Dataset 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 dataset KITTI da Ultralytics é um dataset de deteção de objetos 2D para condução autónoma, que contém 7 481 imagens anotadas (5 985 para treino e 1 496 para validação) distribuídas por 8 classes — car, van, truck, pedestrian, person_sitting, cyclist, tram e misc. Lançado pelo Karlsruhe Institute of Technology e pelo Toyota Technological Institute at Chicago, as suas imagens provêm de cenas reais de condução urbana, rural e em autoestradas.

A abrangente KITTI Vision Benchmark Suite também inclui estimação de profundidade, fluxo ótico, visão estéreo e odometria visual, mas a configuração kitti.yaml da Ultralytics aqui está definida para deteção de objetos 2D e é totalmente compatível com o Ultralytics YOLO26.

Estrutura do Conjunto de Dados#

O dataset contém 7 481 imagens anotadas que abrangem objetos como carros, peões e ciclistas, divididas em dois subconjuntos predefinidos pela configuração kitti.yaml:

Classes de objetos#

O ficheiro kitti.yaml define 8 classes de objetos que abrangem veículos, pessoas e outros utilizadores da estrada habitualmente vistos em cenas de condução:

Aplicações#

O dataset KITTI suporta várias aplicações de deteção 2D em condução autónoma e robótica:

• Perceção de veículos autónomos: treina modelos para detetar e acompanhar carros, peões e ciclistas, permitindo que os sistemas de condução autónoma naveguem em segurança.
• Desenvolvimento de ADAS: cria funcionalidades de assistência ao condutor, como avisos de colisão e deteção de peões, com base em imagens reais de condução.
• Análise do tráfego e das cenas rodoviárias: deteta e conta veículos e utilizadores da estrada para estudar o fluxo de tráfego e a segurança rodoviária.
• Benchmarking de visão computacional: usa o KITTI como benchmark padrão para avaliar modelos de deteção de objetos 2D e de rastreamento.

Para etiquetar as tuas próprias imagens de condução, treinar e gerir versões de datasets no navegador, executa o fluxo de trabalho completo com a Ultralytics Platform.

YAML do Conjunto de Dados#

A Ultralytics define a configuração do dataset KITTI através de um ficheiro YAML. Este ficheiro especifica os caminhos do dataset, as etiquetas das classes e os metadados necessários para o treino. O ficheiro 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

Utilização#

Para treinar um modelo YOLO26n no dataset KITTI durante 100 épocas com um tamanho de imagem de 640, usa os seguintes comandos. O dataset (390,5 MB) é transferido automaticamente na primeira utilização. Para mais detalhes, consulta a página de Treino.

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)

Também podes executar tarefas de avaliação, inferência e exportação diretamente a partir da linha de comandos ou da API Python, usando o mesmo ficheiro de configuração.

Imagens de exemplo e anotações#

O exemplo abaixo mostra uma cena de condução do dataset com as respetivas anotações de caixas delimitadoras 2D. As imagens KITTI abrangem cenas urbanas, rurais e de autoestrada captadas em tráfego real, proporcionando aos modelos diferentes escalas de objetos, perspetivas e condições de iluminação.

Citações e agradecimentos#

Se usares o dataset KITTI na tua investigação, cita 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 à KITTI Vision Benchmark Suite por disponibilizar este dataset abrangente, que continua a impulsionar o progresso na visão computacional, na robótica e nos sistemas autónomos. Visita o site da KITTI para obteres mais informações.

Perguntas frequentes#