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, monoküler derinlik tahmini için standart iç mekân kıyaslamasıdır. Microsoft Kinect v1 ile kaydedilmiş çok çeşitli iç mekân sahnelerine ait RGB-D video dizilerinden oluşur. YOLO26-Depth doğruluğunu raporlamak için kullanılan birincil kıyaslamadır.

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

Temel Özellikler#

• Microsoft Kinect v1 RGB-D sensörüyle yakalanmıştır.
• Çok çeşitli gerçek iç mekân sahnelerini (evler, ofisler, sınıflar ve benzer alanlar) kapsar.
• Tüketici tipi iç mekân RGB-D yakalamalarında tipik olan, yaklaşık 10 m'ye kadar derinlik aralığı sunar.
• Değerlendirme, 654 görüntüden oluşan standart Eigen test bölümü üzerinde gerçekleştirilir.
• Monoküler derinlik tahmini doğruluğunu raporlamak için kullanılan birincil kıyaslamadır.

YOLO26-Depth İçindeki Rolü#

NYU Depth V2, YOLO26-Depth ailesi için birincil zero-shot değerlendirme kıyaslamasıdır ve derinlik görevi sayfasındaki öne çıkan metrikler bu veri kümesi üzerinde raporlanır. Yayınlanan YOLO26-Depth modelleri NYU üzerinde eğitilmemiştir; veri kümesi bir eğitim bölümü içerse de bu bölüm kullanılmaz ve yalnızca ayrılmış test sonuçları raporlanır.

Değerlendirmede çok ölçekli ve yatay çevirme test zamanı artırma (TTA) kullanılır; ardından metrikler hesaplanmadan önce tahmin edilen ve gerçek derinlik haritaları arasında log-en küçük kareler ölçek hizalaması uygulanır.

Sonuçlar#

Aşağıdaki tablo, model boyutuna göre NYU Depth V2 Eigen test bölümündeki delta1 doğruluğunu (1.25× eşiği içindeki piksellerin yüzdesi; yüksek değer daha iyidir) gösterir.

Veri Kümesi YAML'i#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir.

# 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#

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

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26x-depth.pt")  # load a pretrained depth model

# Evaluate on the NYU Depth V2 benchmark
results = model.val(data="nyu-depth.yaml")

Önceden Eğitilmiş Modeller#

YOLO26 derinlik ailesi, NYU Depth V2 kıyaslamasında zero-shot olarak değerlendirilir. Bu modeller, örneğin v8.4.0 sürümündeki YOLO26x-depth, en yeni Ultralytics sürümünden otomatik olarak indirilir ve farklı doğruluk ile kaynak gereksinimleri için çeşitli boyutları (yolo26n/s/m/l/x-depth) kapsar.

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 sürdürdükleri için yazarlara teşekkür ederiz.

SSS#