KITTIデータセット#

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

Ultralytics KITTIデータセットは、自動運転向けの2D物体検出データセットです。8クラス（車、バン、トラック、歩行者、着席者、自転車利用者、路面電車、その他）についてアノテーション済みの画像7,481枚（トレーニング用5,985枚、検証用1,496枚）が含まれています。Karlsruhe Institute of TechnologyとToyota Technological Institute at Chicagoが公開したもので、画像は現実の都市部、農村部、高速道路の走行シーンから収集されています。

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、ビジュアルオドメトリーも対象としていますが、ここで使用するUltralyticsのkitti.yaml設定は2D物体検出用に構成されており、Ultralytics YOLO26と完全に互換性があります。

データセットの構成#

このデータセットには、車、自転車利用者、歩行者などを含む、アノテーション済み画像が7,481枚あります。kitti.yaml設定で定義された2つの事前定義済みサブセットに分割されています。

物体クラス#

kitti.yamlファイルでは、走行シーンで一般的に見られる車両、人、その他の道路利用者にまたがる8つの物体クラスを定義しています。

用途#

KITTIデータセットは、自動運転やロボティクスにおけるさまざまな2D検出アプリケーションに対応しています。

• 自動運転車の認識: 車、歩行者、自転車利用者を検出・追跡するモデルをトレーニングし、自動運転システムが安全に走行できるようにします。
• ADAS開発: 実際の走行映像を使って、衝突警告や歩行者検出などの運転支援機能を開発します。
• 交通・道路シーンの分析: 車両や道路利用者を検出・カウントし、交通の流れや道路の安全性を調査します。
• コンピュータービジョンのベンチマーク: KITTIを標準ベンチマークとして使用し、2Dの物体検出モデルとトラッキングモデルを評価します。

独自の走行画像にラベルを付け、データセットのバージョンをブラウザー上でトレーニング・管理するには、Ultralytics Platformでワークフロー全体を実行してください。

データセットYAML#

Ultralyticsでは、YAMLファイルを使用してKITTIデータセットの設定を定義しています。このファイルには、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、メタデータが指定されています。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、100エポックで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でダウンロードされます。詳細については、トレーニングページをご覧ください。

from ultralytics import YOLO

# 事前学習済みYOLO26モデルを読み込みます
model = YOLO("yolo26n.pt")

# KITTIデータセットでトレーニング
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

同じ設定ファイルを使用して、評価、推論、エクスポートの各タスクを、コマンドラインまたはPython APIから直接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、データセット内の走行シーンと、その2Dバウンディングボックスのアノテーションを示しています。KITTIの画像には、実際の交通状況で撮影された都市部、農村部、高速道路のシーンが含まれており、さまざまな物体サイズ、視点、照明条件をモデルに提供します。

引用と謝辞#

研究でKITTIデータセットを使用する場合は、次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}
}

コンピュータービジョン、ロボティクス、自律システムの進歩を支え続ける包括的なデータセットを提供してくださったKITTI Vision Benchmark Suiteに感謝します。詳細については、KITTIのウェブサイトをご覧ください。

よくある質問#