Depth8 Veri Seti#

8

Depth8

ultralytics

publicDepth

Depth8 is Ultralytics' minimal depth-estimation smoke-test set, sampled from SUN RGB-D Kinect v1/v2 indoor captures. Its four training and four validation RGB images have dimension-matched uint16 PNG depth maps in millimeters, using a depth scale of 1,000 units per meter.

1.3 MBSep 2, 2026

depthrgb-dindoor+1

Giriş#

Ultralytics Depth8 veri seti, SUN RGB-D veri setinden örneklenen 8 görüntüden oluşan kompakt bir monoküler derinlik tahmini veri setidir: 4 görüntü eğitim, 4 görüntü doğrulama için ayrılmıştır. Görüntüler, yoğun ve artefaktsız gerçek referans derinlik haritaları sağlamak üzere Kinect v1 ve Kinect v2 çekimlerinden (her bölmede sensör başına ikişer görüntü) alınmıştır. Veri seti, YOLO26 derinlik tahmini modellerini ve eğitim işlem hatlarını hızlıca test etmek, hatalarını 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 eğitimi başlatır.

RGB-derinlik çiftlerini önizlemek ve eğitim için klonlamak üzere Ultralytics Platform'da Depth8'i keşfet.

Veri Kümesi Yapısı#

Depth8, standart Ultralytics derinlik veri seti düzenini izler: dosya kök adına göre eşleştirilen RGB görüntüleri ve bunlarla eşleşen 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 maps

Derinlik değerleri, yaklaşık 0,5 m ile 4 m arasında değişen gerçek iç mekân sensör çekimleridir ve tam SUN RGB-D veri setinin ≤10 m aralığının oldukça içindedir.

Veri Kümesi YAML'i#

Depth8 veri seti yapılandırması; veri seti yollarını, sınıf adlarını ve küçük paketlenmiş alt kümenin indirme URL'sini belirten bir veri seti 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.zip

Kullanım#

Depth8 veri setinde 640 görüntü boyutuyla bir YOLO26n-depth modelini eğitmek için aşağıdaki örnekleri kullan. 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)

Atıflar ve Teşekkürler#

Depth8, SUN RGB-D'den örneklenmiştir — kaynak atfı ve alıntı ayrıntıları için tam SUN RGB-D veri seti sayfasına bak. Kaynak veri seti bir lisans belirtmez.

SUN RGB-D veri setini araştırma veya geliştirme çalışmalarında kullanırsan lütfen aşağıdaki makaleyi kaynak göster:

@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#