Começar

Conjunto de dados KITTI

KITTI preview 1
KITTI preview 2
KITTI preview 3
KITTI preview 4
7,481
KITTI
ultralytics
PublicDetect

Car-mounted camera views of road scenes around Karlsruhe, Germany, from the KITTI autonomous-driving benchmark (KIT and TTI Chicago). Recorded with a sensor-equipped station wagon in city, rural, and highway traffic, with vehicles, pedestrians, and cyclists labeled under frequent occlusion and truncation. Ultralytics splits the labeled KITTI training images into train and val, omits the unlabeled test set, and drops DontCare regions. Source: Geiger, Lenz, Urtasun, "Are We Ready for Autonomous Driving? The KITTI Vision Benchmark Suite," CVPR 2012; cvlibs.net/datasets/kitti.

8 classes721.4 MBOct 23, 2026
carvantruckpedestrian+4
object-detectionautonomous-drivingvehicles+2

Open KITTI Dataset In Colab

O conjunto de dados KITTI da Ultralytics é um conjunto de dados de detecção de objetos 2D para condução autónoma, com 7.481 imagens anotadas (5.985 para treinamento e 1.496 para validação) distribuídas por 8 classes — carro, carrinha, camião, peão, pessoa_sentada, ciclista, elétrico e diversos. Lançado pelo Karlsruhe Institute of Technology e pelo Toyota Technological Institute at Chicago, contém imagens de cenas reais de condução urbana, rural e em autoestradas.



Assista: Como treinar Ultralytics YOLO no conjunto de dados KITTI | Detecção de objetos, inferência e exportação ONNX 🚀

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

Estrutura do conjunto de dados#

Aviso

O conjunto de teste original do KITTI foi excluído porque não possui anotações públicas de referência.

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:

DivisãoImagensDescrição
Treinar5,985Imagens rotuladas para treinamento do modelo
Validação1,496Imagens reservadas para avaliação e benchmarking

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:

Classes do KITTI
  1. carro
  2. van
  3. caminhão
  4. pedestre
  5. person_sitting
  6. ciclista
  7. bonde
  8. diversos

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.
  • Benchmarking de visão computacional: usa KITTI como benchmark padrão para avaliar modelos de detecção de objetos 2D e 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/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 durante 100 épocas, com tamanho de imagem 640, utiliza os seguintes comandos. O conjunto de dados (390,5 MB) é transferido automaticamente na primeira utilização.

Exemplo de treino
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.

KITTI dataset vehicle detection sample

Citações e agradecimentos#

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

Citação
@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#

  • O conjunto de dados KITTI da Ultralytics é usado para treinar e avaliar modelos de detecção de objetos 2D para direção autônoma. Ele oferece 7,481 imagens anotadas em 8 classes, incluindo carros, pedestres e ciclistas, e é amplamente usado como benchmark para modelos de percepção.

  • A configuração KITTI da Ultralytics contém 7,481 imagens — 5,985 para treinamento e 1,496 para validação — sem uma divisão separada para teste. Cada imagem é anotada em 8 classes: carro, van, caminhão, pedestre, person_sitting, ciclista, bonde e diversos.

  • Não. A configuração KITTI da Ultralytics oferece apenas divisões de treinamento (5,985 imagens) e validação (1,496 imagens). O conjunto de teste KITTI original é excluído porque não tem anotações públicas de verdade fundamental.

  • O conjunto de dados (390.5 MB) é baixado automaticamente na primeira vez que você treina com data="kitti.yaml" — não é necessário fazer nada manualmente. A Ultralytics obtém as imagens e os rótulos e os descompacta no diretório local de conjuntos de dados. Você pode explorar conjuntos de dados relacionados na visão geral dos conjuntos de dados de detecção.

  • Sim. KITTI funciona imediatamente com Ultralytics YOLO26. Podes treinar e validar modelos diretamente com o ficheiro de configuração YAML fornecido.

  • Você pode acessar o arquivo kitti.yaml em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml. Ele define os caminhos do conjunto de dados e os 8 nomes de classes usados no treinamento.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.