KITTI Dataset#

7,481

KITTI

ultralytics

publicDetect

Official Ultralytics KITTI object detection dataset from Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago, with 7,481 autonomous-driving images and 40,570 bounding boxes across 8 classes. Includes 5,985 train and 1,496 validation images.

8 classes721.4 MBAug 21, 2026

carvantruckpedestrian+4

object-detectionautonomous-drivingvehicles+2

Ultralytics KITTI データセットは、自動運転向けの 2D object detection データセットであり、自動車、バン、トラック、歩行者、歩行者（座っている）、自転車乗り、路面電車、その他の 8 つのクラスにわたる、注釈付き画像 7,481 枚（トレーニング用 5,985 枚、検証用 1,496 枚）を含んでいます。カールスルーエ工科大学およびシカゴのトヨタ技術大学によって公開されたこの画像の画像は、実世界の都市、農村、および高速道路の運転シーンから取得されています。

より広範な KITTI Vision Benchmark Suite は、深度推定、オプティカルフロー、ステレオビジョン、および視覚オドメトリにもおよびますが、ここでの Ultralytics kitti.yaml 設定は 2D 物体検出用にセットアップされており、Ultralytics YOLO26 と完全に互換性があります。

データセットの構造#

このデータセットには、車、歩行者、自転車乗りなどのオブジェクトを含む、注釈付き画像 7,481 枚が含まれており、kitti.yaml 設定によって定義された 2 つの事前定義されたサブセットに分割されます。

オブジェクトクラス#

kitti.yaml ファイルは、運転シーンでよく見られる車両、人、その他の道路利用者におよぶ 8 つのオブジェクトクラスを定義します。

アプリケーション#

KITTIデータセットは、自動運転やロボット工学における幅広い2D検出アプリケーションをサポートしています。

• 自動運転車の認識: 自動運転システムが安全に走行できるよう、車、歩行者、自転車を検出および追跡するモデルをトレーニングします。
• ADAS開発: 実際の運転映像を使用して、衝突警告や歩行者検出などの運転支援機能を構築します。
• 交通および道路シーンの分析: 車両や道路利用者を検出およびカウントし、交通流や交通安全を調査します。
• コンピュータビジョンのベンチマーク: KITTI を、2D object detection および tracking モデルを評価するための標準ベンチマークとして使用します。

独自の運転画像にラベル付けし、ブラウザでデータセットのバージョンをトレーニングおよび管理するには、Ultralytics Platform で完全なワークフローを実行します。

データセット YAML#

Ultralytics は、YAML ファイルを使用して KITTI データセット設定を定義します。このファイルは、トレーニングに必要なデータセットのパス、クラスラベル、およびメタデータを指定します。設定ファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml で入手できます。

# 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

使用方法#

KITTI データセットで YOLO26n モデルを画像サイズ 640 で 100 epochs トレーニングするには、次のコマンドを使用します。データセット（390.5 MB）は、初回使用時に自動的にダウンロードされます。詳細については、Training ページを参照してください。

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)

同じ設定ファイルを使用して、コマンドラインまたは Python API から直接、評価、inference、および export タスクを実行することもできます。

サンプル画像とアノテーション#

以下のサンプルは、2Dバウンディングボックスのアノテーションが施されたデータセット内の運転シーンを示しています。KITTI画像は、実際の交通状況で撮影された都市、郊外、高速道路のシーンにまたがっており、モデルにさまざまな物体のスケール、視点、照明条件を提供します。

引用と謝辞#

研究でKITTIデータセットを使用する場合は、以下の論文を引用してください。

@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}
}

コンピュータビジョン、ロボット工学、および自動運転システムの進歩を形作り続けるこの包括的なデータセットを提供してくれた KITTI Vision Benchmark Suite に感謝いたします。詳細については、KITTI website をご覧ください。

よくある質問 (FAQ)#