YOLO Vision 2026:
No license

Conjunto de dados Depth8#

Introdução#

O conjunto de dados Depth8 da Ultralytics 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, obtidas das capturas Kinect v1 e Kinect v2 (duas por sensor em cada divisão) para gerar mapas de profundidade de referência densos e sem artefactos. Foi concebido para testes, depuração e experimentação rápidos com modelos de estimativa de profundidade YOLO26 e pipelines de treino — o arquivo de 1,3 MB é descarregado automaticamente na primeira utilização, pelo que yolo depth train data=depth8.yaml inicia o treino em segundos.

Explora o Depth8 na Ultralytics Platform para pré-visualizares os seus pares RGB-profundidade e cloná-lo para treino.

Nota

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

Estrutura do Conjunto de Dados#

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

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 correspondem a capturas reais de sensores em interiores, variando aproximadamente entre 0,5 m e 4 m, bem dentro do intervalo ≤10 m do conjunto de dados SUN RGB-D completo.

YAML do Conjunto de Dados#

A configuração do conjunto de dados Depth8 é definida num ficheiro YAML do conjunto de dados, que especifica os caminhos do conjunto de dados, os nomes das classes e o URL de descarregamento do pequeno subconjunto empacotado.

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
# 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

Utilização#

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

Exemplo de treino
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 do SUN RGB-D — consulta a página completa do conjunto de dados SUN RGB-D para obteres detalhes sobre a atribuição da fonte e a citação. O conjunto de dados de origem não especifica uma licença.

Se usares o conjunto de dados SUN RGB-D no teu trabalho de investigação ou desenvolvimento, cita o artigo seguinte:

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}
}

Perguntas frequentes#

  • O conjunto de dados Depth8 da Ultralytics foi concebido para testar e depurar rapidamente pipelines de estimativa de profundidade monocular. Com apenas 8 imagens (4 de treino e 4 de validação) num arquivo de 1,3 MB que é descarregado automaticamente, verifica em segundos todo o ciclo de treino / validação / predição — carregamento de mapas de profundidade associados, aumento de dados, cálculo da perda e métricas — antes de passar para um conjunto de dados completo, como SUN RGB-D ou NYU Depth V2.

  • O Depth8 seleciona 8 imagens da divisão de 9.245 para treino/1.090 para validação do SUN RGB-D, privilegiando capturas Kinect v1/v2 com mapas de profundidade limpos e densos. Utiliza o mesmo formato de profundidade PNG de 16 bits, pelo que um pipeline que funciona no Depth8 funciona sem modificações no conjunto de dados completo. Ao contrário do conjunto de dados completo, o Depth8 é descarregado em segundos e não requer uma etapa de conversão.

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

Colaboradores
GLglenn-jocher5PDpderrenger1BOBovey08091

Comentários