Depth8 Veri Kümesi#

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 kümesi, SUN RGB-D veri kümesinden alınan 8 görüntüden oluşan, tek kameralı derinlik kestirimi için kompakt bir veri kümesidir: 4'ü eğitim, 4'ü doğrulama için; yoğun, bozulmasız referans derinlik haritaları elde etmek amacıyla Kinect v1 ve Kinect v2 çekimlerinden (her bölümde sensör başına ikişer görüntü) seçilmiştir. YOLO26 derinlik kestirim modelleri ve eğitim işlem hatlarıyla hızlı test, hata ayıklama ve deney yapma amacıyla tasarlanmıştır — 1,3 MB'lık arşiv ilk kullanımda otomatik olarak indirilir, böylece yolo depth train data=depth8.yaml eğitime saniyeler içinde başlar.

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

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 🚀 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#

640 görüntü boyutuyla Depth8 veri kümesinde YOLO26n-depth modelini eğitmek için aşağıdaki örnekleri kullan. Eğitim seçeneklerinin tam listesi için YOLO Eğitim belgelerine bak.

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#