مجموعة بيانات KITTI#

7,481

KITTI

ultralytics

publicDetect

KITTI is the Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago autonomous-driving benchmark. Eight detection classes cover cars, vans, trucks, pedestrians, seated people, cyclists, trams, and miscellaneous road objects in real driving scenes.

8 classes721.4 MBSep 2, 2026

carvantruckpedestrian+4

object-detectionautonomous-drivingvehicles+2

مجموعة بيانات KITTI من Ultralytics هي مجموعة بيانات ثنائية الأبعاد لاكتشاف الأجسام للقيادة الذاتية، وتحتوي على 7,481 صورة مشروحة (5,985 للتدريب و1,496 للتحقق) عبر 8 فئات — car وvan وtruck وpedestrian وperson_sitting وcyclist وtram وmisc. وقد أصدرها معهد كارلسروه للتكنولوجيا ومعهد Toyota التكنولوجي في شيكاغو، وتأتي صورها من مشاهد قيادة حقيقية في المناطق الحضرية والريفية وعلى الطرق السريعة.

تشمل مجموعة KITTI Vision Benchmark Suite الأوسع أيضًا تقدير العمق والتدفق البصري والرؤية المجسمة والحركة البصرية، لكن إعداد Ultralytics kitti.yaml هنا مهيأ لاكتشاف الأجسام ثنائية الأبعاد ومتوافق بالكامل مع Ultralytics YOLO26.

بنية مجموعة البيانات#

تحتوي مجموعة البيانات على 7,481 صورة مشروحة تغطي أجسامًا مثل السيارات والمشاة وراكبي الدراجات، وهي مقسمة إلى مجموعتين فرعيتين محددتين مسبقًا وفق إعداد kitti.yaml:

فئات الأجسام#

يحدد الملف kitti.yaml 8 فئات للأجسام تشمل المركبات والأشخاص وغيرهم من مستخدمي الطريق الذين يُشاهدون عادةً في مشاهد القيادة:

التطبيقات#

تدعم مجموعة بيانات KITTI مجموعة من تطبيقات الكشف ثنائي الأبعاد في القيادة الذاتية والروبوتات:

• إدراك المركبات الذاتية: درّب النماذج على اكتشاف السيارات والمشاة وراكبي الدراجات وتتبعهم، لكي تتمكن أنظمة القيادة الذاتية من التنقل بأمان.
• تطوير أنظمة مساعدة السائق: أنشئ ميزات لمساعدة السائق، مثل التحذير من الاصطدام واكتشاف المشاة، باستخدام لقطات قيادة حقيقية.
• تحليل حركة المرور ومشاهد الطرق: اكتشف المركبات ومستخدمي الطريق وعدّهم لدراسة تدفق حركة المرور وسلامة الطرق.
• قياس أداء الرؤية الحاسوبية: استخدم KITTI كمعيار قياسي لتقييم نماذج اكتشاف الأجسام والتتبع ثنائيَي الأبعاد.

لتوسيم صور القيادة الخاصة بك، وتدريب النماذج، وإدارة إصدارات مجموعات البيانات في متصفحك، نفّذ سير العمل الكامل باستخدام Ultralytics Platform.

YAML مجموعة البيانات#

تحدد Ultralytics إعداد مجموعة بيانات KITTI باستخدام ملف YAML. يحدد هذا الملف مسارات مجموعة البيانات وتسميات الفئات والبيانات الوصفية المطلوبة للتدريب. يتوفر ملف الإعداد على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# KITTI dataset by Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago
# Documentation: https://docs.ultralytics.com/datasets/detect/kitti
# Example usage: yolo train data=kitti.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── kitti ← downloads here (390.5 MB)

# 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: kitti # dataset root dir
train: images/train # train images (relative to 'path') 5985 images
val: images/val # val images (relative to 'path') 1496 images

names:
  0: car
  1: van
  2: truck
  3: pedestrian
  4: person_sitting
  5: cyclist
  6: tram
  7: misc

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

الاستخدام#

لتدريب نموذج YOLO26n على مجموعة بيانات KITTI لمدة 100 حقبة وبحجم صورة قدره 640، استخدم الأوامر التالية. تُنزَّل مجموعة البيانات (390.5 MB) تلقائيًا عند أول استخدام. لمزيد من التفاصيل، راجع صفحة التدريب.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Train on kitti dataset
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

يمكنك أيضًا تنفيذ مهام التقييم والاستدلال والتصدير مباشرةً من سطر الأوامر أو باستخدام Python API، وذلك عبر ملف الإعداد نفسه.

الصور والتعليقات التوضيحية النموذجية#

يوضح النموذج أدناه مشهد قيادة من مجموعة البيانات مع تعليقات مربعات الإحاطة ثنائية الأبعاد الخاصة به. تمتد صور KITTI عبر مشاهد حضرية وريفية وعلى الطرق السريعة، وقد التُقطت في حركة مرور حقيقية، ما يمنح النماذج مقاييس متنوعة للأجسام ووجهات نظر وظروف إضاءة مختلفة.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات KITTI في بحثك، يُرجى الاستشهاد بالورقة التالية:

@article{Geiger2013IJRR,
  author = {Andreas Geiger and Philip Lenz and Christoph Stiller and Raquel Urtasun},
  title = {Vision meets Robotics: The KITTI Dataset},
  journal = {International Journal of Robotics Research (IJRR)},
  year = {2013}
}

نشكر KITTI Vision Benchmark Suite على توفير مجموعة البيانات الشاملة هذه، التي تواصل تشكيل التقدم في الرؤية الحاسوبية والروبوتات والأنظمة الذاتية. تفضل بزيارة موقع KITTI لمزيد من المعلومات.

الأسئلة الشائعة#