YOLO Vision 2026：

Depth8 数据集#

简介#

Ultralytics Depth8 数据集是一个紧凑的单目深度估计数据集，包含从 SUN RGB-D 数据集中采样的 8 张图像：4 张用于训练，4 张用于验证，取自其 Kinect v1 和 Kinect v2 采集数据（每个拆分中每个传感器两张），以提供密集且无伪影的真值深度图。它专为使用 YOLO26 深度估计模型和训练管线进行快速测试、调试和实验而设计——这个 1.3 MB 的压缩包会在首次使用时自动下载，因此 yolo depth train data=depth8.yaml 能够在几秒钟内开始训练。

注意

Depth8 仅用于管线测试，而非基准测试——其 8 张图像对于有意义的深度指标来说实在太少了。请使用完整的 NYU Depth V2 或 SUN RGB-D 验证集来获取具有代表性的结果。

数据集结构#

Depth8 遵循标准的 Ultralytics depth dataset layout：包含配对的 .npy（以米为单位的 float32 深度图）的 RGB 图像，并通过文件名主干进行匹配。

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

深度值是真实的室内传感器捕获数据，范围大约在 0.5 米到 4 米之间，完全处于完整 SUN RGB-D 数据集 ≤10 米的范围内。

数据集 YAML#

Depth8 数据集配置在数据集 YAML 文件中定义，该文件指定了数据集路径、类别名称以及小型封装子集的下载 URL。

ultralytics/cfg/datasets/depth8.yaml
# 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

用法#

要在 Depth8 数据集上训练图像大小为 640 的 YOLO26n-depth 模型，请参考以下示例。有关训练选项的完整列表，请参阅YOLO 训练文档。

训练示例
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)

引用与致谢#

Depth8 采样自 SUN RGB-D——有关许可证的详细信息，请参阅完整的 SUN RGB-D 数据集页面。

如果你在研究或开发工作中使用了 SUN RGB-D 数据集，请引用以下论文：

引用
@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}
}

常见问题解答#

  • Ultralytics Depth8 数据集专为单目深度估计管线的快速测试和调试而设计。它仅包含 8 张图像（4 张训练，4 张验证）以及一个 1.3 MB 的自动下载压缩包，能够在几秒钟内验证完整的训练/验证/预测循环（包括配对深度图加载、增强、损失计算和指标），然后再扩展到诸如 SUN RGB-D 或 NYU Depth V2 的完整数据集。

  • Depth8 从 SUN RGB-D 的 9,245 训练集/1,090 验证集划分中采样了 8 张图像，偏爱具有干净、密集深度图的 Kinect v1/v2 采集数据。它使用相同的目录布局和 .npy 深度格式，因此在 Depth8 上运行的管线无需修改即可在完整数据集上运行——只需将 data= 指向 depth-sunrgbd.yaml 而不是 depth8.yaml。与完整数据集不同，Depth8 只需几秒钟即可下载完成，且无需转换步骤。

  • 不。Depth8 过于微小，无法用于有意义的模型比较，它旨在用于训练和评估管线的检查。当你需要具有代表性的深度估计指标时，请使用完整的 NYU Depth V2 或 SUN RGB-D 验证集。

贡献者
BOBovey08091

评论