Conjunto de datos KITTI#

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

El conjunto de datos KITTI de Ultralytics es un conjunto de datos de detección de objetos 2D para la conducción autónoma, que contiene 7.481 imágenes anotadas (5.985 para entrenamiento y 1.496 para validación) distribuidas en 8 clases: car, van, truck, pedestrian, person_sitting, cyclist, tram y misc. Publicado por el Instituto Tecnológico de Karlsruhe y el Instituto Tecnológico Toyota de Chicago, sus imágenes proceden de escenas reales de conducción urbana, rural y por autopista.

La suite más amplia KITTI Vision Benchmark también abarca la estimación de profundidad, el flujo óptico, la visión estereoscópica y la odometría visual, pero la configuración kitti.yaml de Ultralytics que se incluye aquí está preparada para la detección de objetos 2D y es totalmente compatible con Ultralytics YOLO26.

Estructura del dataset#

El conjunto de datos contiene 7.481 imágenes anotadas con objetos como coches, peatones y ciclistas, divididas en dos subconjuntos predefinidos definidos por la configuración kitti.yaml:

Clases de objetos#

El archivo kitti.yaml define 8 clases de objetos que abarcan vehículos, personas y otros usuarios de la vía habituales en las escenas de conducción:

Aplicaciones#

El conjunto de datos KITTI admite diversas aplicaciones de detección 2D en conducción autónoma y robótica:

• Percepción de vehículos autónomos: Entrena modelos para detectar y seguir coches, peatones y ciclistas, de modo que los sistemas de conducción autónoma puedan desplazarse con seguridad.
• Desarrollo de ADAS: Crea funciones de asistencia al conductor, como la advertencia de colisión y la detección de peatones, a partir de grabaciones reales de conducción.
• Análisis del tráfico y de las escenas viales: Detecta y cuenta vehículos y usuarios de la vía para estudiar el flujo del tráfico y la seguridad vial.
• Evaluación comparativa de visión artificial: Usa KITTI como referencia estándar para evaluar modelos de detección de objetos 2D y de seguimiento.

Para etiquetar tus propias imágenes de conducción, entrenar y gestionar las versiones de tus conjuntos de datos desde el navegador, ejecuta el flujo de trabajo completo con Ultralytics Platform.

YAML del dataset#

Ultralytics define la configuración del conjunto de datos KITTI mediante un archivo YAML. Este archivo especifica las rutas del conjunto de datos, las etiquetas de las clases y los metadatos necesarios para el entrenamiento. El archivo de configuración está disponible en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml.

# 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

Uso#

Para entrenar un modelo YOLO26n con el conjunto de datos KITTI durante 100 épocas y con un tamaño de imagen de 640, usa los siguientes comandos. El conjunto de datos (390,5 MB) se descarga automáticamente la primera vez que se utiliza. Para obtener más información, consulta la página de Entrenamiento.

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)

También puedes realizar tareas de evaluación, inferencia y exportación directamente desde la línea de comandos o mediante la API de Python utilizando el mismo archivo de configuración.

Imágenes de ejemplo y anotaciones#

El ejemplo siguiente muestra una escena de conducción del conjunto de datos con sus anotaciones de cajas delimitadoras 2D. Las imágenes de KITTI abarcan escenas urbanas, rurales y de autopista capturadas en tráfico real, lo que proporciona a los modelos distintas escalas de objetos, puntos de vista y condiciones de iluminación.

Citas y agradecimientos#

Si utilizas el conjunto de datos KITTI en tu investigación, cita el siguiente artículo:

@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}
}

Reconocemos a KITTI Vision Benchmark Suite por proporcionar este completo conjunto de datos, que continúa impulsando el progreso en visión artificial, robótica y sistemas autónomos. Visita el sitio web de KITTI para obtener más información.

Preguntas frecuentes#