Набор данных 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

Набор данных Ultralytics KITTI предназначен для 2D-обнаружения объектов при автономном вождении. Он содержит 7 481 размеченное изображение (5 985 обучающих и 1 496 валидационных) с 8 классами: автомобиль, фургон, грузовик, пешеход, сидящий человек, велосипедист, трамвай и прочие объекты. Набор выпущен Технологическим институтом Карлсруэ и Технологическим институтом Toyota в Чикаго; на изображениях представлены реальные городские, сельские и загородные дороги.

Расширенный набор KITTI Vision Benchmark Suite также охватывает оценку глубины, оптический поток, стереозрение и визуальную одометрию, однако конфигурация Ultralytics kitti.yaml предназначена для 2D-обнаружения объектов и полностью совместима с Ultralytics YOLO26.

Структура набора данных#

Набор данных содержит 7 481 размеченное изображение с автомобилями, пешеходами, велосипедистами и другими объектами. Изображения разделены на два заранее заданных подмножества согласно конфигурации kitti.yaml:

Классы объектов#

В файле kitti.yaml заданы 8 классов объектов: транспортные средства, люди и другие участники дорожного движения, часто встречающиеся в дорожных сценах:

Применение#

Датасет KITTI поддерживает широкий спектр задач 2D-детекции в автономном вождении и робототехнике:

• Восприятие автономными автомобилями: обучай модели обнаруживать и отслеживать автомобили, пешеходов и велосипедистов, чтобы беспилотные системы могли безопасно передвигаться.
• Разработка ADAS: создавай функции помощи водителю, например предупреждение о столкновении и обнаружение пешеходов, на основе реальных записей поездок.
• Анализ дорожного движения и дорожных сцен: обнаруживай и считай транспортные средства и участников дорожного движения, чтобы изучать транспортные потоки и безопасность дорог.
• Тестирование компьютерного зрения: используй KITTI как стандартный бенчмарк для оценки моделей обнаружения объектов и отслеживания.

Чтобы размечать собственные изображения поездок, обучать модели и управлять версиями датасета в браузере, выполняй весь рабочий процесс с помощью Ultralytics Platform.

Файл YAML набора данных#

Ultralytics задаёт конфигурацию датасета KITTI в YAML-файле. В этом файле указаны пути к датасету, метки классов и метаданные, необходимые для обучения. Файл конфигурации доступен по адресу 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

Использование#

Чтобы обучить модель YOLO26n на датасете KITTI в течение 100 эпох с размером изображения 640, используй следующие команды. Датасет (390.5 MB) загружается автоматически при первом запуске. Подробнее см. на странице обучения.

from ultralytics import YOLO

# Загрузи предобученную модель YOLO26
model = YOLO("yolo26n.pt")

# Обучение на датасете kitti
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

Ты также можешь выполнять задачи инференса, экспорта и оценки прямо из командной строки или через Python API, используя тот же файл конфигурации.

Примеры изображений и аннотаций#

На примере ниже показана дорожная сцена из датасета с её 2D-аннотациями ограничивающих рамок. На изображениях KITTI представлены городские, сельские и шоссейные сцены, снятые в реальном дорожном движении. Благодаря этому модели сталкиваются с объектами разных размеров, ракурсами и условиями освещения.

Цитирование и благодарности#

Если ты используешь датасет KITTI в своих исследованиях, процитируй следующую статью:

@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}
}

Мы благодарим KITTI Vision Benchmark Suite за предоставление этого обширного датасета, который продолжает способствовать развитию компьютерного зрения, робототехники и автономных систем. Подробнее см. на сайте KITTI.

Часто задаваемые вопросы#