Jeu de données 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

Le jeu de données KITTI d’Ultralytics est un jeu de données de détection d’objets en 2D destiné à la conduite autonome. Il contient 7 481 images annotées (5 985 pour l’entraînement et 1 496 pour la validation) réparties sur 8 classes — car, van, truck, pedestrian, person_sitting, cyclist, tram et misc. Publié par le Karlsruhe Institute of Technology et le Toyota Technological Institute at Chicago, il contient des images issues de scènes de conduite réelles en milieu urbain, rural et autoroutier.

La suite de benchmarks KITTI Vision Benchmark Suite au sens large couvre également l’estimation de profondeur, le flux optique, la vision stéréo et l’odométrie visuelle, mais la configuration Ultralytics kitti.yaml utilisée ici est configurée pour la détection d’objets en 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, réparties en deux sous-ensembles prédéfinis par la configuration kitti.yaml :

Classes d’objets#

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

Applications#

Le jeu de données KITTI prend en charge diverses applications de détection 2D dans la conduite autonome et la robotique :

• Perception des véhicules autonomes : entraîne des modèles à détecter et à suivre les voitures, les piétons et les cyclistes afin que les systèmes de conduite autonome puissent se déplacer en toute sécurité.
• Développement de systèmes ADAS : crée des fonctionnalités d’aide à la conduite, telles que l’avertissement de collision et la détection des piétons, à partir de séquences de conduite réelles.
• Analyse du trafic et des scènes routières : détecte et compte les véhicules et les usagers de la route afin d’étudier la circulation et la sécurité routière.
• Benchmarking de la vision par ordinateur : utilise KITTI comme benchmark standard pour évaluer les modèles de détection d’objets et de suivi en 2D.

Pour annoter tes propres images de conduite, entraîner tes modèles et gérer les versions de tes jeux de données dans ton navigateur, exécute l’ensemble du workflow 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 indique les chemins du jeu de données, les étiquettes des classes et les métadonnées nécessaires à l’entraînement. Le fichier de configuration est disponible à l’adresse 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 MB) est téléchargé automatiquement lors de la première utilisation. Pour plus de détails, consulte 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 les 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 d’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 des conditions de circulation réelles, offrant aux modèles une grande variété d’échelles d’objets, de points de vue et de conditions d’éclairage.

Citations et remerciements#

Si tu utilises le jeu de données KITTI dans tes recherches, cite 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 faire progresser la vision par ordinateur, la robotique et les systèmes autonomes. Consulte le site web de KITTI pour plus d’informations.

FAQ#