NYU Depth V2 Derinlik Veri Kümesi#

1,449

NYU Depth V2

ultralytics

publicDepth

NYU Depth V2 provides 1,449 aligned indoor RGB and depth pairs across 795 training and 654 validation images. Each dimension-matched depth map is stored as uint16 millimeters with a scale of 1,000 units per meter, supporting monocular depth estimation in varied room environments.

1439 MBSep 2, 2026

depth-estimationindoor-scenesrgb-d+1

NYU Depth V2, tek gözlü derinlik tahmini için standart iç mekân kıyaslama veri kümesidir. Microsoft Kinect v1 ile kaydedilmiş, çok çeşitli iç mekân sahnelerinden oluşan RGB-D video dizilerini içerir. YOLO26-Depth doğruluğunu raporlamak için kullanılan temel kıyaslamadır.

RGB-derinlik çiftlerini önizlemek, veri kümesi istatistiklerini incelemek ve eğitim için kopyalamak üzere Ultralytics Platform'da NYU Depth V2'yi keşfet.

Temel Özellikler#

• Microsoft Kinect v1 RGB-D sensörüyle kaydedilmiştir.
• Çok çeşitli gerçek iç mekân sahnelerini (evler, ofisler, sınıflar ve benzeri alanlar) kapsar.
• Derinlik aralığı yaklaşık 10 m'ye kadar çıkar; tüketici tipi iç mekân RGB-D çekimleri için tipiktir.
• Değerlendirme, 654 görüntüden oluşan standart Eigen test bölümünde yapılır.
• Tek gözlü derinlik tahmini doğruluğunu raporlamak için kullanılan temel kıyaslamadır.

YOLO26-Depth'teki rolü#

NYU Depth V2, YOLO26-Depth ailesi için temel sıfır örnekli değerlendirme kıyaslamasıdır ve derinlik görevi sayfasındaki öne çıkan metrikler bu veri kümesinde raporlanır. Yayımlanan YOLO26-Depth modelleri NYU'da eğitilmemiştir; veri kümesinde bir eğitim bölümü bulunsa da bu bölüm kullanılmaz ve yalnızca eğitimde kullanılmayan test sonuçları raporlanır.

Ölçütler hesaplanmadan önce çok ölçekli ve yatay çevirme test zamanı artırımı (TTA) uygulanır, ardından tahmin edilen ve referans derinlik haritaları arasında log-en küçük kareler ölçek hizalaması yapılır.

Sonuçlar#

Aşağıdaki tabloda, NYU Depth V2 Eigen test bölümünde model boyutuna göre delta1 doğruluğu (1,25× eşiği içindeki piksellerin oranı; yüksek değer daha iyidir) raporlanmaktadır.

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Dosyada veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler bulunur.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# NYU Depth V2 dataset for monocular depth estimation
# Documentation: https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html
# 795 train + 654 val (Eigen test split) images, 480x640, indoor scenes, depth in meters
# Example usage: yolo depth train data=nyu-depth.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── nyu-depth-png  ← downloads here (≈1.5 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: nyu-depth-png # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 795 images
val: images/val # val images (relative to 'path') 654 images

# Depth maps are paired uint16 millimeter PNGs under depth/<split>/, resolved by
# swapping '/images/' -> '/depth/' on each image path.

# Classes
nc: 1
names:
  0: depth

channels: 3
depth_scale: 1000

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/nyu-depth-png.zip

Kullanım#

NYU Depth V2 kıyaslamasında bir YOLO26-Depth modelini değerlendirmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Doğrulama sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26x-depth.pt")  # önceden eğitilmiş bir derinlik modeli yükle

# NYU Depth V2 kıyaslamasında değerlendir
results = model.val(data="nyu-depth.yaml")

Önceden Eğitilmiş Modeller#

YOLO26 derinlik ailesi, NYU Depth V2 kıyaslamasında sıfır örnekli olarak değerlendirilir. Bu modeller ilk kullanımda Ultralytics'in v8.4.0 varlık sürümünden otomatik indirilir; örneğin YOLO26x-depth. Farklı doğruluk ve kaynak gereksinimlerine uygun çeşitli boyutlarda sunulur (yolo26n/s/m/l/x-depth).

Atıflar ve Teşekkürler#

NYU Depth V2 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:

@inproceedings{silberman2012indoor,
      title={Indoor Segmentation and Support Inference from RGBD Images},
      author={Silberman, Nathan and Hoiem, Derek and Kohli, Pushmeet and Fergus, Rob},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
      year={2012}
}

Bilgisayarlı görü topluluğu için bu değerli kaynağı oluşturup sürdüren yazarlara teşekkür ederiz.

Sık Sorulan Sorular#