Link to this sectionDepth8 데이터셋#

Link to this section소개#

The Ultralytics Depth8 dataset is a compact monocular depth estimation dataset with 8 images sampled from the SUN RGB-D dataset: 4 for training and 4 for validation, drawn from its Kinect v1 and Kinect v2 captures (two per sensor in each split) for dense, artifact-free ground-truth depth maps. It is designed for rapid testing, debugging, and experimentation with YOLO26 depth estimation models and training pipelines — the 1.3 MB archive auto-downloads on first use, so yolo depth train data=depth8.yaml starts training within seconds.

Link to this section데이터셋 구조#

Depth8은 표준 Ultralytics 깊이 데이터셋 레이아웃을 따릅니다. RGB 이미지와 미터 단위의 .npy float32 깊이 맵 쌍으로 구성되며 파일 이름이 일치합니다.

depth8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── depth/
    ├── train/  # 4 float32 .npy depth maps
    └── val/    # 4 float32 .npy depth maps

깊이 값은 대략 0.5 m에서 4 m 사이의 실제 실내 센서 캡처 데이터이며, 전체 SUN RGB-D 데이터셋의 10 m 범위 내에 잘 포함됩니다.

Link to this section데이터셋 YAML#

Depth8 데이터셋 구성은 데이터셋 YAML 파일에 정의되어 있으며, 이 파일에는 데이터셋 경로, 클래스 이름, 소규모 패키지 서브셋을 위한 다운로드 URL이 지정되어 있습니다.

# 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 section사용법#

이미지 크기 640으로 Depth8 데이터셋에서 YOLO26n-depth 모델을 학습하려면 다음 예제를 사용하십시오. 전체 학습 옵션 목록은 YOLO 학습 문서를 참조하십시오.

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 section인용 및 감사의 글#

Depth8은 SUN RGB-D에서 샘플링되었습니다. 라이선스 세부 정보는 전체 SUN RGB-D 데이터셋 페이지를 참조하십시오.

연구 또는 개발 작업에 SUN RGB-D 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

@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 sectionFAQ#

Link to this sectionUltralytics Depth8 데이터셋은 어떤 용도로 사용됩니까?#

Ultralytics Depth8 데이터셋은 단안 깊이 추정 파이프라인의 빠른 테스트 및 디버깅을 위해 설계되었습니다. 1.3 MB 자동 다운로드 아카이브에 포함된 8개의 이미지(학습 4개, 검증 4개)를 통해 전체 학습/검증/예측 주기(쌍을 이룬 깊이 맵 로딩, 증강, 손실 계산, 메트릭 측정)를 수초 내에 검증할 수 있으며, 이후 SUN RGB-D나 NYU Depth V2와 같은 전체 데이터셋으로 확장할 수 있습니다.

Link to this sectionDepth8은 전체 SUN RGB-D 데이터셋과 어떻게 다릅니까?#

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 section벤치마킹을 위해 Depth8을 사용해야 합니까?#

아니요. Depth8은 모델 비교를 하기에는 너무 작으며 학습 및 평가 파이프라인 점검용으로 의도되었습니다. 대표적인 깊이 추정 메트릭이 필요한 경우 전체 NYU Depth V2 또는 SUN RGB-D 검증 세트를 사용하십시오.