KITTI-Datensatz#

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

Der Ultralytics-KITTI-Datensatz ist ein 2D-Datensatz zur Objekterkennung für autonomes Fahren. Er umfasst 7.481 annotierte Bilder (5.985 für das Training und 1.496 für die Validierung) in 8 Klassen — Auto, Lieferwagen, Lkw, Fußgänger, sitzende Person, Radfahrer, Straßenbahn und Sonstiges. Die vom Karlsruher Institut für Technologie und dem Toyota Technological Institute at Chicago veröffentlichten Bilder stammen aus realen städtischen, ländlichen und Autobahn-Fahrszenen.

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

Datensatzstruktur#

Der Datensatz enthält 7.481 annotierte Bilder mit Objekten wie Autos, Fußgängern und Radfahrern, die durch die Konfiguration kitti.yaml in zwei vordefinierte Teilmengen aufgeteilt werden:

Objektklassen#

Die Datei kitti.yaml definiert 8 Objektklassen aus den Bereichen Fahrzeuge, Personen und andere Verkehrsteilnehmer, die typischerweise in Fahrszenen vorkommen:

Anwendungen#

Der KITTI-Datensatz unterstützt zahlreiche Anwendungen der 2D-Objekterkennung im autonomen Fahren und in der Robotik:

• Umgebungswahrnehmung autonomer Fahrzeuge: Trainiere Modelle zur Erkennung und Verfolgung von Autos, Fußgängern und Radfahrern, damit sich selbstfahrende Systeme sicher bewegen können.
• ADAS-Entwicklung: Entwickle Fahrerassistenzfunktionen wie Kollisionswarnungen und Fußgängererkennung auf Grundlage echter Verkehrsaufnahmen.
• Analyse von Verkehr und Straßenszenen: Erkenne und zähle Fahrzeuge und Verkehrsteilnehmer, um Verkehrsfluss und Verkehrssicherheit zu untersuchen.
• Benchmarking für Computer Vision: Verwende KITTI als Standardbenchmark zur Bewertung von 2D-Objekterkennungs- und Tracking-Modellen.

Um eigene Fahrbilder zu beschriften sowie Datensätze in deinem Browser zu trainieren und zu verwalten, führe den vollständigen Workflow mit der Ultralytics Platform aus.

Dataset-YAML#

Ultralytics definiert die Konfiguration des KITTI-Datensatzes mithilfe einer YAML-Datei. Diese Datei legt die Datensatzpfade, Klassenbezeichnungen und für das Training erforderlichen Metadaten fest. 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 100 Epochen lang mit einer Bildgröße von 640 auf dem KITTI-Datensatz zu trainieren, verwende die folgenden Befehle. Der Datensatz (390,5 MB) wird bei der ersten Verwendung automatisch heruntergeladen. Weitere Informationen 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 außerdem Evaluierungs-, Inferenz- und Export-Aufgaben direkt über die Befehlszeile oder die Python API mit derselben Konfigurationsdatei ausführen.

Beispielbilder und Annotationen#

Das folgende Beispiel zeigt eine Fahrszene aus dem Datensatz mit ihren 2D-Bounding-Box-Annotationen. Die KITTI-Bilder umfassen städtische, ländliche und Autobahnszenen aus dem realen Verkehr und bieten Modellen dadurch vielfältige Objektgrößen, Perspektiven und Lichtverhältnisse.

Zitate und Danksagungen#

Wenn du den KITTI-Datensatz in deiner Forschung verwendest, zitiere bitte die folgende Publikation:

@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 den Fortschritt in Computer Vision, Robotik und autonomen Systemen weiterhin prägt. Weitere Informationen findest du auf der KITTI-Website.

FAQ#