NYU Depth V2 깊이 데이터셋#

1,449

NYU Depth V2

ultralytics

publicDepth

NYU Depth V2 provides 1,449 aligned indoor RGB and depth pairs across 795 training and 654 validation images. Each dimension-matched depth map is stored as uint16 millimeters with a scale of 1,000 units per meter, supporting monocular depth estimation in varied room environments.

1439 MBSep 2, 2026

depth-estimationindoor-scenesrgb-d+1

NYU Depth V2는 단안 깊이 추정을 위한 표준 실내 벤치마크입니다. Microsoft Kinect v1으로 녹화한 다양한 실내 장면의 RGB-D 비디오 시퀀스로 구성됩니다. YOLO26-Depth 정확도 보고에 사용하는 주요 벤치마크입니다.

Ultralytics Platform의 NYU Depth V2를 살펴보고 RGB-깊이 쌍을 미리 보고, 데이터셋 통계를 확인하고, 학습용으로 복제해 보세요.

주요 기능#

• Microsoft Kinect v1 RGB-D 센서로 촬영했습니다.
• 다양한 실제 실내 장면(가정, 사무실, 교실 및 이와 유사한 공간)을 포함합니다.
• 일반적인 소비자용 실내 RGB-D 촬영 범위인 약 10m까지의 깊이를 포함합니다.
• 표준 Eigen 테스트 분할의 이미지 654개로 평가합니다.
• 단안 깊이 추정 정확도를 보고하는 주요 벤치마크입니다.

YOLO26-Depth에서의 역할#

NYU Depth V2는 YOLO26-Depth 제품군의 주요 제로샷 평가 벤치마크이며, 깊이 작업 페이지의 대표 지표도 이 데이터셋에서 보고합니다. 공개된 YOLO26-Depth 모델은 NYU 데이터셋으로 학습되지 않습니다. 데이터셋에 학습 분할이 포함되어 있지만 이를 사용하지 않고, 홀드아웃 테스트 결과만 보고합니다.

평가 시 멀티스케일 및 수평 뒤집기 테스트 시점 증강(TTA)을 적용한 다음, 지표를 계산하기 전에 예측 깊이 맵과 GT 깊이 맵 사이에 로그 최소제곱 스케일 정렬을 적용합니다.

결과#

아래 표는 모델 크기별 NYU Depth V2 Eigen 테스트 분할의 delta1 정확도(1.25× 임계값 이내에 드는 픽셀 비율, 높을수록 좋음)를 나타냅니다.

데이터셋 YAML#

데이터셋 구성을 정의하는 데 YAML 파일을 사용합니다. 이 파일에는 데이터셋 경로, 클래스 및 기타 관련 정보가 포함됩니다.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# NYU Depth V2 dataset for monocular depth estimation
# Documentation: https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html
# 795 train + 654 val (Eigen test split) images, 480x640, indoor scenes, depth in meters
# Example usage: yolo depth train data=nyu-depth.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── nyu-depth-png  ← downloads here (≈1.5 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: nyu-depth-png # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 795 images
val: images/val # val images (relative to 'path') 654 images

# Depth maps are paired uint16 millimeter PNGs under depth/<split>/, resolved by
# swapping '/images/' -> '/depth/' on each image path.

# Classes
nc: 1
names:
  0: depth

channels: 3
depth_scale: 1000

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/nyu-depth-png.zip

사용법#

NYU Depth V2 벤치마크에서 YOLO26-Depth 모델을 평가하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 검증 페이지를 참조하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26x-depth.pt")  # 사전 학습된 depth 모델을 불러옵니다

# NYU Depth V2 벤치마크에서 평가
results = model.val(data="nyu-depth.yaml")

사전 학습 모델#

YOLO26 깊이 제품군은 NYU Depth V2 벤치마크에서 제로샷으로 평가됩니다. 모델은 처음 사용할 때 Ultralytics v8.4.0 에셋 릴리스에서 자동으로 다운로드됩니다. 예를 들어 YOLO26x-depth를 사용할 수 있으며, 정확도와 리소스 요구 사항에 따라 다양한 크기(yolo26n/s/m/l/x-depth)가 제공됩니다.

인용 및 감사의 글#

연구 또는 개발 작업에서 NYU Depth V2 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:

@inproceedings{silberman2012indoor,
      title={Indoor Segmentation and Support Inference from RGBD Images},
      author={Silberman, Nathan and Hoiem, Derek and Kohli, Pushmeet and Fergus, Rob},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
      year={2012}
}

컴퓨터 비전 커뮤니티에 이처럼 유용한 리소스를 만들고 유지 관리해 주신 저자분들께 감사드립니다.

자주 묻는 질문#