Link to this sectionKITTI-Datensatz#

Der kitti-Datensatz ist einer der einflussreichsten Benchmark-Datensätze für autonomes Fahren und Computer Vision. Er wurde vom Karlsruher Institut für Technologie und dem Toyota Technological Institute at Chicago veröffentlicht und enthält Stereo-Kamera-, LiDAR- und GPS/IMU-Daten, die in realen Fahrszenarien gesammelt wurden.

Er wird häufig zur Evaluierung von Algorithmen in den Bereichen Objekterkennung, Tiefenschätzung, optischer Fluss und visuelle Odometrie verwendet. Der Datensatz ist vollständig kompatibel mit Ultralytics YOLO26 für 2D-Objekterkennungsaufgaben und kann einfach in die Ultralytics-Plattform für Training und Evaluierung integriert werden.

Link to this sectionDatensatzstruktur#

Insgesamt umfasst der Datensatz 7.481 Bilder, von denen jedes mit detaillierten Annotationen für Objekte wie Autos, Fußgänger, Radfahrer und andere Verkehrsteilnehmer versehen ist. Der Datensatz ist in zwei Hauptteilmengen unterteilt:

• Trainingsdatensatz: Enthält 5.985 Bilder mit annotierten Labels, die für das Modelltraining verwendet werden.
• Validierungsdatensatz: Enthält 1.496 Bilder mit entsprechenden Annotationen, die zur Leistungsbewertung und für Benchmarking genutzt werden.

Link to this sectionAnwendungen#

Der kitti-Datensatz ermöglicht Fortschritte im autonomen Fahren und in der Robotik und unterstützt Aufgaben wie:

• Wahrnehmung autonomer Fahrzeuge: Training von Modellen zur Erkennung und Verfolgung von Fahrzeugen, Fußgängern und Hindernissen für eine sichere Navigation in Systemen für selbstfahrende Autos.
• Verständnis von 3D-Szenen: Unterstützung von Tiefenschätzung, Stereovision und 3D-Objektlokalisierung, um Maschinen beim Verständnis räumlicher Umgebungen zu helfen.
• Optischer Fluss und Bewegungsvorhersage: Ermöglichung der Bewegungsanalyse zur Vorhersage von Objektbewegungen und zur Verbesserung der Trajektorienplanung in dynamischen Umgebungen.
• Computer Vision Benchmarking: Dient als Standard-Benchmark zur Bewertung der Leistung bei verschiedenen Vision-Aufgaben, einschließlich Objekterkennung und Tracking.

Link to this sectionDatensatz-YAML#

Ultralytics definiert die Konfiguration des kitti-Datensatzes mithilfe einer YAML-Datei. Diese Datei spezifiziert Datensatzpfade, Klassen-Labels und Metadaten, die für das Training erforderlich sind. Die Konfigurationsdatei ist unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml verfügbar.

# 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

Link to this sectionVerwendung#

Um ein YOLO26n-Modell für 100 Epochen mit einer Bildgröße von 640 auf dem kitti-Datensatz zu trainieren, verwende die folgenden Befehle. Weitere Details findest du auf der Seite Training.

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)

Du kannst auch Evaluierungs-, Inferenz- und Export-Aufgaben direkt über die Befehlszeile oder die Python-API mit derselben Konfigurationsdatei durchführen.

Link to this sectionBeispielbilder und Annotationen#

Der kitti-Datensatz bietet vielfältige Fahrszenarien. Jedes Bild enthält Bounding-Box-Annotationen für 2D-Objekterkennungsaufgaben. Die Beispiele zeigen die große Vielfalt des Datensatzes, was eine robuste Modell-Generalisierung über verschiedene reale Bedingungen hinweg ermöglicht.

Link to this sectionZitate und Danksagungen#

Wenn du den kitti-Datensatz in deiner Forschung verwendest, zitiere bitte das folgende Paper:

@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}
}

Wir danken der KITTI Vision Benchmark Suite für die Bereitstellung dieses umfassenden Datensatzes, der weiterhin den Fortschritt in den Bereichen Computer Vision, Robotik und autonome Systeme prägt. Besuche die kitti-Website für weitere Informationen.

Link to this sectionFAQs#

Link to this sectionWofür wird der kitti-Datensatz verwendet?#

Der kitti-Datensatz wird hauptsächlich für Computer-Vision-Forschung im Bereich autonomes Fahren verwendet und unterstützt Aufgaben wie Objekterkennung, Tiefenschätzung, optischen Fluss und 3D-Lokalisierung.

Link to this sectionWie viele Bilder sind im kitti-Datensatz enthalten?#

Der Datensatz umfasst 5.985 annotierte Trainingsbilder und 1.496 Validierungsbilder, die in städtischen, ländlichen und Autobahnszenen aufgenommen wurden. Der ursprüngliche Testdatensatz ist hier ausgeschlossen, da er keine Ground-Truth-Annotationen enthält.

Link to this sectionWelche Objektklassen sind im Datensatz annotiert?#

kitti enthält Annotationen für Objekte wie Autos, Fußgänger, Radfahrer, Lastwagen, Straßenbahnen und verschiedene andere Verkehrsteilnehmer.

Link to this sectionKann ich Ultralytics YOLO26-Modelle mit dem kitti-Datensatz trainieren?#

Ja, kitti ist vollständig kompatibel mit Ultralytics YOLO26. Du kannst Modelle direkt über die bereitgestellte YAML-Konfigurationsdatei trainieren und validieren.

Link to this sectionWo finde ich die Konfigurationsdatei für den kitti-Datensatz?#

Du kannst auf die YAML-Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml zugreifen.