Inizia

Dataset KITTI

KITTI preview 1
KITTI preview 2
KITTI preview 3
KITTI preview 4
7,481
KITTI
ultralytics
PublicDetect

Car-mounted camera views of road scenes around Karlsruhe, Germany, from the KITTI autonomous-driving benchmark (KIT and TTI Chicago). Recorded with a sensor-equipped station wagon in city, rural, and highway traffic, with vehicles, pedestrians, and cyclists labeled under frequent occlusion and truncation. Ultralytics splits the labeled KITTI training images into train and val, omits the unlabeled test set, and drops DontCare regions. Source: Geiger, Lenz, Urtasun, "Are We Ready for Autonomous Driving? The KITTI Vision Benchmark Suite," CVPR 2012; cvlibs.net/datasets/kitti.

8 classes721.4 MBOct 23, 2026
carvantruckpedestrian+4
object-detectionautonomous-drivingvehicles+2

Open KITTI Dataset In Colab

Il dataset KITTI di Ultralytics è un dataset 2D di rilevamento di oggetti per la guida autonoma, composto da 7.481 immagini annotate (5.985 per l'addestramento e 1.496 per la convalida) distribuite in 8 classi: auto, furgone, camion, pedone, persona seduta, ciclista, tram e vari. Pubblicato dal Karlsruhe Institute of Technology e dal Toyota Technological Institute at Chicago, include immagini tratte da scenari di guida reali in aree urbane, rurali e autostradali.



Guarda: Come addestrare Ultralytics YOLO sul dataset KITTI | Rilevamento di oggetti, inferenza ed esportazione ONNX 🚀

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

Struttura del dataset#

Attenzione

Il set di test originale di KITTI è escluso perché non dispone di annotazioni pubbliche di ground truth.

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

SubsetImmaginiDescrizione
Addestra5,985Immagini etichettate per l'addestramento del modello
Validazione1,496Immagini messe da parte per la valutazione e il confronto delle prestazioni

Classi di oggetti#

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

Classi KITTI
  1. auto
  2. furgone
  3. camion
  4. pedone
  5. persona seduta
  6. ciclista
  7. tram
  8. varie

Applicazioni#

Il dataset KITTI supporta diverse 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 spostarsi in sicurezza.
  • Sviluppo di sistemi ADAS: sviluppa funzionalità di assistenza alla guida, come l'avviso di collisione e il rilevamento dei pedoni, usando filmati reali di guida.
  • 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.
  • Benchmark di visione artificiale: usa KITTI come benchmark standard per valutare modelli di rilevamento 2D di oggetti e tracciamento.

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

YAML del dataset#

Ultralytics definisce la configurazione del dataset KITTI tramite 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 in https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml.

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.

Esempio di addestramento
from ultralytics import YOLO

# Carica un modello YOLO26 preaddestrato
model = YOLO("yolo26n.pt")

# Addestramento sul dataset kitti
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 tramite l'API Python usando lo stesso file di configurazione.

Immagini di esempio e annotazioni#

L'esempio qui sotto mostra una scena di guida del dataset con le relative annotazioni dei riquadri di delimitazione 2D. Le immagini KITTI includono scene urbane, rurali e autostradali riprese nel traffico reale, offrendo ai modelli oggetti di dimensioni, punti di vista e condizioni di illuminazione diversi.

KITTI dataset vehicle detection sample

Citazioni e ringraziamenti#

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

Citazione
@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 KITTI Vision Benchmark Suite per aver fornito questo dataset completo, che continua a contribuire ai progressi nella computer vision, nella robotica e nei sistemi autonomi. Visita il sito web di KITTI per maggiori informazioni.

Domande frequenti#

  • Il dataset KITTI di Ultralytics serve per addestrare e valutare modelli di rilevamento di oggetti 2D per la guida autonoma. Contiene 7.481 immagini annotate suddivise in 8 classi, tra cui auto, pedoni e ciclisti, ed è ampiamente usato per il benchmarking dei modelli di percezione.

  • La configurazione KITTI di Ultralytics contiene 7.481 immagini — 5.985 per l'addestramento e 1.496 per la validazione — senza una suddivisione separata per il test. Ogni immagine è annotata con 8 classi: auto, van, truck, pedestrian, person_sitting, cyclist, tram e misc.

  • No. La configurazione KITTI di Ultralytics include solo le suddivisioni per l'addestramento (5.985 immagini) e la validazione (1.496 immagini). Il set di test originale di KITTI è escluso perché non dispone di annotazioni pubbliche di ground truth.

  • Il dataset (390.5 MB) viene scaricato automaticamente la prima volta che esegui l'addestramento con data="kitti.yaml" — non è necessario alcun passaggio manuale. Ultralytics recupera le immagini e le etichette e le decomprime nella directory locale dei dataset. Puoi consultare i dataset correlati nella panoramica dei dataset di rilevamento.

  • Sì. KITTI è compatibile con Ultralytics YOLO senza configurazioni aggiuntive. Puoi addestrare e convalidare i modelli direttamente usando il file di configurazione YAML fornito.

  • Puoi accedere al file kitti.yaml in https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml. Il file definisce i percorsi del dataset e gli 8 nomi delle classi usati per l'addestramento.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.