Conjunto de datos KITTI#

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

El conjunto de datos Ultralytics KITTI es un conjunto de datos de detección de objetos en 2D para conducción autónoma, que contiene 7481 imágenes anotadas (5985 para entrenamiento y 1496 para validación) en 8 clases: car, van, truck, pedestrian, person_sitting, cyclist, tram y misc. Publicado por el Instituto Tecnológico de Karlsruhe y el Instituto Tecnológico de Toyota en Chicago, sus imágenes provienen de escenas de conducción urbanas, rurales y en autopista del mundo real.

El amplio KITTI Vision Benchmark Suite también abarca la estimación de profundidad, el flujo óptico, la visión estéreo y la odometría visual, pero la configuración kitti.yaml de Ultralytics aquí está preparada para la detección de objetos en 2D y es totalmente compatible con Ultralytics YOLO26.

Estructura del dataset#

El conjunto de datos contiene 7481 imágenes anotadas que cubren objetos como automóviles, 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 que se ven comúnmente en escenas de conducción:

Aplicaciones#

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

• Percepción de vehículos autónomos: Entrena modelos para detectar y rastrear coches, peatones y ciclistas para que los sistemas de conducción autónoma puedan navegar con seguridad.
• Desarrollo de ADAS: Crea funciones de asistencia al conductor, como la advertencia de colisión y la detección de peatones, utilizando grabaciones de conducción reales.
• Análisis de tráfico y 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: Utiliza KITTI como estándar de referencia para evaluar modelos de detección de objetos y seguimiento en 2D.

Para etiquetar tus propias imágenes de conducción, entrenar y gestionar versiones de conjuntos de datos en tu 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 en el conjunto de datos KITTI durante 100 épocas con un tamaño de imagen de 640, utiliza los siguientes comandos. El conjunto de datos (390.5 MB) se descarga automáticamente en el primer uso. Para más detalles, 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 la API de Python utilizando el mismo archivo de configuración.

Muestras de imágenes y anotaciones#

El ejemplo siguiente muestra una escena de conducción del conjunto de datos con sus anotaciones de cajas delimitadoras (bbox) en 2D. Las imágenes de KITTI abarcan escenas urbanas, rurales y de autopista capturadas en tráfico real, ofreciendo a los modelos escalas de objetos, puntos de vista e iluminación variados.

Citas y agradecimientos#

Si utilizas el conjunto de datos KITTI en tu investigación, por favor 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}
}

Agradecemos al 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.

FAQ#