Link to this sectionDepth8 数据集#

Link to this section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，均选自其 Kinect v1 和 Kinect v2 采集（每个拆分中每个传感器两张），以获得密集且无伪影的真值深度图。它专为 YOLO26 深度估计模型和训练流水线的快速测试、调试和实验而设计 —— 这个 1.3 MB 的压缩包在首次使用时会自动下载，因此 yolo depth train data=depth8.yaml 可以在几秒钟内开始训练。

Link to this section数据集结构#

Depth8 遵循标准的 Ultralytics 深度数据集布局：RGB 图像配对 .npy float32 格式的深度图（以米为单位），并按文件名对应。

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。

Link to this section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 🚀 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 section用法#

要在 Depth8 数据集上训练 YOLO26n-depth 模型并使用 640 的图像尺寸，请使用以下示例。有关训练选项的完整列表，请参阅 YOLO 训练文档。

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 section引用与致谢#

Depth8 采样自 SUN RGB-D —— 有关许可详细信息，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：

@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 section常见问题解答#

Link to this sectionUltralytics Depth8 数据集有什么用途？#

Ultralytics Depth8 数据集专为单目深度估计流水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），并打包在 1.3 MB 的自动下载压缩包中，可在几秒钟内验证完整的训练/验证/预测周期（配对深度图加载、增强、损失计算和指标），然后再扩展到如 SUN RGB-D 或 NYU Depth V2 这样完整的数据集。

Link to this sectionDepth8 与完整的 SUN RGB-D 数据集有何不同？#

Depth8 从 SUN RGB-D 的 9,245 张训练/1,090 张验证拆分中采样了 8 张图像，优先选择具有清晰、密集深度图的 Kinect v1/v2 采集数据。它使用完全相同的目录布局和 .npy 深度格式，因此在 Depth8 上运行的流水线可以在完整数据集上直接运行，无需修改 —— 只需将 data= 指向 depth-sunrgbd.yaml 而不是 depth8.yaml 即可。与完整数据集不同，Depth8 可在几秒钟内下载完成，且无需转换步骤。

Link to this section我应该使用 Depth8 进行基准测试吗？#

不。Depth8 太小，无法进行有意义的模型比较，仅用于训练和评估流水线检查。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。