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（car、van、truck、pedestrian、person_sitting、cyclist、tram、misc）にわたる、アノテーション済み画像7,481枚（トレーニング用5,985枚、バリデーション用1,496枚）が含まれています。Karlsruhe Institute of TechnologyとToyota Technological Institute at Chicagoによって公開され、画像には実世界の都市部、農村部、高速道路での走行シーンが収録されています。

より広範なKITTI Vision Benchmark Suiteには、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も含まれますが、ここでのUltralytics kitti.yaml設定は2D物体検出用に構成されており、Ultralytics YOLO26と完全な互換性があります。

データセットの構成#

このデータセットには、車、歩行者、サイクリストなどの物体を含むアノテーション済み画像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を対象とする8つの物体クラスが定義されています。

アプリケーション#

KITTIデータセットは、自動運転と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をサポートします。

• 自動運転車の認識: 車、歩行者、サイクリストを検出・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分析: 車両や道路利用者を検出・カウントし、交通の流れと道路の安全性を調査します。
• コンピュータビジョンのベンチマーク: KITTIを、2D 物体検出モデルとトラッキング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。

独自の走行画像へのラベル付け、トレーニング、ブラウザ上でのデータセットバージョン管理を行うには、Ultralytics Platformでワークフロー全体を実行します。

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ています。このファイルでは、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で利用できます。

# 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100 エポック、画像サイズ640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的に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から評価、推論、エクスポートタスクを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、2Dバウンディングボックスアノテーション付きのデータセット内の走行シーンを示しています。KITTIの画像には、実際の交通環境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、モデルにさまざまな物体スケール、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、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}
}

コンピュータビジョン、ロボティクス、自律システムの進歩に貢献し続ける包括的なデータセットを提供しているKITTI Vision Benchmark Suiteに謝意を表します。詳細についてはKITTIウェブサイトをご覧ください。

FAQ#