مجموعة بيانات KITTI#

7,481

KITTI

ultralytics

publicDetect

Official Ultralytics KITTI object detection dataset from Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago, with 7,481 autonomous-driving images and 40,570 bounding boxes across 8 classes. Includes 5,985 train and 1,496 validation images.

8 classes721.4 MBAug 21, 2026

carvantruckpedestrian+4

object-detectionautonomous-drivingvehicles+2

مجموعة بيانات Ultralytics KITTI هي مجموعة بيانات كشف الكائنات ثنائية الأبعاد للقيادة الذاتية، وتحتوي على 7,481 صورة مصنفة (5,985 للتدريب و1,496 للتحقق من الصحة) عبر 8 فئات — car وvan وtruck وpedestrian وperson_sitting وcyclist وtram وmisc. تم إصدارها بواسطة معهد كارلسروه للتكنولوجيا ومعهد تويوتا التقني في شيكاغو، وتأتي صورها من مشاهد قيادة حقيقية في المدن والمناطق الريفية والطرق السريعة.

تمتد مجموعة اختبارات الرؤية الأوسع KITTI Vision Benchmark Suite أيضًا لتشمل تقدير العمق، والتدفق البصري، والرؤية المجسمة، وعلم الحركة البصري، ولكن إعداد Ultralytics kitti.yaml هنا مخصص لكشف الكائنات ثنائي الأبعاد ومتوافق تمامًا مع Ultralytics YOLO26.

هيكل مجموعة البيانات#

تحتوي مجموعة البيانات على 7,481 صورة مصنفة تغطي كائنات مثل السيارات والمشاة راكبي الدراجات، مقسمة إلى مجموعتين فرعيتين محددتين مسبقًا بواسطة تكوين kitti.yaml:

فئات الأغراض#

يحدد ملف kitti.yaml عدد 8 فئات كائنات تشمل المركبات والأشخاص ومستخدمي الطريق الآخرين الذين شوهدوا عادةً في مشاهد القيادة:

التطبيقات#

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

• إدراك المركبات ذاتية القيادة: تدريب النماذج على اكتشاف وتتبع السيارات والمشاة وراكبي الدراجات حتى تتمكن أنظمة القيادة الذاتية من التنقل بأمان.
• تطوير أنظمة مساعدة السائق المتقدمة (ADAS): بناء ميزات مساعدة السائق مثل التحذير من التصادم واكتشاف المشاة باستخدام لقطات قيادة واقعية.
• تحليل حركة المرور ومشاهد الطرق: اكتشاف وحساب المركبات ومستخدمي الطريق لدراسة تدفق حركة المرور وسلامة الطرق.
• معيار تقييم رؤية الكمبيوتر: استخدم KITTI كمعيار قياسي لتقييم نماذج كشف الكائنات والتتبع ثنائية الأبعاد.

لتسمية صور القيادة الخاصة بك، وتدريب وإدارة إصدارات مجموعة البيانات في متصفحك، قم بتشغيل سير العمل الكامل باستخدام Ultralytics Platform.

YAML مجموعة البيانات#

تحدد Ultralytics تكوين مجموعة بيانات KITTI باستخدام ملف YAML. يحدد هذا الملف مسارات مجموعة البيانات، وتسميات الفئات، والبيانات الوصفية المطلوبة للتدريب. ملف التكوين متاح 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 تدريبية بحجم صورة 640، استخدم الأوامر التالية. يتم تنزيل مجموعة البيانات (390.5 ميجابايت) تلقائيًا عند الاستخدام الأول. 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 إجراء مهام التقييم، والاستدلال، والتصدير مباشرة من سطر الأوامر أو واجهة برمجة تطبيقات Python باستخدام نفس ملف التكوين.

صور وشروحات توضيحية عينة#

تُظهر العينة أدناه مشهد قيادة من مجموعة البيانات مع تعليقاتها التوضيحية الخاصة بصناديق الإحاطة ثنائية الأبعاد. تغطي صور KITTI مشاهد حضرية وريفية وعلى الطرق السريعة تم التقاطها في حركة مرور حقيقية، مما يمنح النماذج مقاييس كائنات ووجهات نظر وإضاءة متنوعة.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات KITTI في بحثك، يرجى الاستشهاد بالورقة العلمية 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 رؤية الكمبيوتر، والروبوتات، والأنظمة المستقلة. قم بزيارة موقع KITTI الإلكتروني لمزيد من المعلومات.

الأسئلة الشائعة#