KITTI-Datensatz#

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

Das Ultralytics KITTI-Dataset ist ein 2D-Objekterkennungs-Dataset für das autonome Fahren mit 7.481 annotierten Bildern (5.985 für das Training und 1.496 für die Validierung) in 8 Klassen: car, van, truck, pedestrian, person_sitting, cyclist, tram und misc. Es wurde vom Karlsruher Institut für Technologie und dem Toyota Technological Institute at Chicago veröffentlicht und stammt aus realen städtischen, ländlichen und Autobahn-Fhrszenen.

Die umfassendere KITTI Vision Benchmark Suite umfasst auch Tiefenschätzung, optischen Fluss, Stereovision und visuelle Odometrie, aber die kitti.yaml-Konfiguration hier ist für die 2D-Objekterkennung eingerichtet und vollständig kompatibel mit Ultralytics YOLO26.

Datensatzstruktur#

Das Dataset enthält 7.481 annotierte Bilder mit Objekten wie Autos, Fußgängern und Radfahrern, aufgeteilt in zwei vordefinierte Teilmengen, die durch die Konfiguration kitti.yaml definiert sind:

Objektklassen#

Die Datei kitti.yaml definiert 8 Objektklassen für Fahrzeuge, Personen und andere Verkehrsteilnehmer, die häufig in Fahrszenen vorkommen:

Anwendungen#

Das KITTI-Datenset unterstützt eine Reihe von 2D-Erkennungsanwendungen für autonomes Fahren und Robotik:

• Wahrnehmung für autonome Fahrzeuge: Trainiere Modelle zur Erkennung und Verfolgung von Autos, Fußgängern und Radfahrern, damit Systeme für autonomes Fahren sicher navigieren können.
• ADAS-Entwicklung: Entwickle Fahrerassistenzfunktionen wie Kollisionswarnung und Fußgängererkennung auf der Basis von echtem Videomaterial aus dem Straßenverkehr.
• Verkehrs- und Straßenszenenanalyse: Erkenne und zähle Fahrzeuge und Verkehrsteilnehmer, um Verkehrsfluss und Verkehrssicherheit zu untersuchen.
• Computer-Vision-Benchmarking: Verwende KITTI als Standard-Benchmark zur Evaluierung von 2D-Objekterkennungs- und Tracking-Modellen.

Um deine eigenen Fahraufnahmen zu labeln, zu trainieren und Dataset-Versionen in deinem Browser zu verwalten, führe den vollständigen Workflow mit der Ultralytics Platform aus.

Datensatz-YAML#

Ultralytics definiert die KITTI-Dataset-Konfiguration über eine YAML-Datei. Diese Datei legt die Dataset-Pfade, Klassennabel und Metadaten fest, 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

Verwendung#

Um ein YOLO26n-Modell auf dem KITTI-Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Befehle. Das Dataset (390,5 MB) wird bei der ersten Verwendung automatisch heruntergeladen. 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 Evaluierungs-, Inferenz- und Export-Aufgaben auch direkt über die Befehlszeile oder die Python API mit derselben Konfigurationsdatei ausführen.

Beispielbilder und Annotationen#

Das untenstehende Beispiel zeigt eine Fahrszene aus dem Datenset mit den zugehörigen 2D-Bounding-Box-Annotationen. KITTI-Bilder decken Stadt-, Land- und Autobahnszenen aus dem echten Straßenverkehr ab und bieten Modellen abwechslungsreiche Objektmaßstäbe, Blickwinkel und Lichtverhältnisse.

Zitate und Danksagungen#

Wenn du das KITTI-Datenset in deiner Forschung verwendest, zitiere bitte die folgende Arbeit:

@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 Datasets, das weiterhin den Fortschritt in den Bereichen Computer Vision, Robotik und autonome Systeme prägt. Besuche die KITTI-Website für weitere Informationen.

FAQ#