YOLO Vision 2026:

Dataset Depth8#

Introdução#

O conjunto de dados Ultralytics Depth8 é um conjunto de dados compacto de estimativa de profundidade monocular com 8 imagens amostradas do conjunto de dados SUN RGB-D: 4 para treino e 4 para validação, extraídas das capturas Kinect v1 e Kinect v2 (duas por sensor em cada divisão) para mapas de profundidade reais densos e sem artefactos. Foi concebido para testes rápidos, depuração e experimentação com modelos de estimativa de profundidade YOLO26 e pipelines de treino — o arquivo de 1,3 MB descarrega automaticamente na primeira utilização, pelo que yolo depth train data=depth8.yaml começa a treinar em segundos.

Nota

O Depth8 destina-se apenas a testes de pipelines, e não a avaliação comparativa — as suas 8 imagens são manifestamente insuficientes para métricas de profundidade significativas. Utiliza os conjuntos de validação completos NYU Depth V2 ou SUN RGB-D para obteres resultados representativos.

Estrutura do Dataset#

O Depth8 segue o layout padrão de conjuntos de dados de profundidade da Ultralytics: imagens RGB com mapas de profundidade float32 emparelhados .npy em metros, associados pelo nome base do ficheiro.

depth8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── depth/
    ├── train/  # 4 float32 .npy depth maps
    └── val/    # 4 float32 .npy depth maps

Os valores de profundidade são capturas reais de sensores de interior variando aproximadamente de 0,5 m a 4 m, bem dentro do intervalo de ≤10 m do conjunto de dados completo SUN RGB-D.

YAML do Dataset#

A configuração do dataset Depth8 é definida num ficheiro YAML de dataset, que especifica os caminhos do dataset, os nomes das classes e o URL de transferência para o pequeno subconjunto embalado.

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

Uso#

Para treinar um modelo YOLO26n-depth no conjunto de dados Depth8 com um tamanho de imagem de 640, utiliza os seguintes exemplos. Para uma lista completa de opções de treino, consulta a documentação de treino YOLO.

Exemplo de Treinamento
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)

Citações e Agradecimentos#

O Depth8 é amostrado a partir do SUN RGB-D — consulta a página completa do conjunto de dados SUN RGB-D para detalhes sobre a licença.

Se utilizares o dataset SUN RGB-D no teu trabalho de investigação ou desenvolvimento, por favor cita o seguinte artigo:

Citação
@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#

  • O conjunto de dados Ultralytics Depth8 foi concebido para testes rápidos e depuração de pipelines de estimativa de profundidade monocular. Com apenas 8 imagens (4 de treino, 4 de validação) num arquivo de 1,3 MB com descarga automática, verifica todo o ciclo de treino / validação / previsão — carregamento de mapas de profundidade emparelhados, aumento de dados, cálculo de perdas e métricas — em segundos, antes de passares para um conjunto de dados completo como o SUN RGB-D ou o NYU Depth V2.

  • O Depth8 amostra 8 imagens da divisão de 9245 para treino / 1090 para validação do SUN RGB-D, privilegiando capturas Kinect v1/v2 com mapas de profundidade limpos e densos. Utiliza o layout de diretórios idêntico e o formato de profundidade .npy, pelo que um pipeline executado no Depth8 funciona sem modificações no conjunto de dados completo — basta apontar data= para depth-sunrgbd.yaml em vez de depth8.yaml. Ao contrário do conjunto de dados completo, o Depth8 descarrega em segundos e não necessita de nenhuma etapa de conversão.

  • Não. O Depth8 é demasiado pequeno para comparações de modelos significativas e destina-se a verificações de pipelines de treino e avaliação. Utiliza os conjuntos de validação completos NYU Depth V2 ou SUN RGB-D quando precisares de métricas de estimativa de profundidade representativas.

Colaboradores
BOBovey08091

Comentários