Conjunto de dados KITTI#

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

O conjunto de dados KITTI da Ultralytics é um conjunto de dados de detecção de objetos 2D para direção autônoma, com 7.481 imagens anotadas (5.985 para treinamento e 1.496 para validação) em 8 classes — carro, van, caminhão, pedestre, pessoa sentada, ciclista, bonde e diversos. Lançado pelo Instituto de Tecnologia de Karlsruhe e pelo Instituto de Tecnologia Toyota em Chicago, suas imagens retratam cenas reais de condução em áreas urbanas, rurais e rodovias.

O conjunto mais abrangente KITTI Vision Benchmark Suite também inclui estimativa de profundidade, fluxo óptico, visão estéreo e odometria visual, mas a configuração kitti.yaml da Ultralytics apresentada aqui foi preparada para detecção de objetos 2D e é totalmente compatível com o Ultralytics YOLO26.

Estrutura do conjunto de dados#

O conjunto de dados contém 7.481 imagens anotadas de objetos como carros, pedestres e ciclistas, divididas em dois subconjuntos predefinidos pela configuração kitti.yaml:

Classes de objetos#

O arquivo kitti.yaml define 8 classes de objetos, abrangendo veículos, pessoas e outros usuários da via que aparecem com frequência em cenas de condução:

Aplicações#

O conjunto de dados KITTI oferece suporte a várias aplicações de detecção 2D em direção autônoma e robótica:

• Percepção de veículos autônomos: treine modelos para detectar e acompanhar carros, pedestres e ciclistas, permitindo que sistemas de direção autônoma naveguem com segurança.
• Desenvolvimento de ADAS: crie recursos de assistência ao motorista, como alertas de colisão e detecção de pedestres, com imagens de condução reais.
• Análise de tráfego e de cenas rodoviárias: detecte e conte veículos e usuários da via para estudar o fluxo do tráfego e a segurança rodoviária.
• Benchmark de visão computacional: use o KITTI como benchmark padrão para avaliar modelos de detecção de objetos 2D e de rastreamento.

Para rotular suas próprias imagens de condução, treinar e gerenciar versões do conjunto de dados no navegador, execute todo o fluxo de trabalho com a Ultralytics Platform.

YAML do conjunto de dados#

A Ultralytics define a configuração do conjunto de dados KITTI usando um arquivo YAML. Esse arquivo especifica os caminhos do conjunto de dados, os rótulos das classes e os metadados necessários para o treinamento. O arquivo de configuração está disponível em 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

Uso#

Para treinar um modelo YOLO26n no conjunto de dados KITTI por 100 épocas com tamanho de imagem de 640, use os comandos a seguir. O conjunto de dados (390.5 MB) é baixado automaticamente no primeiro uso. Para mais detalhes, consulte a página de Treinamento.

from ultralytics import YOLO

# Carrega um modelo YOLO26 pré-treinado
model = YOLO("yolo26n.pt")

# Treine no conjunto de dados kitti
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

Você também pode realizar tarefas de avaliação, inferência e exportação diretamente pela linha de comando ou pela API Python usando o mesmo arquivo de configuração.

Imagens de exemplo e anotações#

O exemplo abaixo mostra uma cena de condução do conjunto de dados com suas anotações de caixas delimitadoras 2D. As imagens do KITTI abrangem cenas urbanas, rurais e rodoviárias capturadas no tráfego real, oferecendo aos modelos objetos de vários tamanhos, perspectivas e condições de iluminação.

Citações e agradecimentos#

Se você usar o conjunto de dados KITTI em sua pesquisa, cite o artigo a seguir:

@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}
}

Agradecemos ao KITTI Vision Benchmark Suite por fornecer este conjunto de dados abrangente, que continua impulsionando o progresso em visão computacional, robótica e sistemas autônomos. Acesse o site do KITTI para mais informações.

Perguntas frequentes#