Depth8 데이터셋#
소개#
Ultralytics Depth8 데이터셋은 SUN RGB-D 데이터셋에서 샘플링한 이미지 8개로 구성된 소형 단안 깊이 추정 데이터셋입니다. 학습용 4개와 검증용 4개로, 조밀하고 아티팩트가 없는 GT 깊이 맵을 위해 Kinect v1 및 Kinect v2 캡처에서 각각의 분할마다 센서별로 2개씩 추출했습니다. 이 데이터셋은 YOLO26 깊이 추정 모델 및 학습 파이프라인의 신속한 테스트, 디버깅, 실험을 위해 설계되었으며, 1.3 MB 아카이브는 처음 사용할 때 자동 다운로드되므로 yolo depth train data=depth8.yaml를 사용하면 몇 초 내에 학습을 시작할 수 있습니다.
RGB-깊이 쌍을 미리 보고 학습용으로 복제하려면 Ultralytics Platform의 Depth8을 살펴보세요.
Depth8은 파이프라인 테스트용이지 벤치마킹용이 아닙니다. 이미지 8개만으로는 의미 있는 깊이 지표를 계산하기에 턱없이 부족합니다. 대표성 있는 결과를 얻으려면 전체 NYU Depth V2 또는 SUN RGB-D 검증 세트를 사용하세요.
데이터셋 구조#
Depth8은 표준 Ultralytics 깊이 데이터셋 레이아웃을 따릅니다. RGB 이미지와 이에 대응하는 uint16 밀리미터 깊이 PNG(depth_scale: 1000)를 파일 스템으로 매칭합니다.
depth8-png/
├── images/
│ ├── train/ # 4 images
│ └── val/ # 4 images
└── depth/
├── train/ # 4 16-bit PNG depth maps
└── val/ # 4 16-bit PNG depth maps깊이 값은 약 0.5 m~4 m 범위의 실제 실내 센서 캡처 데이터이며, 전체 SUN RGB-D 데이터셋의 ≤10 m 범위에 충분히 포함됩니다.
데이터셋 YAML#
Depth8 데이터셋 구성은 데이터셋 YAML 파일에 정의되어 있으며, 이 파일은 데이터셋 경로, 클래스 이름, 소형 패키지 하위 집합의 다운로드 URL을 지정합니다.
# 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
# Format: https://docs.ultralytics.com/datasets/depth#depth-map-format
# uint16 PNG values are divided by depth_scale to produce meters. The default 1000 gives 65,535
# one-millimeter depth values from 0.001 to 65.535 m; code 0 is invalid.
# Common values (resolution, uint16 maximum):
# ARKitScenes and NYU Depth V2: 1000 (1 mm, 65.535 m)
# KITTI: 256 (3.90625 mm, 255.996 m); Virtual KITTI 2: 100 (1 cm, 655.35 m)
# Example usage: yolo depth train data=depth8.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
# └── depth8-png ← downloads here (1.3 MB)
# ├── images/{train,val} # RGB images
# └── depth/{train,val} # paired 16-bit *.png depth maps (images/ -> depth/)
path: depth8-png # 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
depth_scale: 1000 # PNG value 1000 = 1 meter
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/depth8-png.zip사용법#
이미지 크기 640으로 Depth8 데이터셋에서 YOLO26n-depth 모델을 학습하려면 다음 예제를 사용하세요. 학습 옵션 전체 목록은 YOLO 학습 문서를 참조하세요.
from ultralytics import YOLO
# 사전 학습된 YOLO26n-depth 모델 로드
model = YOLO("yolo26n-depth.pt")
# Depth8으로 모델 학습
results = model.train(data="depth8.yaml", epochs=100, imgsz=640)인용 및 감사의 글#
Depth8은 SUN RGB-D에서 샘플링됩니다. 출처 표시 및 인용 세부 정보는 전체 SUN RGB-D 데이터셋 페이지를 참조하세요. 원본 데이터셋에는 라이선스가 명시되어 있지 않습니다.
연구 또는 개발 작업에서 SUN RGB-D 데이터셋을 사용하는 경우 다음 논문을 인용하세요.
@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}
}자주 묻는 질문#
Ultralytics Depth8 데이터셋은 단안 깊이 추정 파이프라인을 신속하게 테스트하고 디버깅하도록 설계되었습니다. 자동 다운로드되는 1.3 MB 아카이브에 이미지 8개(학습 4개, 검증 4개)만 포함되어 있어, 전체 데이터셋인 SUN RGB-D 또는 NYU Depth V2로 확장하기 전에 깊이 맵 쌍 로딩, 증강, 손실 계산, 지표 산출을 포함한 전체 train / val / predict 사이클을 몇 초 만에 확인할 수 있습니다.
Depth8은 SUN RGB-D의 학습 9,245개/검증 1,090개 분할에서 이미지 8개를 샘플링하며, 깊이 맵이 깨끗하고 조밀한 Kinect v1/v2 캡처를 우선합니다. 동일한 16비트 PNG 깊이 형식을 사용하므로 Depth8에서 실행되는 파이프라인은 수정 없이 전체 데이터셋에서도 실행됩니다. 전체 데이터셋과 달리 Depth8은 몇 초 만에 다운로드되며 변환 단계가 필요하지 않습니다.
아니요. Depth8은 의미 있는 모델 비교를 하기에는 너무 작으며, 학습 및 평가 파이프라인 점검용으로 제작되었습니다. 대표성 있는 깊이 추정 지표가 필요한 경우 전체 NYU Depth V2 또는 SUN RGB-D 검증 세트를 사용하세요.