Depth8 데이터셋#
소개#
Ultralytics Depth8 데이터셋은 SUN RGB-D 데이터셋에서 샘플링한 8개의 이미지로 구성된 소규모 단안 깊이 추정 데이터셋입니다. 학습용 4개와 검증용 4개로 구성되며, 조밀하고 아티팩트가 없는 정답 깊이 맵을 위해 Kinect v1 및 Kinect v2 캡처에서 각 센서별로 분할마다 2개씩 추출했습니다. YOLO26 깊이 추정 모델과 학습 파이프라인의 신속한 테스트, 디버깅 및 실험을 위해 설계되었으며, 1.3 MB 아카이브가 처음 사용할 때 자동으로 다운로드되므로 yolo depth train data=depth8.yaml를 실행하면 몇 초 안에 학습이 시작됩니다.
Ultralytics Platform에서 Depth8 탐색하여 RGB-깊이 쌍을 미리 보고 학습용으로 복제할 수 있습니다.
Depth8은 파이프라인 테스트 전용이며 벤치마킹용이 아닙니다. 이미지가 8개뿐이어서 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 깊이 데이터셋 레이아웃을 따릅니다. RGB 이미지와 이에 대응하는 uint16 밀리미터 단위 깊이 PNG(depth_scale: 1000)가 파일 스템을 기준으로 매칭됩니다.
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 m에서 4 m 범위의 실제 실내 센서 캡처 값이며, 전체 SUN RGB-D 데이터셋의 ≤10 m 범위 내에 충분히 포함됩니다.
데이터셋 YAML#
Depth8 데이터셋 구성은 데이터셋 YAML 파일에 정의되어 있으며, 이 파일에는 데이터셋 경로, 클래스 이름, 소규모 패키지 서브셋의 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 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)인용 및 감사의 글#
Depth8은 SUN RGB-D에서 샘플링되었습니다. 소스 표기 및 인용 세부 정보는 전체 SUN RGB-D 데이터셋 페이지를 참조하십시오. 소스 데이터셋에는 라이선스가 지정되어 있지 않습니다.
연구 또는 개발 작업에서 SUN RGB-D 데이터셋을 사용하는 경우 다음 논문을 인용하십시오.
@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 단안 깊이 추정 파이프라인을 신속하게 테스트하고 디버깅하기 위해 설계되었습니다. 1.3 MB의 자동 다운로드 아카이브에 학습 이미지 4개와 검증 이미지 4개, 총 8개만 포함되어 있어 전체 데이터셋으로 확장하기 전에 몇 초 안에 전체 train / val / predict 사이클, 즉 깊이 맵 쌍 로딩, 증강, 손실 계산 및 지표를 검증할 수 있습니다. 전체 데이터셋으로는 SUN RGB-D 또는 NYU Depth V2와 같은 데이터셋을 사용할 수 있습니다.
Depth8은 SUN RGB-D의 9,245개 학습/1,090개 검증 분할에서 8개의 이미지를 샘플링하며, 깨끗하고 조밀한 깊이 맵이 있는 Kinect v1/v2 캡처를 우선합니다. 동일한 16비트 PNG 깊이 형식을 사용하므로 Depth8에서 실행되는 파이프라인은 전체 데이터셋에서도 수정 없이 실행됩니다. 전체 데이터셋과 달리 Depth8은 몇 초 안에 다운로드되며 변환 단계가 필요하지 않습니다.
아니요. Depth8은 의미 있는 모델 비교를 수행하기에는 너무 작으며 학습 및 평가 파이프라인 점검을 위해 사용됩니다. 대표성 있는 깊이 추정 지표가 필요한 경우 전체 NYU Depth V2 또는 SUN RGB-D 검증 세트를 사용하십시오.