Bộ dữ liệu độ sâu NYU Depth V2#

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 là benchmark trong nhà tiêu chuẩn cho ước lượng độ sâu đơn ảnh. Bộ dữ liệu này bao gồm các chuỗi video RGB-D của nhiều cảnh trong nhà đa dạng, được ghi lại bằng Microsoft Kinect v1. Đây là benchmark chính được sử dụng để báo cáo độ chính xác của YOLO26-Depth.

Khám phá NYU Depth V2 trên Ultralytics Platform để xem trước các cặp RGB-depth, kiểm tra thống kê dataset và clone dataset để training.

Tính năng chính#

• Được ghi lại bằng cảm biến RGB-D Microsoft Kinect v1.
• Bao quát nhiều cảnh trong nhà thực tế đa dạng (nhà ở, văn phòng, lớp học và các không gian tương tự).
• Phạm vi độ sâu lên đến khoảng 10 m, phù hợp với hoạt động thu thập dữ liệu RGB-D trong nhà bằng thiết bị tiêu dùng.
• Việc đánh giá được thực hiện trên Eigen test split tiêu chuẩn gồm 654 ảnh.
• Benchmark chính để báo cáo độ chính xác của bài toán ước lượng độ sâu đơn ảnh.

Vai trò trong YOLO26-Depth#

NYU Depth V2 là benchmark đánh giá zero-shot chính cho dòng YOLO26-Depth và các metric nổi bật trên trang tác vụ depth đều được báo cáo trên benchmark này. Các model YOLO26-Depth đã công bố không được training trên NYU; mặc dù dataset bao gồm một train split, split này không được sử dụng và chỉ các kết quả test trên tập dữ liệu chưa được sử dụng trong quá trình training mới được báo cáo.

Việc đánh giá sử dụng tăng cường dữ liệu đa tỷ lệ và lật ngang tại thời điểm kiểm thử (TTA), sau đó căn chỉnh tỷ lệ theo bình phương tối thiểu logarit giữa các bản đồ độ sâu dự đoán và ground truth trước khi tính các metric.

Kết quả#

Bảng dưới đây báo cáo độ chính xác delta1 (tỷ lệ pixel nằm trong ngưỡng 1.25×, cao hơn là tốt hơn) trên Eigen test split của NYU Depth V2 theo kích thước model.

YAML của bộ dữ liệu#

Tệp YAML được sử dụng để định nghĩa cấu hình tập dữ liệu. Tệp chứa thông tin về các đường dẫn, lớp và các thông tin liên quan khác của tập dữ liệu.

# 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

Cách sử dụng#

Để đánh giá model YOLO26-Depth trên benchmark NYU Depth V2, bạn có thể sử dụng các đoạn code sau. Để xem danh sách đầy đủ các argument khả dụng, hãy tham khảo trang Validation của model.

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")

Các model đã tiền huấn luyện#

Dòng model YOLO26 depth được đánh giá zero-shot trên benchmark NYU Depth V2. Các model này được tự động tải xuống từ bản phát hành Ultralytics mới nhất, chẳng hạn YOLO26x-depth từ v8.4.0, và bao gồm nhiều kích thước (yolo26n/s/m/l/x-depth) để đáp ứng các yêu cầu khác nhau về độ chính xác và tài nguyên.

Trích dẫn và ghi nhận đóng góp#

Nếu bạn sử dụng dataset NYU Depth V2 trong nghiên cứu hoặc công việc phát triển, vui lòng trích dẫn bài báo sau:

@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}
}

Chúng tôi xin ghi nhận các tác giả đã tạo và duy trì tài nguyên có giá trị này cho cộng đồng computer vision.

FAQ#