Link to this sectionНабор данных Depth8#

Link to this sectionВведение#

Набор данных Ultralytics Depth8 — это компактный набор данных для монокулярного оценки глубины, состоящий из 8 изображений, отобранных из набора данных SUN RGB-D: 4 для обучения и 4 для проверки. Они взяты из съемок Kinect v1 и Kinect v2 (по два на сенсор в каждой выборке) для получения плотных, свободных от артефактов карт глубины. Он предназначен для быстрого тестирования, отладки и экспериментов с моделями оценки глубины YOLO26 и конвейерами обучения — архив объемом 1,3 МБ автоматически скачивается при первом использовании, поэтому команда yolo depth train data=depth8.yaml запускает обучение за считанные секунды.

Link to this sectionСтруктура набора данных#

Depth8 следует стандартной структуре набора данных глубины Ultralytics: RGB-изображения со связанными картами глубины в формате .npy (float32) в метрах, сопоставленными по имени файла.

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

Значения глубины — это реальные данные, полученные с сенсоров в помещении, в диапазоне примерно от 0,5 м до 4 м, что хорошо укладывается в диапазон ≤10 м полного набора данных SUN RGB-D.

Link to this sectionYAML набора данных#

Конфигурация набора данных Depth8 определяется в YAML-файле набора данных, в котором указываются пути к данным, названия классов и URL-адрес для скачивания небольшого упакованного подмножества.

# 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

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n-depth на наборе данных Depth8 с размером изображения 640, используй следующие примеры. Полный список опций обучения смотри в документации по обучению YOLO.

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)

Link to this sectionЦитирование и благодарности#

Depth8 отобран из SUN RGB-D — подробности лицензии смотри на полной странице набора данных SUN RGB-D.

Если ты используешь набор данных SUN RGB-D в своей исследовательской или рабочей деятельности, пожалуйста, процитируй следующую статью:

@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}
}

Link to this sectionFAQ#

Link to this sectionДля чего используется набор данных Ultralytics Depth8?#

Набор данных Ultralytics Depth8 разработан для быстрого тестирования и отладки конвейеров монокулярной оценки глубины. Имея всего 8 изображений (4 для обучения, 4 для проверки) в архиве объемом 1,3 МБ, который скачивается автоматически, он проверяет весь цикл обучения / проверки / предсказания — загрузку парных карт глубины, аугментацию, вычисление функции потерь и метрики — за секунды, прежде чем переходить к полноценному набору данных, такому как SUN RGB-D или NYU Depth V2.

Link to this sectionЧем Depth8 отличается от полного набора данных SUN RGB-D?#

Depth8 содержит 8 изображений, отобранных из выборки SUN RGB-D (9 245 обучающих / 1 090 проверочных), при этом предпочтение отдается снимкам Kinect v1/v2 с чистыми, плотными картами глубины. Он использует идентичную структуру каталогов и формат глубины .npy, поэтому конвейер, который работает на Depth8, будет работать без изменений и на полном наборе данных — просто укажи data= для depth-sunrgbd.yaml вместо depth8.yaml. В отличие от полного набора данных, Depth8 скачивается за секунды и не требует этапа конвертации.

Link to this sectionСтоит ли мне использовать Depth8 для бенчмаркинга?#

Нет. Depth8 слишком мал для осмысленного сравнения моделей и предназначен для проверки конвейеров обучения и оценки. Используй полные наборы для проверки NYU Depth V2 или SUN RGB-D, когда тебе нужны репрезентативные метрики оценки глубины.