KITTI-Dataset#

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

Das Ultralytics KITTI-Dataset ist ein 2D-Dataset zur Objekterkennung für autonomes Fahren. Es umfasst 7.481 annotierte Bilder (5.985 Trainings- und 1.496 Validierungsbilder) in 8 Klassen: Auto, Lieferwagen, Lastwagen, Fußgänger, sitzende Person, Radfahrer, Straßenbahn und Sonstiges. Die Bilder stammen aus realen Fahrten in Städten, auf dem Land und auf Autobahnen. Veröffentlicht wurde das Dataset vom Karlsruher Institut für Technologie und dem Toyota Technological Institute at Chicago.

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

Datensatzstruktur#

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

Objektklassen#

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

Anwendungsfälle#

Der KITTI-Datensatz unterstützt eine Reihe von 2D-Erkennungsanwendungen im autonomen Fahren und in der Robotik:

• Wahrnehmung autonomer Fahrzeuge: Trainiere Modelle, die Autos, Fußgänger und Radfahrer erkennen und verfolgen, damit selbstfahrende Systeme sicher navigieren können.
• Entwicklung von Fahrerassistenzsystemen: Entwickle Funktionen zur Unterstützung von Fahrern, etwa Kollisionswarnungen und Fußgängererkennung, anhand realer Fahraufnahmen.
• Verkehrs- und Straßenraumanalyse: Erkenne und zähle Fahrzeuge und andere Verkehrsteilnehmer, um Verkehrsfluss und Straßensicherheit zu untersuchen.
• Benchmarking für Computer Vision: Nutze KITTI als standardisierten Benchmark zur Bewertung von Objekterkennungs- und Tracking-Modellen.

Um eigene Fahrbilder zu labeln, Modelle zu trainieren und Dataset-Versionen im Browser zu verwalten, führe den gesamten Workflow mit der Ultralytics Platform aus.

YAML-Datei des Datensatzes#

Ultralytics definiert die Konfiguration des KITTI-Datensatzes in einer YAML-Datei. Diese Datei gibt die Dataset-Pfade, Klassenbezeichnungen und die für das Training erforderlichen Metadaten an. 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#

Verwende die folgenden Befehle, um ein YOLO26n-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem KITTI-Datensatz zu trainieren. Der Datensatz (390.5 MB) wird bei der ersten Verwendung automatisch heruntergeladen. Weitere Informationen findest du auf der Seite Training.

from ultralytics import YOLO

# Ein vortrainiertes YOLO26-Modell laden
model = YOLO("yolo26n.pt")

# Auf dem KITTI-Datensatz trainieren
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

Mit derselben Konfigurationsdatei kannst du Bewertungs-, Inferenz- und Export-Aufgaben auch direkt über die Befehlszeile oder die Python-API ausführen.

Beispielbilder und Annotationen#

Das Beispiel unten zeigt eine Fahrszene aus dem Datensatz mit den zugehörigen 2D-Begrenzungsrahmen-Annotationen. Die KITTI-Bilder zeigen Stadt-, Land- 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 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 Datensatzes, der die Fortschritte in den Bereichen Computer Vision, Robotik und autonome Systeme weiterhin prägt. Weitere Informationen findest du auf der KITTI-Website.

Häufig gestellte Fragen#