Link to this sectionDepth8 Veri Kümesi#

Link to this sectionGiriş#

The Ultralytics Depth8 dataset is a compact monocular depth estimation dataset with 8 images sampled from the SUN RGB-D dataset: 4 for training and 4 for validation, drawn from its Kinect v1 and Kinect v2 captures (two per sensor in each split) for dense, artifact-free ground-truth depth maps. It is designed for rapid testing, debugging, and experimentation with YOLO26 depth estimation models and training pipelines — the 1.3 MB archive auto-downloads on first use, so yolo depth train data=depth8.yaml starts training within seconds.

Link to this sectionVeri Kümesi Yapısı#

Depth8, standart Ultralytics derinlik veri kümesi düzenini izler: dosya kök adına göre eşleştirilmiş, metre cinsinden .npy float32 derinlik haritaları ile birlikte RGB görüntüleri.

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

Derinlik değerleri, yaklaşık 0,5 m ile 4 m arasında değişen gerçek iç mekan sensör yakalamalarıdır ve tam SUN RGB-D veri kümesinin ≤10 m aralığının içindedir.

Link to this sectionVeri Kümesi YAML#

Depth8 veri kümesi yapılandırması, veri kümesi yollarını, sınıf isimlerini ve küçük paketlenmiş alt küme için indirme URL'sini belirten bir veri kümesi YAML dosyasında tanımlanır.

# 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 sectionKullanım#

Depth8 veri kümesi üzerinde 640 görüntü boyutu ile bir YOLO26n-depth modeli eğitmek için aşağıdaki örnekleri kullan. Tüm eğitim seçeneklerinin tam listesi için YOLO Eğitim belgelerine bak.

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 sectionAlıntılar ve Teşekkür#

Depth8, SUN RGB-D'den örneklenmiştir — lisans ayrıntıları için tam SUN RGB-D veri kümesi sayfasına bak.

SUN RGB-D veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, lütfen aşağıdaki makaleye atıfta bulun:

@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 sectionSSS#

Link to this sectionUltralytics Depth8 veri kümesi ne için kullanılır?#

Ultralytics Depth8 veri kümesi, monoküler derinlik kestirimi iş akışlarının hızlı testi ve hata ayıklaması için tasarlanmıştır. 1,3 MB'lık otomatik indirilen bir arşiv içinde sadece 8 görüntü (4 eğitim, 4 doğrulama) ile; eşleştirilmiş derinlik haritası yükleme, artırma, kayıp hesaplama ve metrikler gibi tüm eğitim/doğrulama/tahmin döngüsünü SUN RGB-D veya NYU Depth V2 gibi tam bir veri kümesine ölçeklemeden önce saniyeler içinde doğrular.

Link to this sectionDepth8, tam SUN RGB-D veri kümesinden nasıl ayrılır?#

Depth8 samples 8 images from SUN RGB-D's 9,245-train/1,090-val split, favoring Kinect v1/v2 captures with clean, dense depth maps. It uses the identical directory layout and .npy depth format, so a pipeline that runs on Depth8 runs unmodified on the full dataset — just point data= at depth-sunrgbd.yaml instead of depth8.yaml. Unlike the full dataset, Depth8 downloads in seconds and needs no conversion step.

Link to this sectionDepth8'i kıyaslama için kullanmalı mıyım?#

Hayır. Depth8, anlamlı model karşılaştırmaları için çok küçüktür ve eğitim ve değerlendirme iş akışı kontrolleri için tasarlanmıştır. Temsili derinlik kestirimi metriklerine ihtiyaç duyduğunda tam NYU Depth V2 veya SUN RGB-D doğrulama kümelerini kullan.