Link to this sectionDataset KITTI#

Il dataset kitti è uno dei dataset di riferimento più influenti per la guida autonoma e la computer vision. Rilasciato dal Karlsruhe Institute of Technology e dal Toyota Technological Institute di Chicago, contiene dati di fotocamere stereo, LiDAR e GPS/IMU raccolti da scenari di guida nel mondo reale.

È ampiamente utilizzato per valutare algoritmi di object detection, stima della profondità, optical flow e odometria visiva. Il dataset è completamente compatibile con Ultralytics YOLO26 per attività di object detection 2D e può essere facilmente integrato nella piattaforma Ultralytics per l'addestramento e la valutazione.

Link to this sectionStruttura del dataset#

In totale, il dataset include 7.481 immagini, ognuna abbinata ad annotazioni dettagliate per oggetti come auto, pedoni, ciclisti e altri elementi stradali. Il dataset è suddiviso in due subset principali:

• Training set: contiene 5.985 immagini con etichette annotate utilizzate per l'addestramento del modello.
• Validation set: include 1.496 immagini con le relative annotazioni utilizzate per la valutazione delle prestazioni e il benchmarking.

Link to this sectionApplicazioni#

Il dataset kitti consente progressi nella guida autonoma e nella robotica, supportando attività come:

• Percezione dei veicoli autonomi: addestramento di modelli per rilevare e tracciare veicoli, pedoni e ostacoli per una navigazione sicura nei sistemi a guida autonoma.
• Comprensione delle scene 3D: supporto alla stima della profondità, visione stereo e localizzazione di oggetti 3D per aiutare le macchine a comprendere gli ambienti spaziali.
• Optical flow e previsione del movimento: abilitazione dell'analisi del movimento per prevedere gli spostamenti degli oggetti e migliorare la pianificazione delle traiettorie in ambienti dinamici.
• Benchmarking di computer vision: utilizzo come benchmark standard per valutare le prestazioni su molteplici attività di visione, inclusi object detection e tracking.

Link to this sectionDataset YAML#

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

Link to this sectionUtilizzo#

Per addestrare un modello YOLO26n sul dataset kitti per 100 epoch con una dimensione dell'immagine di 640, usa i seguenti comandi. 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 export direttamente dalla riga di comando o dall'API Python utilizzando lo stesso file di configurazione.

Link to this sectionEsempi di immagini e annotazioni#

Il dataset kitti fornisce diversi scenari di guida. Ogni immagine include annotazioni di bounding box per attività di object detection 2D. Gli esempi mostrano la ricca varietà del dataset, consentendo una robusta generalizzazione del modello in diverse condizioni del mondo reale.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset kitti nella tua ricerca, ti preghiamo di citare 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}
}

Riconosciamo la KITTI Vision Benchmark Suite per aver fornito questo dataset completo che continua a plasmare il progresso nella computer vision, nella robotica e nei sistemi autonomi. Visita il sito web di kitti per maggiori informazioni.

Link to this sectionDomande frequenti (FAQ)#

Link to this sectionA cosa serve il dataset kitti?#

Il dataset kitti è utilizzato principalmente per la ricerca sulla computer vision nella guida autonoma, supportando attività come object detection, stima della profondità, optical flow e localizzazione 3D.

Link to this sectionQuante immagini sono incluse nel dataset kitti?#

Il dataset include 5.985 immagini di addestramento etichettate e 1.496 immagini di validazione catturate in scene urbane, rurali e autostradali. Il test set originale è escluso qui poiché non contiene annotazioni ground-truth.

Link to this sectionQuali classi di oggetti sono annotate nel dataset?#

kitti include annotazioni per oggetti come auto, pedoni, ciclisti, camion, tram e altri utenti della strada vari.

Link to this sectionPosso addestrare modelli Ultralytics YOLO26 utilizzando il dataset kitti?#

Sì, kitti è completamente compatibile con Ultralytics YOLO26. Puoi addestrare e validare i modelli direttamente utilizzando il file di configurazione YAML fornito.

Link to this sectionDove posso trovare il file di configurazione del dataset kitti?#

Puoi accedere al file YAML all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml.