Dataset 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

Il dataset KITTI di Ultralytics è un dataset 2D di rilevamento degli oggetti per la guida autonoma, contenente 7.481 immagini annotate (5.985 per l'addestramento e 1.496 per la convalida) distribuite su 8 classi: auto, furgone, camion, pedone, persona_seduta, ciclista, tram e altro. Rilasciato dal Karlsruhe Institute of Technology e dal Toyota Technological Institute at Chicago, contiene immagini provenienti da scene di guida urbane, rurali e autostradali del mondo reale.

La più ampia KITTI Vision Benchmark Suite comprende anche la stima della profondità, il flusso ottico, la visione stereo e l'odometria visiva, ma la configurazione kitti.yaml di Ultralytics qui è predisposta per il rilevamento 2D degli oggetti ed è pienamente compatibile con Ultralytics YOLO26.

Struttura del dataset#

Il dataset contiene 7.481 immagini annotate che includono oggetti come auto, pedoni e ciclisti, suddivise in due sottoinsiemi predefiniti definiti dalla configurazione kitti.yaml:

Classi di oggetti#

Il file kitti.yaml definisce 8 classi di oggetti che comprendono veicoli, persone e altri utenti della strada comunemente presenti nelle scene di guida:

Applicazioni#

Il dataset KITTI supporta una serie di applicazioni di rilevamento 2D nella guida autonoma e nella robotica:

• Percezione dei veicoli autonomi: addestra modelli per rilevare e tracciare auto, pedoni e ciclisti, così che i sistemi di guida autonoma possano navigare in sicurezza.
• Sviluppo di ADAS: crea funzionalità di assistenza alla guida, come l'avviso di collisione e il rilevamento dei pedoni, utilizzando filmati di guida reali.
• Analisi del traffico e delle scene stradali: rileva e conta veicoli e utenti della strada per studiare il flusso del traffico e la sicurezza stradale.
• Benchmarking della visione artificiale: usa KITTI come benchmark standard per valutare i modelli di rilevamento degli oggetti 2D e di tracciamento.

Per etichettare le tue immagini di guida, addestrare i modelli e gestire le versioni dei dataset nel browser, esegui il flusso di lavoro completo con Ultralytics Platform.

YAML del dataset#

Ultralytics definisce la configurazione del dataset KITTI utilizzando un file YAML. Questo file specifica i percorsi del dataset, le etichette delle classi e i metadati necessari per l'addestramento. Il file di configurazione è disponibile all'indirizzo 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

Utilizzo#

Per addestrare un modello YOLO26n sul dataset KITTI per 100 epoche con una dimensione delle immagini di 640, usa i comandi seguenti. Il dataset (390,5 MB) viene scaricato automaticamente al primo utilizzo. Per ulteriori dettagli, consulta la pagina Addestramento.

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)

Puoi anche eseguire attività di valutazione, inferenza ed esportazione direttamente dalla riga di comando o dall'API Python utilizzando lo stesso file di configurazione.

Immagini ed esempi di annotazioni#

L'esempio seguente mostra una scena di guida del dataset con le relative annotazioni dei riquadri di delimitazione 2D. Le immagini KITTI comprendono scene urbane, rurali e autostradali acquisite nel traffico reale, offrendo ai modelli scale degli oggetti, punti di vista e condizioni di illuminazione diversificati.

Citazioni e ringraziamenti#

Se utilizzi il dataset KITTI nella tua ricerca, cita il seguente articolo:

@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}
}

Ringraziamo la KITTI Vision Benchmark Suite per aver fornito questo dataset completo, che continua a promuovere i progressi nella visione artificiale, nella robotica e nei sistemi autonomi. Visita il sito web di KITTI per ulteriori informazioni.

FAQ#