Датасет 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

Введение#

Датасет Ultralytics Depth8 — это компактный датасет для оценки монокулярной глубины, содержащий 8 изображений, отобранных из датасета SUN RGB-D: 4 для обучения и 4 для валидации, полученных с помощью камер Kinect v1 и Kinect v2 (по два изображения с каждого сенсора в каждом наборе) для создания плотных карт глубины без артефактов. Он предназначен для быстрого тестирования, отладки и экспериментов с моделями оценки глубины YOLO26 и конвейерами обучения — архив размером 1,3 МБ автоматически загружается при первом использовании, поэтому yolo depth train data=depth8.yaml начинает обучение за считанные секунды.

Открой Depth8 на платформе Ultralytics, чтобы просмотреть пары RGB и глубины и клонировать датасет для обучения.

Структура датасета#

Depth8 соответствует стандартной структуре датасета глубины Ultralytics: RGB-изображения с парными PNG-файлами глубины в миллиметрах формата uint16 (depth_scale: 1000), сопоставленными по имени файла без расширения.

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

Значения глубины получены с реальных сенсоров в помещении и находятся в диапазоне примерно от 0,5 м до 4 м, что соответствует диапазону ≤10 м полного датасета SUN RGB-D.

YAML датасета#

Конфигурация датасета Depth8 задаётся в YAML-файле датасета, который содержит пути к датасету, имена классов и URL для загрузки небольшого упакованного поднабора.

# 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

Использование#

Чтобы обучить модель YOLO26n-depth на датасете Depth8 с размером изображения 640, используй следующие примеры. Полный список параметров 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)

Цитирование и благодарности#

Depth8 взят из SUN RGB-D — сведения об атрибуции источника и цитировании смотри на полной странице датасета SUN RGB-D. Исходный датасет не содержит информации о лицензии.

Если ты используешь датасет SUN RGB-D в исследовательской или разработческой работе, укажи в цитировании 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}
}

Часто задаваемые вопросы#