Ultralytics YOLO27:
CC BY-NC-SA 3.0

KITTI-Tiefendatensatz#

Der KITTI-Datensatz ist ein realer Outdoor-Benchmark für autonomes Fahren, der von einem sich bewegenden Fahrzeug in und um die Stadt Karlsruhe aufgenommen wurde. Für die monokulare Tiefenschätzung wird die Ground-Truth-Tiefe von einem Velodyne-HDL-64-LiDAR-Scanner abgeleitet und nach der Methode von Uhrig et al. 2017 verdichtet. Die resultierenden Tiefenkarten bleiben spärlich besetzt, wobei etwa 16–20 % der Pixel einen gültigen Tiefenwert aufweisen. KITTI ist die reale Outdoor-Fahrquelle im YOLO26-Depth-Pretraining-Mix und dient zudem als KITTI-Eigen-Evaluierungsbenchmark.

Wichtige Funktionen#

  • Reale Fahrszenen im Außenbereich mit Tiefen von bis zu etwa 80 m, also weit über die typische Reichweite in Innenräumen hinaus.
  • Die Ground-Truth-Tiefe wird aus einem Velodyne HDL-64-LiDAR gewonnen und mit dem Ansatz Sparsity Invariant CNNs von Uhrig et al. 2017 verdichtet.
  • Dünn besetzte Überwachung: Nur etwa 16–20 % der Pixel pro Bild enthalten einen gültigen Tiefenwert; ungültige Pixel werden bei Loss und Metriken maskiert.
  • Stereobildpaare (links image_02 und rechts image_03) bieten zusätzliche Perspektiven für das Training.
  • Tiefenwerte werden als uint16-PNGs mit 256 Einheiten pro Meter (depth_scale: 256) gemäß dem Ultralytics-Format für Tiefendatensätze gespeichert.

Datensatzstruktur#

Die von Ultralytics verwendeten KITTI-Tiefendaten sind in zwei Teilmengen aufgeteilt:

  1. Trainingsaufteilung: 55.198 Bilder (links image_02 und rechts image_03). Alle 28 KITTI-Eigen-Testfahrten sind vom Training ausgeschlossen, damit die Evaluierung fair bleibt.
  2. Evaluierungsaufteilung: die KITTI-Eigen-Testaufteilung – ihre 652 Bilder der linken Kamera mit verbesserter Ground Truth. Die Evaluierung verwendet eine Tiefenbegrenzung von 80 m und eine Median-Ausrichtung (nur Skalierung) zwischen Vorhersagen und Ground Truth.

Der Tiefenbereich reicht bis ungefähr 80 m, und die Dataset-YAML-Datei (depth-kitti.yaml) legt max_depth: 80 entsprechend fest.

Rolle in YOLO26-Depth#

KITTI liefert echte Outdoor-Fahrüberwachung im YOLO26-Depth-Pretraining-Mix und ergänzt damit die überwiegend indoor basierten Quellen. Zudem dient der KITTI-Datensatz als Standard-KITTI-Eigen-Benchmark zur Berichterstattung über die Tiefengenauigkeit von Fahrszenen.

KITTI ist ein wichtiges Beispiel dafür, warum der Tiefenkopf unbegrenzt ist (log-Modus): Eine feste Ausgabebegrenzung von 10 m kann Fahrszenen mit 80 m nicht darstellen. Auf der Seite zur Tiefenaufgabe findest du Details zum Ausgabebereich des Kopfes und zur Verarbeitung von max_depth.

Ergebnisse#

KITTI-Eigen-delta1-Genauigkeit nach Modellgröße (höher ist besser):

ModellKITTI Eigen δ1
YOLO26n-Depth0.878
YOLO26s-Depth0.879
YOLO26m-Depth0.913
YOLO26l-Depth0.926
YOLO26x-Depth0.932

Gemessen am kanonischen Split mit 652 Frames mit imgsz=768 und rect=False. Diese sind nicht direkt mit veröffentlichten KITTI-Zahlen vergleichbar: Der Validierungsdatensatz streckt jedes Bild auf ein quadratisches imgsz und wendet Nearest-Neighbor-Resampling auf die spärliche Ground Truth an, während die Referenz-Evaluatoren stattdessen die Vorhersage auf die native Ground-Truth-Auflösung zurückskalieren; DepthMetrics maskiert die Ground Truth gegen max_depth, während das Protokoll für verbesserte Ground Truth gt > 0 maskiert und nur die Vorhersage begrenzt; zudem wurden die veröffentlichten Gewichte mit dem vorherigen Split trainiert, welcher 72 dieser Test-Frames in den Trainingssatz einbezog.

Dataset-YAML#

Eine YAML-Datei wird verwendet, um die Datensatzkonfiguration zu definieren. Sie enthält Informationen über die Pfade, Klassen und andere relevante Informationen des Datensatzes wie die maximale Tiefe.

ultralytics/cfg/datasets/depth-kitti.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# KITTI dataset for monocular depth estimation — real outdoor driving, Velodyne HDL-64 LiDAR (densified), sparse, up to ~80 m
# Documentation: https://docs.ultralytics.com/datasets/depth/kitti
# Example usage: yolo depth train data=depth-kitti.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── depth-kitti  ← downloads here (~190 GB archives, ~140 GB converted)
#         ├── images/{train,val}  # RGB images
#         └── depth/{train,val}   # paired 16-bit *.png depth maps (images/ -> depth/)
# If an interrupted download leaves a partial dataset, delete the depth-kitti dir and re-run to rebuild it.
# The download only runs when the val images are missing (train is never checked), so a depth-kitti dir
# built before this split fix keeps the old split until it is deleted and rebuilt.

path: depth-kitti # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 55198 images
val: images/val # val images (relative to 'path') 652 images (KITTI Eigen test split, left camera)
max_depth: 80 # (m) maximum valid depth; GT beyond this is excluded from val metrics

nc: 1
names:
  0: depth

channels: 3
depth_scale: 256 # KITTI PNG value 256 = 1 meter

# Download script/URL (optional)
download: |
  import shutil
  from pathlib import Path

  from ultralytics.utils import TQDM
  from ultralytics.utils.downloads import download

  # The 28 KITTI Eigen test scenes as "<drive> <frame indices>" -> val; every other annotated drive -> train. val is
  # the 697-frame Eigen et al. (NeurIPS 2014) test split restricted to frames with improved GT here: 652 left-camera.
  EIGEN_TEST = """
  2011_09_26_drive_0002 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 63 69
  2011_09_26_drive_0009 16 32 48 64 80 96 112 128 144 160 176 196 212 228 244 260 276 292 308 324 340 356 372 388
  2011_09_26_drive_0013 5 10 20 30 35 40 45 50 60 65 70 80 85 90 95 100 105 110 115 120 125 130 135
  2011_09_26_drive_0020 6 9 12 15 18 21 27 33 36 42 45 48 51 54 57 60 63 66 69 72 75 78
  2011_09_26_drive_0023 18 36 54 72 90 108 126 144 162 180 198 216 252 270 288 306 324 342 360 378 396 414 432 450 468
  2011_09_26_drive_0027 7 14 21 28 35 42 49 56 63 70 77 84 91 98 112 119 126 133 140 147 161 168 175 182
  2011_09_26_drive_0029 14 28 42 56 70 84 98 112 126 140 154 168 182 196 268 296 310 324 338 352 366 380 394 408
  2011_09_26_drive_0036 32 64 96 128 160 192 224 256 288 320 352 384 416 448 480 512 544 576 608 640 672 704 768
  2011_09_26_drive_0046 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115
  2011_09_26_drive_0048 5 6 7 8 9 10 11 12 13 14 15 16
  2011_09_26_drive_0052 6 8 10 12 14 16 18 20 22 26 28 30 32 36 38 40 42 44 46 48 50 52
  2011_09_26_drive_0056 11 22 33 44 55 66 77 88 99 110 121 143 154 165 176 187 198 209 220 231 242 253 264 275 286
  2011_09_26_drive_0059 14 28 42 56 70 84 98 112 126 140 154 182 196 210 224 238 274 288 302 316 330 344 358
  2011_09_26_drive_0064 22 44 66 88 110 154 176 198 220 242 264 286 308 330 352 374 396 418 440 462 484 506 528 550
  2011_09_26_drive_0084 49 62 75 88 101 114 127 140 153 179 192 205 218 231 244 257 270 283 296 309 322 335 348 361 374
  2011_09_26_drive_0086 7 34 61 88 115 142 169 196 223 250 277 304 331 358 385 412 439 466 493 520 574 601 628 655 682
  2011_09_26_drive_0093 16 32 48 64 80 96 112 128 144 160 176 192 208 224 240 256 305 321 337 353 369 385 401 417
  2011_09_26_drive_0096 19 38 57 76 95 114 133 152 171 190 209 228 247 266 285 304 323 342 361 380 399 418 437 456
  2011_09_26_drive_0101 80 114 148 182 216 284 318 352 386 420 454 488 522 556 590 624 658 692 726 760 794 828 862 896 930
  2011_09_26_drive_0106 15 35 43 51 59 67 75 83 91 99 107 115 123 131 139 147 155 163 171 179 187 195 203 211 219
  2011_09_26_drive_0117 26 52 78 104 130 156 182 208 234 260 286 312 338 364 390 416 442 468 494 546 572 598 624 650
  2011_09_28_drive_0002 6 9 12 18 21 24 30 33 36 39 45 48 51 54 57 60 63 72 78 81 84 87 90
  2011_09_29_drive_0071 36 72 108 144 180 216 252 288 324 360 396 432 468 504 540 576 612 735 771 807 879 915 951
  2011_09_30_drive_0016 11 22 33 44 55 66 77 88 110 121 132 143 154 165 176 187 198 209 220 231 242 253 264
  2011_09_30_drive_0018 107 214 428 535 642 749 856 963 1070 1177 1284 1391 1498 1605 1712 1819 1926 2033 2140 2247 2419 2526 2633 2740
  2011_09_30_drive_0027 41 82 123 164 205 246 287 328 369 410 451 492 533 574 615 656 753 794 835 876 917 958 1040 1081
  2011_10_03_drive_0027 181 362 543 734 915 1096 1277 1458 1639 1820 2001 2363 2544 2725 2906 3087 3268 3449 3630 3811 3992 4173 4354 4535
  2011_10_03_drive_0047 32 64 96 128 160 192 224 288 320 352 384 416 448 480 512 544 576 608 640 672 704 736 768 800"""
  EIGEN_TEST = {ln.split()[0]: {int(i) for i in ln.split()[1:]} for ln in EIGEN_TEST.strip().splitlines()}
  # Annotated drives excluded from the release training set (raw data was unavailable at build time)
  SKIP_DRIVES = {"2011_09_28_drive_0104", "2011_09_28_drive_0135", "2011_09_28_drive_0177", "2011_09_28_drive_0214"}

  # Download the improved sparse GT (~14 GB) and the raw recordings it covers (~175 GB)
  dir = Path(yaml["path"])  # dataset root dir
  base = "https://s3.eu-central-1.amazonaws.com/avg-kitti"
  download([f"{base}/data_depth_annotated.zip"], dir=dir / "source", delete=True, exist_ok=True)
  gt_drives = sorted(p for p in (dir / "source" / "data_depth_annotated").glob("*/*_sync") if p.name[:-5] not in SKIP_DRIVES)
  urls = [f"{base}/raw_data/{p.name[:-5]}/{p.name}.zip" for p in gt_drives]
  download(urls, dir=dir / "source" / "raw", delete=True, exist_ok=True, threads=4)

  # Convert: GT PNGs are uint16 meters*256; RGB frames come from the matching raw drive
  for split in ("train", "val"):
      (dir / "images" / split).mkdir(parents=True, exist_ok=True)
      (dir / "depth" / split).mkdir(parents=True, exist_ok=True)
  for gt in TQDM(gt_drives, desc="Converting"):
      drive = gt.name[:-5]  # 2011_09_26_drive_0002
      split = "val" if drive in EIGEN_TEST else "train"
      # val is the canonical Eigen test split: left camera only, and only its 652 listed frames
      for cam in ("image_02",) if split == "val" else ("image_02", "image_03"):
          for png in sorted((gt / "proj_depth" / "groundtruth" / cam).glob("*.png")):
              if split == "val" and int(png.stem) not in EIGEN_TEST[drive]:
                  continue
              name = f"{drive}_{cam[-2:]}_{png.stem}"
              png.replace(dir / "depth" / split / f"{name}.png")
              raw = dir / "source" / "raw" / drive[:10] / gt.name / cam / "data" / png.name
              raw.replace(dir / "images" / split / f"{name}.png")
  shutil.rmtree(dir / "source")

Verwendung#

Um ein YOLO26n-Depth-Modell 100 Epochen lang auf dem KITTI-Datensatz zu trainieren, kannst du die folgenden Codeausschnitte verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite zum Training des Modells.

Trainingsbeispiel
from ultralytics import YOLO

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

# Train the model on KITTI
results = model.train(data="depth-kitti.yaml", epochs=100, imgsz=640)

Vortrainierte Modelle#

Vortrainierte YOLO26-Depth-Modelle werden beim ersten Aufruf über ihren Namen automatisch aus dem Release der v8.4.0-Assets von Ultralytics heruntergeladen:

Zitate und Danksagungen#

Wenn du den KITTI-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgenden Veröffentlichungen:

Zitat
@article{geiger2013vision,
      title={Vision meets Robotics: The KITTI Dataset},
      author={Geiger, Andreas and Lenz, Philip and Stiller, Christoph and Urtasun, Raquel},
      journal={The International Journal of Robotics Research},
      year={2013},
      publisher={SAGE Publications}
}

@inproceedings{uhrig2017sparsity,
      title={Sparsity Invariant CNNs},
      author={Uhrig, Jonas and Schneider, Nick and Schneider, Lukas and Franke, Uwe and Brox, Thomas and Geiger, Andreas},
      booktitle={International Conference on 3D Vision (3DV)},
      year={2017}
}

Wir bedanken uns beim Karlsruhe Institute of Technology und beim Toyota Technological Institute at Chicago für die Erstellung und Pflege des KITTI-Datensatzes sowie bei Uhrig et al. für die Methode zur Verdichtung der Tiefe, die eine dichte Überwachung ermöglicht.

FAQ#

  • KITTI ist die reale Outdoor-Fahrquelle im YOLO26-Depth-Pretraining-Mix und dient zudem als KITTI-Eigen-Evaluierungsbenchmark. Die Velodyne-LiDAR-Tiefe von KITTI erreicht etwa 80 m, weshalb der Tiefenkopf unbegrenzt ist anstatt auf einen festen Innenraumbereich limitiert zu sein.

  • Die Ultralytics-Konfiguration verwendet 55.198 Trainingsbilder von den linken und rechten Kameras, wobei alle 28 KITTI-Eigen-Testfahrten ausgeschlossen sind, und evaluiert auf den 652 Eigen-Test-Frames der linken Kamera mit verbesserter Ground Truth. Tiefen-PNGs verwenden 256 Einheiten pro Meter (depth_scale: 256) und die YAML setzt max_depth: 80.

  • Führe yolo depth train data=depth-kitti.yaml model=yolo26n-depth.pt epochs=100 imgsz=640 aus oder verwende das Python-Beispiel im Abschnitt Usage. Die Seite Training listet alle verfügbaren Argumente auf.

  • Die Werte in Ergebnissen stammen vom Ultralytics-Validator mit imgsz=768 und rect=False, der Bilder auf eine quadratische Eingabe skaliert, die Ground Truth gegen max_depth maskiert und Metriken pro Bild mit bildweiser Skalierungsausrichtung berechnet, bevor diese über den Validierungssatz gemittelt werden. Referenz-KITTI-Evaluatoren verwenden ein anderes Protokoll, weshalb die Zahlen nicht direkt vergleichbar sind.

Mitwirkende
GLglenn-jocher5JEJESUSROYETH1BOBovey08091

Kommentare