YOLO Vision 2026:
No license

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.

Explora o Depth8 na Ultralytics Platform para prever os seus pares RGB-depth e cloná-lo para treino.

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 conjunto de dados de profundidade do Ultralytics: imagens RGB com PNGs de profundidade em milímetros uint16 emparelhados (depth_scale: 1000), correspondidos pelo nome 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 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
# 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 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#

Depth8 é amostrado do SUN RGB-D — consulta a página completa do conjunto de dados SUN RGB-D para atribuição de fonte e detalhes de citação. O conjunto de dados de origem não especifica uma 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 9.245 de treino e 1.090 de validação do SUN RGB-D, priorizando capturas do Kinect v1/v2 com mapas de profundidade limpos e densos. Ele usa exatamente o mesmo formato de profundidade PNG de 16 bits, portanto, um pipeline que executa no Depth8 funciona sem modificações no conjunto de dados completo. Ao contrário do conjunto de dados completo, o Depth8 é baixado em segundos e não precisa de 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.

Contribuidores
GLglenn-jocher5PDpderrenger1BOBovey08091

Comentários