Depth8 Veri Kümesi#

Giriş#

Ultralytics Depth8 veri kümesi, SUN RGB-D veri kümesinden örneklenen 8 görsele sahip kompakt bir monocular depth estimation veri kümesidir; yoğun, yapaylıksız temel gerçek derinlik haritaları için Kinect v1 ve Kinect v2 çekimlerinden (her bölgede sensör başına iki tane) alınan eğitim için 4 ve doğrulama için 4 görsel içerir. YOLO26 derinlik tahmini modelleri ve eğitim hatları ile hızlı test, hata ayıklama ve deneme için tasarlanmıştır; 1.3 MB'lık arşiv ilk kullanımda otomatik olarak indirilir, böylece yolo depth train data=depth8.yaml saniyeler içinde eğitime başlar.

Veri Kümesi Yapısı#

Depth8 standart Ultralytics depth dataset layout düzenini takip eder: dosya köküyle eşleşen, metre cinsinden eşleştirilmiş .npy float32 derinlik haritalarına sahip RGB görüntüler.

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.

Veri 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

Kullanım#

Depth8 veri seti üzerinde 640 görüntü boyutuyla bir YOLO26n-depth modeli eğitmek için aşağıdaki örnekleri kullan. Tüm eğitim seçeneklerinin tam listesi için YOLO Training documentation sayfasına 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)

Alıntılar ve Teşekkür#

Depth8, SUN RGB-D'den örneklenmiştir — lisans detayları için tam SUN RGB-D dataset page 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}
}

SSS#