Bộ dữ liệu 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#

Bộ dữ liệu Depth8 của Ultralytics là một bộ dữ liệu ước lượng độ sâu đơn ảnh nhỏ gọn gồm 8 ảnh được lấy mẫu từ bộ dữ liệu SUN RGB-D: 4 ảnh dùng để huấn luyện và 4 ảnh dùng để xác thực, được trích xuất từ các phiên chụp bằng Kinect v1 và Kinect v2 (mỗi cảm biến có hai ảnh trong mỗi tập) nhằm tạo ra các bản đồ độ sâu ground truth dày đặc, không có artifact; bộ dữ liệu này được thiết kế để kiểm thử, gỡ lỗi và thử nghiệm nhanh với các model ước lượng độ sâu YOLO26 và pipeline huấn luyện — tệp lưu trữ 1,3 MB sẽ được tự động tải xuống trong lần sử dụng đầu tiên, vì vậy yolo depth train data=depth8.yaml có thể bắt đầu huấn luyện trong vài giây.

Khám phá Depth8 trên Ultralytics Platform để xem trước các cặp RGB-depth và clone bộ dữ liệu để huấn luyện.

Cấu trúc bộ dữ liệu#

Depth8 tuân theo bố cục bộ dữ liệu độ sâu tiêu chuẩn của Ultralytics: các ảnh RGB đi kèm với các PNG độ sâu tính bằng milimet dạng uint16 (depth_scale: 1000), được ghép cặp theo file stem.

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 thập thực tế từ sensor trong nhà, dao động khoảng từ 0,5 m đến 4 m, hoàn toàn nằm trong phạm vi ≤10 m của bộ dữ liệu SUN RGB-D đầy đủ.

YAML của bộ dữ liệu#

Cấu hình bộ dữ liệu Depth8 được định nghĩa trong một file YAML của dataset, trong đó chỉ định các đường dẫn dataset, tên class và URL tải xuống subset nhỏ được đóng gói.

# 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 bộ dữ liệu Depth8 với kích thước ảnh 640, hãy sử dụng 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

# 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)

Trích dẫn và ghi nhận đóng góp#

Depth8 được lấy mẫu từ SUN RGB-D — xem trang bộ dữ liệu SUN RGB-D đầy đủ để biết thông tin ghi công nguồn và chi tiết trích dẫn. Bộ dữ liệu nguồn không chỉ rõ giấy phép.

Nếu bạn sử dụng bộ dữ liệu SUN RGB-D trong công trình nghiên cứu hoặc phát triển của mình, 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}
}

FAQ#