Датасет 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

Датасет KITTI от Ultralytics — это датасет для 2D обнаружения объектов в задачах автономного вождения, содержащий 7 481 размеченное изображение (5 985 для обучения и 1 496 для валидации) в 8 классах — car, van, truck, pedestrian, person_sitting, cyclist, tram и misc. Выпущенный Технологическим институтом Карлсруэ и Технологическим институтом Toyota в Чикаго, он содержит изображения реальных городских, сельских и шоссейных сцен вождения.

Более широкий набор тестов KITTI Vision Benchmark Suite также охватывает оценку глубины, оптический поток, стереозрение и визуальную одометрию, но конфигурация Ultralytics kitti.yaml здесь настроена для обнаружения объектов в 2D и полностью совместима с Ultralytics YOLO26.

Структура датасета#

Датасет содержит 7 481 размеченное изображение с такими объектами, как автомобили, пешеходы и велосипедисты, разделёнными на два заранее определённых поднабора, заданных конфигурацией kitti.yaml:

Классы объектов#

Файл kitti.yaml определяет 8 классов объектов, включающих транспортные средства, людей и других участников дорожного движения, обычно встречающихся в сценах вождения:

Применения#

Датасет KITTI поддерживает широкий спектр приложений для обнаружения объектов в 2D в задачах автономного вождения и робототехники:

• Восприятие автономных транспортных средств: обучай модели обнаруживать и отслеживать автомобили, пешеходов и велосипедистов, чтобы системы автономного вождения могли безопасно ориентироваться.
• Разработка ADAS: создавай функции помощи водителю, такие как предупреждение о столкновениях и обнаружение пешеходов, на основе реальных записей вождения.
• Анализ трафика и дорожных сцен: обнаруживай и подсчитывай транспортные средства и участников дорожного движения для изучения транспортных потоков и безопасности дорожного движения.
• Бенчмаркинг компьютерного зрения: используй KITTI как стандартный бенчмарк для оценки моделей обнаружения объектов и отслеживания в 2D.

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

YAML датасета#

Ultralytics определяет конфигурацию датасета KITTI с помощью YAML-файла. Этот файл задаёт 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) автоматически загружается при первом использовании. Подробнее см. на странице обучения.

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)

Ты также можешь выполнять оценку, инференс и экспорт напрямую из командной строки или через API Python, используя тот же файл конфигурации.

Примеры изображений и аннотаций#

Ниже показана дорожная сцена из датасета с аннотациями её ограничивающих рамок в 2D. Изображения KITTI охватывают городские, сельские и шоссейные сцены, снятые в условиях реального движения, благодаря чему модели работают с разными масштабами объектов, ракурсами и условиями освещения.

Цитирование и благодарности#

Если ты используешь датасет KITTI в своих исследованиях, пожалуйста, 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 всеобъемлющего датасета, который продолжает способствовать развитию компьютерного зрения, робототехники и автономных систем. Дополнительную информацию см. на сайте KITTI.

Часто задаваемые вопросы#