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 conducción autónoma que contiene 7481 imágenes anotadas (5985 para entrenamiento y 1496 para validación) distribuidas en 8 clases: coche, furgoneta, camión, peatón, persona sentada, ciclista, tranvía y miscelánea. Publicado por el Instituto de Tecnología de Karlsruhe y el Instituto Tecnológico Toyota de Chicago, sus imágenes proceden de escenas reales de conducción urbana, rural y por carretera.

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 está preparada para la detección de objetos 2D y es totalmente compatible con Ultralytics YOLO26.

Estructura del conjunto de datos#

El conjunto de datos contiene 7481 imágenes anotadas de objetos como coches, peatones y ciclistas, divididas en dos subconjuntos predefinidos según 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 escenas de conducción:

Aplicaciones#

El conjunto de datos KITTI admite una amplia variedad de 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 circular de forma segura.
• Desarrollo de ADAS: Crea funciones de asistencia al conductor, como la alerta de colisión y la detección de peatones, a partir de imágenes reales de conducción.
• Análisis del tráfico y de 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 versiones de conjuntos de datos desde el navegador, ejecuta todo el flujo de trabajo con Ultralytics Platform.

YAML del conjunto de datos#

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 clase 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 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

# Carga un modelo YOLO26 preentrenado
model = YOLO("yolo26n.pt")

# Entrenar con el conjunto de datos kitti
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 con el mismo archivo de configuración.

Imágenes de muestra y anotaciones#

El ejemplo siguiente muestra una escena de conducción del conjunto de datos con sus anotaciones de cuadros delimitadores 2D. Las imágenes de KITTI abarcan escenas urbanas, rurales y de autopista capturadas en tráfico real, lo que ofrece a los modelos distintos tamaños de objetos, puntos de vista e 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}
}

Agradecemos a KITTI Vision Benchmark Suite que proporcione este completo conjunto de datos, que sigue impulsando el progreso de la visión artificial, la robótica y los sistemas autónomos. Visita el sitio web de KITTI para obtener más información.

Preguntas frecuentes#