Link to this sectionConjunto de datos KITTI#
El conjunto de datos KITTI de Ultralytics es un conjunto de datos de detección de objetos en 2D para conducción autónoma, que contiene 7.481 imágenes anotadas (5.985 para entrenamiento y 1.496 para validación) divididas 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 Illinois en Chicago, sus imágenes provienen de escenas de conducción reales en entornos urbanos, rurales y autopistas.
Watch: How to Train Ultralytics YOLO on the KITTI Dataset | Object Detection, Inference & ONNX Export 🚀
La suite de pruebas de visión KITTI, más amplia, también abarca la estimación de profundidad, el flujo óptico, la visión estéreo y la odometría visual, pero la configuración kitti.yaml de Ultralytics aquí presente está preparada para la detección de objetos en 2D y es totalmente compatible con Ultralytics YOLO26.
Link to this sectionEstructura del dataset#
El conjunto de prueba original de KITTI se excluye aquí porque no tiene anotaciones de verdad fundamental (ground-truth) públicas.
El conjunto de datos contiene 7.481 imágenes anotadas que incluyen objetos como coches, peatones y ciclistas, divididas en dos subconjuntos predefinidos por la configuración kitti.yaml:
| Split | Imágenes | Descripción |
|---|---|---|
| Entrenar | 5.985 | Imágenes etiquetadas para el entrenamiento del modelo |
| Validación | 1.496 | Imágenes de reserva para evaluación y benchmarking |
Link to this sectionClases de objetos#
El archivo kitti.yaml define 8 clases de objetos que abarcan vehículos, personas y otros usuarios de la vía pública vistos habitualmente en escenas de conducción:
- car
- van
- truck
- pedestrian
- person_sitting
- cyclist
- tram
- misc
Link to this sectionAplicaciones#
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.
- Benchmarking de visión artificial: Utiliza KITTI como referencia estándar para evaluar modelos de detección de objetos y seguimiento en 2D.
Para etiquetar tus propias imágenes de conducción, entrenar y gestionar versiones del conjunto de datos en tu navegador, ejecuta el flujo de trabajo completo con la Plataforma Ultralytics.
Link to this sectionYAML 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.zipLink to this sectionUso#
Para entrenar un modelo YOLO26n con el conjunto de datos KITTI durante 100 epochs con un tamaño de imagen de 640, utiliza los siguientes comandos. El conjunto de datos (390,5 MB) se descarga automáticamente la primera vez que se utiliza. 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.
Link to this sectionMuestras 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.
Link to this sectionCitas 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 a la suite de pruebas de visión KITTI por proporcionar este conjunto de datos exhaustivo que sigue dando forma al progreso en visión artificial, robótica y sistemas autónomos. Visita el sitio web de KITTI para más información.
Link to this sectionFAQ#
Link to this section¿Para qué se utiliza el conjunto de datos KITTI?#
El conjunto de datos KITTI de Ultralytics se utiliza para entrenar y evaluar modelos de detección de objetos en 2D para la conducción autónoma. Proporciona 7.481 imágenes anotadas en 8 clases, incluyendo coches, peatones y ciclistas, y es ampliamente utilizado para realizar pruebas comparativas de modelos de percepción.
Link to this section¿Cuántas imágenes y clases hay en el conjunto de datos KITTI?#
La configuración KITTI de Ultralytics contiene 7.481 imágenes (5.985 para entrenamiento y 1.496 para validación) sin una división de prueba independiente. Cada imagen está anotada en 8 clases: car, van, truck, pedestrian, person_sitting, cyclist, tram y misc.
Link to this section¿Incluye el conjunto de datos KITTI una división de prueba?#
No. La configuración KITTI de Ultralytics solo proporciona divisiones de entrenamiento (5.985 imágenes) y validación (1.496 imágenes). El conjunto de prueba original de KITTI se excluye porque no tiene anotaciones de verdad fundamental (ground-truth) públicas.
Link to this section¿Cómo descargo el conjunto de datos KITTI?#
El conjunto de datos (390,5 MB) se descarga automáticamente la primera vez que entrenas con data="kitti.yaml": no se requiere ningún paso manual. Ultralytics obtiene las imágenes y etiquetas y las descomprime en tu directorio local de conjuntos de datos. Puedes explorar conjuntos de datos relacionados en la visión general de conjuntos de datos de detección.
Link to this section¿Puedo entrenar modelos Ultralytics YOLO26 usando el conjunto de datos KITTI?#
Sí, KITTI es totalmente compatible con Ultralytics YOLO26. Puedes entrenar y validar modelos directamente utilizando el archivo de configuración YAML proporcionado.
Link to this section¿Dónde puedo encontrar el archivo de configuración del conjunto de datos KITTI?#
Puedes acceder al archivo kitti.yaml en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml. Este define las rutas del conjunto de datos y los 8 nombres de clases utilizados para el entrenamiento.