Набор данных Depth8#

Введение#

Датасет Ultralytics Depth8 представляет собой компактный датасет monocular depth estimation, содержащий 8 изображений, выбранных из датасета SUN RGB-D: 4 для обучения и 4 для валидации, взятых из кадров Kinect v1 и Kinect v2 (по два на каждый датчик в каждой выборке) для получения плотных карт глубины без артефактов. Он разработан для быстрого тестирования, отладки и экспериментов с моделями оценки глубины YOLO26 и конвейерами обучения — архив размером 1.3 МБ автоматически скачивается при первом использовании, поэтому yolo depth train data=depth8.yaml начинает обучение за считанные секунды.

Структура набора данных#

Depth8 следует стандартной Ultralytics depth dataset layout: RGB-изображения с парными картами глубины float32 .npy 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.

YAML 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

Использование#

Чтобы обучить модель YOLO26n-depth на датасете Depth8 с размером изображения 640, используй следующие примеры. Полный список параметров обучения см. в разделе YOLO Training documentation.

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 сэмплирован из SUN RGB-D — подробности о лицензии см. на странице полного SUN RGB-D dataset page.

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}
}

FAQ#