Conjunto de dados Depth8#

8

Depth8

ultralytics

publicDepth

Depth8 is Ultralytics' minimal depth-estimation smoke-test set, sampled from SUN RGB-D Kinect v1/v2 indoor captures. Its four training and four validation RGB images have dimension-matched uint16 PNG depth maps in millimeters, using a depth scale of 1,000 units per meter.

1.3 MBSep 2, 2026

depthrgb-dindoor+1

Introdução#

O conjunto de dados Depth8 da Ultralytics é um conjunto compacto de estimativa monocular de profundidade com 8 imagens amostradas do conjunto de dados SUN RGB-D: 4 para treinamento e 4 para validação, provenientes de capturas com Kinect v1 e Kinect v2 (duas por sensor em cada divisão) para gerar mapas de profundidade ground truth densos e sem artefatos. Ele foi desenvolvido para testes rápidos, depuração e experimentação com modelos de estimativa de profundidade YOLO26 e pipelines de treinamento — o arquivo de 1,3 MB é baixado automaticamente no primeiro uso, então yolo depth train data=depth8.yaml começa o treinamento em segundos.

Explore o Depth8 na plataforma Ultralytics para visualizar os pares RGB-profundidade e cloná-lo para treinamento.

Estrutura do conjunto de dados#

O Depth8 segue o layout padrão de conjuntos de dados de profundidade da Ultralytics: imagens RGB com PNGs uint16 de profundidade correspondentes, em milímetros (depth_scale: 1000), associados pelo nome-base do arquivo.

depth8-png/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── depth/
    ├── train/  # 4 16-bit PNG depth maps
    └── val/    # 4 16-bit PNG depth maps

Os valores de profundidade vêm de capturas reais de sensores em ambientes internos, variam aproximadamente de 0,5 m a 4 m e estão bem dentro da faixa de ≤10 m do conjunto completo SUN RGB-D.

YAML do conjunto de dados#

A configuração do conjunto de dados Depth8 é definida em um arquivo YAML, que especifica os caminhos do conjunto, os nomes das classes e o URL de download do pequeno subconjunto empacotado.

# 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.zip

Uso#

Para treinar um modelo YOLO26n-depth no conjunto de dados Depth8 com tamanho de imagem 640, use os exemplos a seguir. Para ver a lista completa de opções de treinamento, consulte a documentação de treinamento do YOLO.

from ultralytics import YOLO

# Carrega um modelo YOLO26n-depth pré-treinado
model = YOLO("yolo26n-depth.pt")

# Treina o modelo com o Depth8
results = model.train(data="depth8.yaml", epochs=100, imgsz=640)

Citações e agradecimentos#

O Depth8 é uma amostra do SUN RGB-D — consulte a página completa do conjunto de dados SUN RGB-D para ver os créditos da fonte e os detalhes da citação. O conjunto de dados de origem não especifica uma licença.

Se você usar o conjunto de dados SUN RGB-D em seu trabalho de pesquisa ou desenvolvimento, cite o artigo a seguir:

@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}
}

Perguntas frequentes#