Başla

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.

Not

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 maps

Derinlik 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/cfg/datasets/depth8.yaml
# 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 kümesinde 640 görüntü boyutuyla bir YOLO26n-depth modelini eğitmek için aşağıdaki örnekleri kullan.

Eğitim Örneği
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:

Atıf
@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.