変更で実行できます。depth8.yamlの代わりにdepth-sunrgbd.yamlをdata=に指定するだけです。フルデータセットとは異なり、Depth8 は数秒でダウンロードされ、変換ステップを必要としません。いいえ。Depth8 はモデル比較を行うには小さすぎるため、トレーニングおよび評価パイプラインのチェック用を目的としています。代表的な深度推定メトリクスが必要な場合は、完全な NYU Depth V2 または SUN RGB-D のバリデーションセットを使用してください。