Jeu de données KITTI#

Le jeu de données Ultralytics KITTI est un jeu de données de détection d'objets 2D pour la conduite autonome, contenant 7 481 images annotées (5 985 pour l'entraînement et 1 496 pour la validation) réparties en 8 classes : car, van, truck, pedestrian, person_sitting, cyclist, tram et misc. Publié par le Karlsruhe Institute of Technology et le Toyota Technological Institute à Chicago, ses images proviennent de scènes de conduite urbaines, rurales et autoroutières réelles.

La suite de benchmarks plus large KITTI Vision Benchmark Suite couvre également l'estimation de profondeur, le flux optique, la vision stéréoscopique et l'odométrie visuelle, mais la configuration Ultralytics kitti.yaml ici est conçue pour la détection d'objets 2D et est entièrement compatible avec Ultralytics YOLO26.

Structure du jeu de données#

Le jeu de données contient 7 481 images annotées couvrant des objets tels que des voitures, des piétons et des cyclistes, divisées en deux sous-ensembles prédéfinis définis par la configuration kitti.yaml :

Classes d'objets#

Le fichier kitti.yaml définit 8 classes d'objets englobant des véhicules, des personnes et d'autres usagers de la route couramment observés dans les scènes de conduite :

Applications#

Le jeu de données KITTI prend en charge une gamme d'applications de détection 2D dans la conduite autonome et la robotique :

• Perception des véhicules autonomes : Entraîne des modèles à détecter et suivre des voitures, des piétons et des cyclistes afin que les systèmes de conduite autonome puissent naviguer en toute sécurité.
• Développement ADAS : Construis des fonctionnalités d'aide à la conduite telles que l'avertissement de collision et la détection de piétons sur des images de conduite réelles.
• Analyse du trafic et des scènes routières : Détecte et compte les véhicules et les usagers de la route pour étudier le flux de circulation et la sécurité routière.
• Évaluation comparative en vision par ordinateur : Utilise KITTI comme benchmark standard pour évaluer les modèles de détection d'objets et de suivi 2D.

Pour étiqueter tes propres images de conduite, entraîner et gérer les versions de tes jeux de données dans ton navigateur, exécute le flux de travail complet avec Ultralytics Platform.

YAML du jeu de données#

Ultralytics définit la configuration du jeu de données KITTI à l'aide d'un fichier YAML. Ce fichier spécifie les chemins des jeux de données, les étiquettes de classes et les métadonnées requises pour l'entraînement. Le fichier de configuration est disponible sur 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

Utilisation#

Pour entraîner un modèle YOLO26n sur le jeu de données KITTI pendant 100 époques avec une taille d'image de 640, utilise les commandes suivantes. Le jeu de données (390,5 Mo) se télécharge automatiquement lors de la première utilisation. Pour plus de détails, réfère-toi à la page Entraînement.

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)

Tu peux également effectuer des tâches d'évaluation, d'inférence et d'exportation directement depuis la ligne de commande ou l'API Python en utilisant le même fichier de configuration.

Exemples d'images et annotations#

L'exemple ci-dessous montre une scène de conduite du jeu de données avec ses annotations de boîtes englobantes 2D. Les images KITTI couvrent des scènes urbaines, rurales et autoroutières capturées dans un trafic réel, offrant aux modèles des échelles d'objets, des points de vue et des éclairages variés.

Citations et remerciements#

Si tu utilises le jeu de données KITTI dans tes recherches, merci de citer l'article suivant :

@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}
}

Nous remercions la KITTI Vision Benchmark Suite d'avoir fourni ce jeu de données complet qui continue de façonner les progrès en matière de vision par ordinateur, de robotique et de systèmes autonomes. Visite le site web de KITTI pour plus d'informations.

FAQ#