Depth8 Veri Kümesi#

8

Depth8

ultralytics

publicDepth

Official Ultralytics Depth8 dataset with 8 indoor RGB-depth pairs for depth pipeline testing: 4 train and 4 validation images sampled from SUN RGB-D Kinect v1/v2 captures. Depth maps are uint16 PNG in millimeters (depth_scale 1000). Source authors require citation of Song, Lichtenberg, and Xiao, CVPR 2015.

1.3 MBAug 21, 2026

depthrgb-dindoor+1

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.

RGB-derinlik çiftlerini önizlemek ve eğitim için klonlamak amacıyla Depth8 on Ultralytics Platform adresini keşfet.

Veri Kümesi Yapısı#

Depth8, standart Ultralytics depth dataset layout yapısını takip eder: RGB görüntüler ve dosya adına göre eşleştirilmiş eşlik eden 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 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
# 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 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 veri kümesinden örneklenmiştir; kaynak atfı ve alıntı detayları için SUN RGB-D veri kümesi sayfasına göz at. Kaynak veri kümesi bir lisans belirtmemektedir.

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#