Dataset Depth8#

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

Giới thiệu#

Dataset Depth8 của Ultralytics là dataset ước tính độ sâu đơn ảnh gọn nhẹ, gồm 8 ảnh được lấy mẫu từ dataset SUN RGB-D: 4 ảnh để huấn luyện và 4 ảnh để xác thực, chọn từ các lần thu thập bằng Kinect v1 và Kinect v2 (mỗi cảm biến có hai ảnh trong mỗi tập) nhằm tạo các bản đồ độ sâu ground truth dày đặc, không có nhiễu giả. Dataset được thiết kế để kiểm thử, gỡ lỗi và thử nghiệm nhanh với các model ước tính độ sâu YOLO26 và pipeline huấn luyện — gói lưu trữ 1.3 MB tự động tải xuống trong lần sử dụng đầu tiên, vì vậy yolo depth train data=depth8.yaml có thể bắt đầu huấn luyện chỉ trong vài giây.

Khám phá Depth8 trên Ultralytics Platform để xem trước các cặp RGB-độ sâu và clone dataset để huấn luyện.

Cấu trúc dataset#

Depth8 tuân theo bố cục dataset độ sâu tiêu chuẩn của Ultralytics: ảnh RGB đi kèm ảnh PNG độ sâu uint16 tính bằng milimét (depth_scale: 1000), được ghép cặp theo tên gốc tệp.

depth8-png/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── depth/
    ├── train/  # 4 16-bit PNG depth maps
    └── val/    # 4 16-bit PNG depth maps

Các giá trị độ sâu là dữ liệu thu thực tế từ cảm biến trong nhà, nằm trong khoảng khoảng 0,5 m đến 4 m, hoàn toàn trong phạm vi ≤10 m của dataset SUN RGB-D đầy đủ.

YAML của dataset#

Cấu hình dataset Depth8 được xác định trong tệp YAML của dataset, trong đó chỉ định đường dẫn dataset, tên class và URL tải xuống của tập con được đóng gói nhỏ gọn.

# 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

Cách sử dụng#

Để huấn luyện model YOLO26n-depth trên dataset Depth8 với kích thước ảnh 640, hãy dùng các ví dụ sau. Để xem danh sách đầy đủ các tùy chọn huấn luyện, hãy tham khảo tài liệu Huấn luyện YOLO.

from ultralytics import YOLO

# Tải model YOLO26n-depth đã pretrained
model = YOLO("yolo26n-depth.pt")

# Huấn luyện model trên Depth8
results = model.train(data="depth8.yaml", epochs=100, imgsz=640)

Trích dẫn và lời cảm ơn#

Depth8 được lấy mẫu từ SUN RGB-D — xem trang dataset SUN RGB-D đầy đủ để biết thông tin ghi nhận nguồn và trích dẫn. Dataset nguồn không quy định giấy phép.

Nếu sử dụng dataset SUN RGB-D trong nghiên cứu hoặc phát triển, vui lòng trích dẫn bài báo sau:

@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}
}

Câu hỏi thường gặp#