Link to this sectionDataset KITTI#

Il dataset Ultralytics KITTI è un dataset di object detection 2D per la guida autonoma, contenente 7.481 immagini annotate (5.985 per l'addestramento e 1.496 per la validazione) suddivise in 8 classi: car, van, truck, pedestrian, person_sitting, cyclist, tram e misc. Rilasciato dal Karlsruhe Institute of Technology e dal Toyota Technological Institute di Chicago, le sue immagini provengono da scenari di guida reali in contesti urbani, rurali e autostradali.

Il più ampio KITTI Vision Benchmark Suite include anche stima della profondità, flusso ottico, visione stereo e odometria visiva, ma la configurazione Ultralytics kitti.yaml qui presente è impostata per l'object detection 2D ed è pienamente compatibile con Ultralytics YOLO26.

Link to this sectionStruttura del dataset#

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

Link to this sectionClassi di oggetti#

Il file kitti.yaml definisce 8 classi di oggetti che comprendono veicoli, persone e altri utenti della strada comunemente visibili in scenari di guida:

Link to this sectionApplicazioni#

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 affinché i sistemi di guida autonoma possano navigare in sicurezza.
• Sviluppo ADAS: crea funzionalità di assistenza alla guida come avvisi di collisione e rilevamento dei pedoni su filmati di guida reali.
• Analisi del traffico e degli scenari stradali: rileva e conta veicoli e utenti della strada per studiare il flusso del traffico e la sicurezza stradale.
• Benchmarking di computer vision: utilizza KITTI come benchmark standard per valutare modelli di object detection e tracking 2D.

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

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 epochs con una dimensione dell'immagine di 640, usa i seguenti comandi. Il dataset (390,5 MB) viene scaricato automaticamente al primo utilizzo. Per maggiori dettagli, consulta la pagina Training.

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#

L'esempio seguente mostra uno scenario di guida dal dataset con le relative annotazioni di bounding-box 2D. Le immagini KITTI coprono scenari urbani, rurali e autostradali ripresi nel traffico reale, offrendo ai modelli scale, punti di vista e illuminazioni variegate degli oggetti.

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 al KITTI Vision Benchmark Suite il merito di 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 ulteriori informazioni.

Link to this sectionFAQ#

Link to this sectionPer cosa viene utilizzato il dataset KITTI?#

Il dataset Ultralytics KITTI viene utilizzato per addestrare e valutare modelli di object detection 2D per la guida autonoma. Fornisce 7.481 immagini annotate su 8 classi, tra cui auto, pedoni e ciclisti, ed è ampiamente utilizzato per il benchmarking dei modelli di percezione.

Link to this sectionQuante immagini e classi ci sono nel dataset KITTI?#

La configurazione Ultralytics KITTI contiene 7.481 immagini — 5.985 per l'addestramento e 1.496 per la validazione — senza uno split di test separato. Ogni immagine è annotata su 8 classi: car, van, truck, pedestrian, person_sitting, cyclist, tram e misc.

Link to this sectionIl dataset KITTI include uno split di test?#

No. La configurazione Ultralytics KITTI fornisce solo split per il train (5.985 immagini) e la validazione (1.496 immagini). Il set di test originale KITTI è escluso perché privo di annotazioni di ground-truth pubbliche.

Link to this sectionCome scarico il dataset KITTI?#

Il dataset (390,5 MB) viene scaricato automaticamente la prima volta che addestri con data="kitti.yaml" — non è richiesto alcun passaggio manuale. Ultralytics recupera le immagini e le etichette e le decomprime nella tua directory locale dei dataset. Puoi sfogliare i dataset correlati nella panoramica dei dataset di rilevamento.

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

Sì, KITTI è pienamente 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 kitti.yaml all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml. Definisce i percorsi del dataset e gli 8 nomi delle classi utilizzati per l'addestramento.