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.
Ultralytics Platform에서 Depth8 탐색을 통해 RGB-depth 쌍을 미리 보고 학습용으로 복제하세요.
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 스템이 일치하는 쌍을 이루는 uint16 밀리미터 depth PNG(depth_scale: 1000)가 포함된 RGB 이미지로 구성됩니다.
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 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 🚀 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 크기가 640인 Depth8 데이터셋에서 YOLO26n-depth 모델을 학습시키려면 다음 예시를 사용하십시오. 전체 학습 옵션 목록은 YOLO Training documentation을 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)인용 및 감사의 글#
Depth8은 SUN RGB-D에서 샘플링되었습니다. 소스 출처 및 인용 세부 정보는 전체 SUN RGB-D dataset page를 참조하세요. 소스 데이터셋에는 라이선스가 명시되어 있지 않습니다.
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}
}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 깨끗하고 촘촘한 깊이 맵을 가진 Kinect v1/v2 캡처를 선호하며, SUN RGB-D의 9,245개 학습/1,090개 검증 분할에서 8개의 이미지를 샘플링합니다. 전체 데이터셋과 동일한 16비트 PNG 깊이 포맷을 사용하므로 Depth8에서 실행되는 파이프라인은 전체 데이터셋에서도 수정 없이 실행됩니다. 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.