Набор данных Depth8#

8

Depth8

ultralytics

publicDepth

Official Ultralytics Depth8 dataset with 8 indoor RGB-depth pairs for depth pipeline testing: 4 train and 4 validation images sampled from SUN RGB-D Kinect v1/v2 captures. Depth maps are uint16 PNG in millimeters (depth_scale 1000). Source authors require citation of Song, Lichtenberg, and Xiao, CVPR 2015.

1.3 MBAug 21, 2026

depthrgb-dindoor+1

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.

Изучи Depth8 on Ultralytics Platform, чтобы просмотреть его пары RGB-глубины и клонировать для обучения.

Структура набора данных#

Depth8 следует стандартной структуре датасета глубины Ultralytics: RGB-изображения с парными 16-битными изображениями глубины в формате PNG в миллиметрах (depth_scale: 1000), сопоставленными по имени файла.

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 — 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
# 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 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#

Датасет Depth8 получен выборкой из SUN RGB-D — подробности об источнике и цитировании см. на странице полного датасета SUN RGB-D. Исходный датасет не указывает лицензию.

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#