Набор данных глубины NYU Depth V2#

1,449

NYU Depth V2

ultralytics

publicDepth

NYU Depth V2 provides 1,449 aligned indoor RGB and depth pairs across 795 training and 654 validation images. Each dimension-matched depth map is stored as uint16 millimeters with a scale of 1,000 units per meter, supporting monocular depth estimation in varied room environments.

1439 MBSep 2, 2026

depth-estimationindoor-scenesrgb-d+1

NYU Depth V2 — стандартный бенчмарк для оценки глубины по одному изображению в помещениях. Он состоит из RGB-D-видеопоследовательностей самых разных интерьеров, снятых на Microsoft Kinect v1. Это основной бенчмарк для представления точности YOLO26-Depth.

Изучи NYU Depth V2 на платформе Ultralytics: просмотри пары RGB и глубины, изучи статистику набора данных и клонируй его для обучения.

Основные особенности#

• Снято с помощью RGB-D-сенсора Microsoft Kinect v1.
• Охватывает самые разные реальные интерьеры (дома, офисы, классы и похожие помещения).
• Диапазон глубины — примерно до 10 м, что типично для съёмки в помещениях потребительскими RGB-D-камерами.
• Оценка проводится на стандартной тестовой выборке Eigen из 654 изображений.
• Основной бенчмарк для представления точности оценки глубины по одному изображению.

Роль в YOLO26-Depth#

NYU Depth V2 — основной бенчмарк для оценки без дообучения семейства YOLO26-Depth; главные метрики на странице задачи оценки глубины приводятся именно для него. Выпущенные модели YOLO26-Depth не обучались на NYU; хотя в наборе данных есть обучающая выборка, она не используется, и приводятся результаты только на отложенной тестовой выборке.

При оценке применяются аугментация во время тестирования (TTA) с несколькими масштабами и горизонтальным отражением, а затем выполняется выравнивание масштаба между предсказанными и эталонными картами глубины методом наименьших квадратов в логарифмическом пространстве; после этого вычисляются метрики.

Результаты#

В таблице ниже указана точность delta1 (доля пикселей в пределах порога 1,25×; чем выше, тем лучше) на тестовой выборке Eigen набора NYU Depth V2 в зависимости от размера модели.

Файл YAML набора данных#

Для задания конфигурации датасета используется YAML-файл. В нём содержится информация о путях к данным, классах и другие важные сведения.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# NYU Depth V2 dataset for monocular depth estimation
# Documentation: https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html
# 795 train + 654 val (Eigen test split) images, 480x640, indoor scenes, depth in meters
# Example usage: yolo depth train data=nyu-depth.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── nyu-depth-png  ← downloads here (≈1.5 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: nyu-depth-png # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 795 images
val: images/val # val images (relative to 'path') 654 images

# Depth maps are paired uint16 millimeter PNGs under depth/<split>/, resolved by
# swapping '/images/' -> '/depth/' on each image path.

# Classes
nc: 1
names:
  0: depth

channels: 3
depth_scale: 1000

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/nyu-depth-png.zip

Использование#

Чтобы оценить модель YOLO26-Depth на бенчмарке NYU Depth V2, используй следующие фрагменты кода. Полный список доступных аргументов см. на странице валидации модели.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26x-depth.pt")  # загрузить предварительно обученную модель глубины

# Оценка на бенчмарке NYU Depth V2
results = model.val(data="nyu-depth.yaml")

Предварительно обученные модели#

Семейство моделей оценки глубины YOLO26 проходит оценку без дообучения на бенчмарке NYU Depth V2. При первом использовании эти модели автоматически загружаются из релиза ресурсов Ultralytics v8.4.0, например YOLO26x-depth; доступны разные размеры (yolo26n/s/m/l/x-depth) для разных требований к точности и ресурсам.

Цитирование и благодарности#

Если ты используешь набор данных NYU Depth V2 в исследовательской или разработческой работе, пожалуйста, процитируй следующую статью:

@inproceedings{silberman2012indoor,
      title={Indoor Segmentation and Support Inference from RGBD Images},
      author={Silberman, Nathan and Hoiem, Derek and Kohli, Pushmeet and Fergus, Rob},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
      year={2012}
}

Благодарим авторов за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения.

Часто задаваемые вопросы#