Link to this sectionDepth8 Dataset#

Link to this sectionはじめに#

Ultralytics Depth8データセットは、単眼深度推定のためのコンパクトなデータセットです。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）で構成されています。これらは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枚）から抽出されており、高密度でアーティファクトのないグランドトゥルース深度マップを提供します。このデータセットは、YOLO26深度推定モデルやトレーニングパイプラインの迅速なテスト、デバッグ、実験用に設計されています。1.3MB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コマンドを実行するだけで数秒以内にトレーニングを開始できます。

Link to this sectionデータセットの構造#

Depth8は、標準的なUltralytics深度データセットレイアウトに従っています。RGB画像と、それに対応する.npy float32形式の深度マップがファイル名（ステム）でペアリングされています。

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。

Link to this section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

Link to this section使用方法#

Depth8データセットを使用してYOLO26n-depthモデルを画像サイズ640でトレーニングするには、以下の例を参照してください。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)

Link to this section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}
}

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics Depth8データセットは何に使用されますか？#

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。わずか8枚の画像（トレーニング用4枚、検証用4枚）を含む1.3MBの自動ダウンロードアーカイブにより、深度マップのロード、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、SUN RGB-DやNYU Depth V2のようなフルスケールのデータセットに拡張する前に数秒で検証できます。

Link to this sectionDepth8は完全なSUN RGB-Dデータセットとどう違いますか？#

Depth8 samples 8 images from SUN RGB-D's 9,245-train/1,090-val split, favoring Kinect v1/v2 captures with clean, dense depth maps. It uses the identical directory layout and .npy depth format, so a pipeline that runs on Depth8 runs unmodified on the full dataset — just point data= at depth-sunrgbd.yaml instead of depth8.yaml. Unlike the full dataset, Depth8 downloads in seconds and needs no conversion step.

Link to this sectionベンチマークにDepth8を使用すべきですか？#

いいえ。Depth8は小さすぎてモデルの比較には適しておらず、トレーニングや評価パイプラインのチェック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の検証セットを使用してください。