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 Ultralytics KITTI هي مجموعة بيانات ثنائية الأبعاد لـاكتشاف الكائنات في القيادة الذاتية، وتضم 7,481 صورة مشروحة (5,985 للتدريب و1,496 للتحقق) ضمن 8 فئات: سيارة وشاحنة صغيرة وشاحنة ومشاة وشخص جالس وراكب دراجة وترام وفئات متنوعة. أصدرها معهد كارلسروه للتكنولوجيا ومعهد إلينوي للتكنولوجيا في شيكاغو، وتأتي صورها من مشاهد قيادة واقعية في المدن والمناطق الريفية والطرق السريعة.

تشمل مجموعة KITTI الأوسع نطاقًا لتقييم الرؤية أيضًا تقدير العمق والتدفق البصري والرؤية المجسمة وقياس الحركة البصرية، لكن إعداد Ultralytics kitti.yaml هنا مُهيأ لاكتشاف الكائنات ثنائي الأبعاد، وهو متوافق بالكامل مع Ultralytics YOLO26.

بنية مجموعة البيانات#

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

فئات الكائنات#

يحدد الملف kitti.yaml ثماني فئات للكائنات، تشمل المركبات والأشخاص وغيرهم من مستخدمي الطريق الشائعين في مشاهد القيادة:

التطبيقات#

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

• إدراك المركبات ذاتية القيادة: درّب النماذج على اكتشاف السيارات والمشاة وراكبي الدراجات وتتبعهم، كي تتمكن أنظمة القيادة الذاتية من التنقل بأمان.
• تطوير أنظمة مساعدة السائق المتقدمة: أنشئ ميزات لمساعدة السائق، مثل التحذير من التصادم واكتشاف المشاة، باستخدام لقطات قيادة واقعية.
• تحليل حركة المرور ومشاهد الطرق: اكتشف المركبات ومستخدمي الطريق وعدّهم لدراسة انسيابية حركة المرور والسلامة على الطرق.
• قياس أداء الرؤية الحاسوبية: استخدم KITTI معيارًا مرجعيًا لتقييم نماذج اكتشاف الكائنات ثنائية الأبعاد والتتبع.

لتوسيم صور القيادة الخاصة بك وتدريب النماذج وإدارة إصدارات مجموعات البيانات في المتصفح، نفّذ سير العمل بالكامل باستخدام منصة Ultralytics.

ملف YAML لمجموعة البيانات#

تحدد Ultralytics إعداد مجموعة بيانات KITTI باستخدام ملف YAML. يحدد هذا الملف مسارات مجموعة البيانات وتسميات الفئات والبيانات الوصفية اللازمة 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 640، استخدم الأوامر التالية. تُنزّل مجموعة البيانات (390.5 MB) تلقائيًا عند استخدامها للمرة الأولى. لمزيد من التفاصيل، راجع صفحة التدريب.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 مدرّب مسبقًا⁩
model = YOLO("yolo26n.pt")

# ⁨درّب على مجموعة بيانات kitti⁩
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

يمكنك أيضًا تنفيذ مهام التقييم والاستدلال والتصدير مباشرةً من سطر الأوامر أو واجهة Python البرمجية، باستخدام ملف الإعداد نفسه.

صور وتعليقات توضيحية نموذجية#

يعرض المثال أدناه مشهد قيادة من مجموعة البيانات مع التعليقات التوضيحية لمربعات الإحاطة ثنائية الأبعاد. تشمل صور KITTI مشاهد حضرية وريفية وعلى الطرق السريعة، التُقطت في حركة مرور حقيقية، ما يتيح للنماذج التعامل مع مقاييس متنوعة للكائنات ووجهات نظر وظروف إضاءة مختلفة.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات KITTI في بحثك، فيُرجى 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}
}

نتوجه بالشكر إلى مجموعة KITTI Vision Benchmark Suite على توفير مجموعة البيانات الشاملة هذه، التي تواصل الإسهام في تقدم الرؤية الحاسوبية والروبوتات والأنظمة ذاتية القيادة. تفضل بزيارة موقع KITTI لمزيد من المعلومات.

الأسئلة الشائعة#