Dataset KITTI#

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

O conjunto de dados Ultralytics KITTI é um conjunto de dados de detecção de objetos em 2D para condução autônoma, contendo 7.481 imagens anotadas (5.985 para treinamento e 1.496 para validação) em 8 classes — carro, van, caminhão, pedestre, person_sitting, ciclista, bonde e outros. Lançado pelo Instituto de Tecnologia de Karlsruhe e pelo Instituto Tecnológico de Toyota em Chicago, suas imagens vêm de cenas reais de condução urbana, rural e em rodovias.

A suíte de benchmark KITTI Vision Benchmark Suite mais ampla também abrange estimativa de profundidade, fluxo óptico, visão estéreo e odometria visual, mas a configuração kitti.yaml do Ultralytics aqui está configurada para detecção de objetos em 2D e é totalmente compatível com Ultralytics YOLO26.

Estrutura do Dataset#

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

Classes de Objetos#

O arquivo kitti.yaml define 8 classes de objetos que abrangem veículos, pessoas e outros usuários da estrada comumente vistos em cenas de direção:

Aplicações#

O conjunto de dados KITTI suporta uma variedade de aplicações de detecção 2D em condução autônoma e robótica:

• Percepção de veículos autônomos: Treine modelos para detectar e rastrear carros, pedestres e ciclistas para que sistemas de condução autônoma possam navegar com segurança.
• Desenvolvimento de ADAS: Crie recursos de assistência ao condutor, como aviso de colisão e detecção de pedestres, usando filmagens reais de direção.
• Análise de tráfego e cenas rodoviárias: Detecte e conte veículos e usuários da via para estudar o fluxo de tráfego e a segurança rodoviária.
• Benchmark de visão computacional: Usa o KITTI como um benchmark padrão para avaliar modelos de detecção de objetos e rastreamento em 2D.

Para rotular suas próprias imagens de direção, treinar e gerenciar versões de conjuntos de dados em seu navegador, execute o fluxo de trabalho completo com a Ultralytics Platform.

YAML do Dataset#

O Ultralytics define a configuração do conjunto de dados KITTI usando um arquivo YAML. Esse arquivo especifica os caminhos do conjunto de dados, rótulos de classe e 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 um tamanho de imagem de 640, use os seguintes comandos. O conjunto de dados (390,5 MB) é baixado automaticamente no primeiro uso. Para mais detalhes, consulte a página Treinamento.

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)

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

Exemplos de Imagens e Anotações#

O exemplo abaixo mostra uma cena de direção do conjunto de dados com suas anotações de caixa delimitadora 2D. As imagens do KITTI abrangem cenas urbanas, rurais e rodoviárias capturadas no tráfego real, proporcionando aos modelos escalas de objetos, pontos de vista e iluminação variados.

Citações e Agradecimentos#

Se você utilizar o conjunto de dados KITTI em sua pesquisa, cite o seguinte artigo:

@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 a moldar o progresso em visão computacional, robótica e sistemas autônomos. Visite o site do KITTI para obter mais informações.

FAQ#