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 2D pour la conduite autonome, qui contient 7,481 images annotées (5,985 pour l’entraînement et 1,496 pour la validation) réparties en 8 classes : voiture, camionnette, camion, piéton, personne assise, cycliste, tramway et divers. Publiées par le Karlsruhe Institute of Technology et le Toyota Technological Institute at Chicago, ses images proviennent de scènes réelles de conduite en milieu urbain, rural et sur autoroute.

La suite plus vaste KITTI Vision Benchmark Suite couvre également l’estimation de la profondeur, le flux optique, la vision stéréo et l’odométrie visuelle. Cependant, la configuration Ultralytics kitti.yaml présentée 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 représentant notamment des voitures, des piétons et des cyclistes. Il est réparti en deux sous-ensembles prédéfinis, définis par la configuration kitti.yaml :

Classes d’objets#

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

Applications#

Le jeu de données KITTI prend en charge toute une gamme d’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 avancés d’aide à la conduite (ADAS) : crée des fonctionnalités d’aide à la conduite, comme l’alerte anticollision et la détection des piétons, à partir de séquences de conduite réelles.
• Analyse de la circulation et des scènes routières : détecte et compte les véhicules et les usagers de la route pour étudier la fluidité de la circulation et la sécurité routière.
• Évaluation comparative en vision par ordinateur : utilise KITTI comme référence standard pour évaluer les modèles de détection d’objets 2D et de suivi.

Pour annoter tes propres images de conduite, entraîner des modèles et gérer les versions de tes jeux de données dans ton navigateur, exécute l’ensemble du flux de travail avec Ultralytics Platform.

Fichier YAML du jeu de données#

Ultralytics définit la configuration du jeu de données KITTI dans un fichier YAML. Ce fichier précise les chemins d’accès au jeu de données, les étiquettes de classe 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 Mo) est téléchargé automatiquement lors de sa première utilisation. Pour en savoir plus, consulte la page Entraînement.

from ultralytics import YOLO

# Charger un modèle YOLO26 préentraîné
model = YOLO("yolo26n.pt")

# Entraîner sur le jeu de données kitti
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 des conditions réelles de circulation. Elles offrent aux modèles des échelles d’objets, des points de vue et des conditions d’éclairage variés.

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 en savoir plus.

FAQ#