YOLO Vision 2026:

Depth8 데이터셋#

소개#

Ultralytics Depth8 데이터셋은 SUN RGB-D 데이터셋에서 샘플링된 8장의 이미지를 포함하는 소형 단안 깊이 추정(monocular depth estimation) 데이터셋입니다. Kinect v1 및 Kinect v2 캡처(각 분할에서 센서당 2개)에서 추출한 4장의 학습용 이미지와 4장의 검증용 이미지로 구성되어 밀도 높고 아티팩트가 없는 정답(ground-truth) 깊이 맵을 제공합니다. 이 데이터셋은 YOLO26 깊이 추정 모델 및 학습 파이프라인의 빠른 테스트, 디버깅, 실험을 위해 설계되었으며, 1.3 MB 크기의 아카이브는 최초 사용 시 자동으로 다운로드되므로 yolo depth train data=depth8.yaml 실행 후 몇 초 내에 학습이 시작됩니다.

참고

Depth8은 벤치마킹용이 아닌 파이프라인 테스트 전용입니다. 8개의 이미지는 의미 있는 깊이 지표를 산출하기에는 턱없이 부족합니다. 대표성 있는 결과를 얻으려면 전체 NYU Depth V2 또는 SUN RGB-D 검증 세트를 사용하십시오.

데이터셋 구조#

Depth8은 표준 Ultralytics depth dataset layout을 따릅니다. 파일 스템으로 매칭된, 미터 단위의 페어링된 .npy float32 깊이 맵이 포함된 RGB 이미지로 구성됩니다.

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.

데이터셋 YAML#

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

ultralytics/cfg/datasets/depth8.yaml
# 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

사용법#

이미지 크기가 640인 Depth8 데이터셋에서 YOLO26n-depth 모델을 학습시키려면 다음 예시를 사용하십시오. 전체 학습 옵션 목록은 YOLO Training documentation을 참조하십시오.

훈련 예제
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)

인용 및 감사의 글#

Depth8은 SUN RGB-D에서 샘플링되었습니다. 라이선스 세부 정보는 전체 SUN RGB-D dataset page를 참조하십시오.

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

인용
@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}
}

FAQ#

  • Ultralytics Depth8 데이터셋은 monocular depth estimation 파이프라인의 빠른 테스트 및 디버깅을 위해 설계되었습니다. 1.3 MB 자동 다운로드 아카이브에 8개의 이미지(학습 4개, 검증 4개)만 포함되어 있어, SUN RGB-D나 NYU Depth V2와 같은 전체 데이터셋으로 확장하기 전에 페어링된 깊이 맵 로딩, 증강, 손실 계산, 메트릭 등 전체 학습/검증/예측 주기를 몇 초 만에 검증합니다.

  • Depth8은 SUN RGB-D의 9,245개 학습/1,090개 검증 분할에서 8장의 이미지를 샘플링하며, 깨끗하고 밀도 높은 깊이 맵을 제공하는 Kinect v1/v2 캡처를 선호합니다. 이 데이터셋은 동일한 디렉토리 구조와 .npy 깊이 형식을 사용하므로 Depth8에서 실행되는 파이프라인은 전체 데이터셋에서도 수정 없이 실행됩니다. depth8.yaml 대신 data=을 depth-sunrgbd.yaml로 지정하기만 하면 됩니다. 전체 데이터셋과 달리 Depth8은 몇 초 만에 다운로드되며 변환 단계가 필요하지 않습니다.

  • 아니요. Depth8은 의미 있는 모델 비교를 수행하기에는 너무 작으며, 학습 및 평가 파이프라인 점검용으로 의도되었습니다. 대표성 있는 깊이 추정 메트릭이 필요할 때는 전체 NYU Depth V2 또는 SUN RGB-D 검증 세트를 사용하십시오.

기여자
BOBovey08091

댓글