Link to this sectionTập dữ liệu Depth8#

Link to this sectionGiới thiệu#

Tập dữ liệu Depth8 của Ultralytics là một tập dữ liệu ước tính độ sâu đơn thị nhỏ gọn với 8 hình ảnh được lấy mẫu từ tập dữ liệu SUN RGB-D: 4 hình ảnh cho huấn luyện và 4 hình ảnh cho xác thực, được rút ra từ các dữ liệu thu thập bởi Kinect v1 và Kinect v2 (hai hình ảnh mỗi cảm biến trong mỗi tập) để có các bản đồ độ sâu ground-truth dày đặc, không bị nhiễu. Nó được thiết kế để kiểm thử nhanh, gỡ lỗi và thử nghiệm với các model ước tính độ sâu YOLO26 cùng các pipeline huấn luyện — tệp lưu trữ 1.3 MB sẽ tự động tải xuống trong lần sử dụng đầu tiên, vì vậy lệnh yolo depth train data=depth8.yaml sẽ bắt đầu huấn luyện chỉ trong vài giây.

Link to this sectionCấu trúc tập dữ liệu#

Depth8 tuân theo bố cục tập dữ liệu độ sâu chuẩn của Ultralytics: các hình ảnh RGB đi kèm với các bản đồ độ sâu định dạng .npy kiểu float32 tính bằng mét, khớp theo tên tệp.

depth8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── depth/
    ├── train/  # 4 float32 .npy depth maps
    └── val/    # 4 float32 .npy depth maps

Các giá trị độ sâu là dữ liệu thu thập từ cảm biến trong nhà thực tế, dao động từ khoảng 0.5 m đến 4 m, nằm gọn trong phạm vi ≤10 m của tập dữ liệu SUN RGB-D đầy đủ.

Link to this sectionYAML tập dữ liệu#

Cấu hình tập dữ liệu Depth8 được định nghĩa trong một tệp YAML, trong đó chỉ định các đường dẫn tập dữ liệu, tên lớp và URL tải xuống cho tập con đã 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
# Example usage: yolo depth train data=depth8.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── depth8 ← downloads here (1.3 MB)
#         ├── images/{train,val}  # RGB images
#         └── depth/{train,val}   # paired *.npy, float32 meters (images/ -> depth/)

path: depth8 # 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

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/depth8.zip

Link to this sectionCách sử dụng#

Để huấn luyện model YOLO26n-depth trên tập dữ liệu Depth8 với kích thước hình ảnh là 640, hãy sử dụng các ví dụ sau. Để xem danh sách đầy đủ các tùy chọn huấn luyện, hãy xem 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)

Link to this sectionTrích dẫn và Ghi nhận#

Depth8 được lấy mẫu từ SUN RGB-D — hãy xem toàn bộ trang tập dữ liệu SUN RGB-D để biết chi tiết về giấy phép.

Nếu bạn sử dụng tập dữ liệu SUN RGB-D trong nghiên cứu hoặc công việc phát triển của mình, vui lòng trích dẫn bài báo sau đây:

@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}
}

Link to this sectionCâu hỏi thường gặp#

Link to this sectionTập dữ liệu Ultralytics Depth8 được sử dụng để làm gì?#

Tập dữ liệu Ultralytics Depth8 được thiết kế để kiểm thử và gỡ lỗi nhanh các pipeline ước tính độ sâu đơn thị. Với chỉ 8 hình ảnh (4 huấn luyện, 4 xác thực) trong một tệp lưu trữ tự động tải xuống dung lượng 1.3 MB, nó giúp xác minh toàn bộ chu trình huấn luyện / xác thực / dự đoán — bao gồm tải bản đồ độ sâu, tăng cường dữ liệu (augmentation), tính toán hàm mất mát (loss) và các chỉ số — chỉ trong vài giây, trước khi mở rộng ra một tập dữ liệu đầy đủ như SUN RGB-D hoặc NYU Depth V2.

Link to this sectionDepth8 khác biệt như thế nào so với tập dữ liệu SUN RGB-D đầy đủ?#

Depth8 lấy mẫu 8 hình ảnh từ tập huấn luyện/xác thực gồm 9,245/1,090 ảnh của SUN RGB-D, ưu tiên các dữ liệu thu thập bởi Kinect v1/v2 với bản đồ độ sâu sạch và dày đặc. Nó sử dụng bố cục thư mục và định dạng độ sâu .npy giống hệt, vì vậy một pipeline chạy trên Depth8 có thể chạy trên tập dữ liệu đầy đủ mà không cần sửa đổi — chỉ cần trỏ data= vào depth-sunrgbd.yaml thay vì depth8.yaml. Không giống như tập dữ liệu đầy đủ, Depth8 tải xuống trong vài giây và không cần bước chuyển đổi.

Link to this sectionTôi có nên sử dụng Depth8 để benchmark không?#

Không. Depth8 quá nhỏ để so sánh model một cách có ý nghĩa và chỉ dành cho việc kiểm tra pipeline huấn luyện và đánh giá. Hãy sử dụng các tập xác thực đầy đủ của NYU Depth V2 hoặc SUN RGB-D khi bạn cần các chỉ số ước tính độ sâu đại diện.