Набор данных 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

Датасет Ultralytics KITTI — это набор данных для обнаружения объектов в формате 2D для автономного вождения, содержащий 7 481 аннотированное 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 Чикагским технологическим институтом Тойота, он содержит изображения из реальных сценариев городского, сельского и шоссейного вождения.

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

Структура набора данных#

Датасет содержит 7 481 аннотированное изображение, охватывающее такие объекты, как автомобили, пешеходы и велосипедисты, разделенные на два предопределенных подмножества, заданных конфигурацией kitti.yaml:

Классы объектов#

Файл kitti.yaml определяет 8 классов объектов, охватывающих транспортные средства, людей и других участников дорожного движения, часто встречающихся в сценариях вождения:

Применение#

Набор данных KITTI поддерживает широкий спектр приложений 2D обнаружения в беспилотном вождении и робототехнике:

• Восприятие автономных транспортных средств: обучайте модели обнаруживать и отслеживать автомобили, пешеходов и велосипедистов, чтобы системы автономного вождения могли безопасно перемещаться.
• Разработка ADAS: создавайте функции помощи водителю, такие как предупреждение о столкновении и обнаружение пешеходов, на основе реальных видеозаписей вождения.
• Анализ трафика и дорожных сцен: обнаруживайте и подсчитывайте транспортные средства и участников дорожного движения для изучения транспортных потоков и безопасности дорожного движения.
• Бенчмаркинг компьютерного зрения: используй KITTI в качестве стандартного бенчмарка для оценки моделей обнаружения и трекинга объектов в формате 2D.

Чтобы размечать собственные изображения для вождения, обучать версии датасета и управлять ими в браузере, запусти полный рабочий процесс с помощью Ultralytics Platform.

YAML набора данных#

Ultralytics определяет конфигурацию датасета KITTI с помощью файла YAML. 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 МБ) загружается автоматически при первом использовании. Дополнительные сведения см. на странице Обучение.

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 задачи оценки, инференса и экспорта напрямую из командной строки или Python API, используя тот же файл конфигурации.

Примеры изображений и аннотации#

На примере ниже показана сцена вождения из набора данных с аннотациями в виде 2D ограничивающих рамок. Изображения KITTI охватывают городские, сельские и шоссейные сцены, снятые в условиях реального трафика, что дает моделям разнообразные масштабы объектов, углы обзора и условия освещения.

Цитирование и благодарности#

Если ты используешь набор данных 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 комплексного датасета, который продолжает определять прогресс в области компьютерного зрения, робототехники и автономных систем. Посети сайт KITTI для получения дополнительной информации.

FAQ#