Depth8 Veri Kümesi
Giriş#
Ultralytics Depth8 veri kümesi, SUN RGB-D veri kümesinden örneklenmiş 8 görüntüden oluşan kompakt bir tek görüntülü derinlik tahmini veri kümesidir: yoğun, yapay kusurlardan arındırılmış gerçek değer derinlik haritaları için Kinect v1 ve Kinect v2 çekimlerinden (her bölmede sensör başına iki görüntü) 4 görüntü eğitim, 4 görüntü doğrulama içindir. YOLO26 derinlik tahmin modellerini ve eğitim işlem hatlarını hızla test etmek, hata ayıklamak ve denemeler yapmak için tasarlanmıştır; 1,3 MB'lık arşiv ilk kullanımda otomatik olarak indirilir, böylece yolo depth train data=depth8.yaml saniyeler içinde eğitime başlar.
RGB-derinlik eşleşmelerini önizlemek ve eğitim için klonlamak üzere Ultralytics Platform'da Depth8'i keşfet.
Depth8 yalnızca işlem hattı testleri içindir, kıyaslama için değildir — 8 görüntü anlamlı derinlik ölçütleri elde etmek için çok azdır. Temsili sonuçlar için tam NYU Depth V2 veya SUN RGB-D doğrulama kümelerini kullan.
Veri Kümesi Yapısı#
Depth8, standart Ultralytics derinlik veri kümesi düzenini izler: dosya kök adına göre eşleştirilmiş RGB görüntüleri ve uint16 milimetre derinlik PNG'leri (depth_scale: 1000).
depth8-png/
├── images/
│ ├── train/ # 4 images
│ └── val/ # 4 images
└── depth/
├── train/ # 4 16-bit PNG depth maps
└── val/ # 4 16-bit PNG depth mapsDerinlik değerleri, yaklaşık 0,5 m ile 4 m arasında değişen gerçek iç mekân sensör çekimleridir ve tam SUN RGB-D veri kümesinin ≤10 m aralığının içindedir.
Veri Kümesi YAML Dosyası#
Depth8 veri kümesi yapılandırması; veri kümesi yollarını, sınıf adlarını ve paketlenmiş küçük alt kümenin 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
# 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.zipKullanım#
Depth8 veri kümesinde 640 görüntü boyutuyla bir YOLO26n-depth modelini eğitmek için aşağıdaki örnekleri kullan.
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLO26n-depth modeli yükle
model = YOLO("yolo26n-depth.pt")
# Modeli Depth8 üzerinde eğit
results = model.train(data="depth8.yaml", epochs=100, imgsz=640)Atıflar ve Teşekkürler#
Depth8, SUN RGB-D'den örneklenmiştir — kaynak atfı ve alıntı ayrıntıları için SUN RGB-D veri kümesinin tam sayfasına bak. Kaynak veri kümesi bir lisans belirtmiyor.
SUN RGB-D veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan 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}
}Sık Sorulan Sorular#
Ultralytics Depth8 veri kümesi, tek kameralı derinlik kestirimi işlem hatlarının hızlı test edilmesi ve hata ayıklaması için tasarlanmıştır. Otomatik olarak indirilen 1,3 MB'lık bir arşivde yalnızca 8 görüntüyle (4 train, 4 val), tam train / val / predict döngüsünü — eşlenmiş derinlik haritası yükleme, artırma, kayıp hesaplama ve ölçütleri — tam SUN RGB-D veya NYU Depth V2 gibi bir veri kümesine geçmeden önce saniyeler içinde doğrular.
Depth8, SUN RGB-D'nin 9.245-train/1.090-val bölümünden, temiz ve yoğun derinlik haritalarına sahip Kinect v1/v2 çekimlerini tercih ederek 8 görüntü seçer. Aynı 16 bit PNG derinlik biçimini kullanır; dolayısıyla Depth8'de çalışan bir işlem hattı, tam veri kümesinde değişiklik yapılmadan çalışır. Tam veri kümesinden farklı olarak Depth8 saniyeler içinde indirilir ve dönüştürme adımı gerektirmez.
Hayır. Depth8, anlamlı model karşılaştırmaları için fazla küçüktür ve eğitim ile değerlendirme işlem hatlarını kontrol etmek için tasarlanmıştır. Temsili derinlik kestirimi ölçütlerine ihtiyaç duyduğunda tam NYU Depth V2 veya SUN RGB-D doğrulama kümelerini kullan.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.



