Набор данных KITTI

Набор данных kitti - один из самых влиятельных эталонных наборов данных для автономного вождения и компьютерного зрения. Выпущенный Технологическим институтом Карлсруэ и Технологическим институтом Toyota в Чикаго, он содержит данные стереокамер, LiDAR и GPS/IMU, собранные в реальных сценариях вождения.

Он широко используется для оценки алгоритмов обнаружения объектов, оценки глубины, оптического потока и визуальной одометрии. Набор данных полностью совместим с Ultralytics YOLO11 для задач обнаружения двумерных объектов и может быть легко интегрирован в платформу Ultralytics для обучения и оценки.

Структура набора данных

В общей сложности набор включает 7 481 изображение, каждое из которых сопровождается подробными аннотациями к таким объектам, как автомобили, пешеходы, велосипедисты и другие элементы дороги. Набор данных разделен на два основных подмножества:

• Обучающий набор: Содержит 5 985 изображений с аннотированными метками, используемых для обучения модели.
• Валидационный набор: Включает 1 496 изображений с соответствующими аннотациями, используемых для оценки производительности и бенчмаркинга.

Приложения

Набор данных Kitti позволяет достичь прогресса в автономном вождении и робототехнике, поддерживая такие задачи, как:

• Восприятие автономных транспортных средств: Обучение моделей для обнаружения и отслеживания транспортных средств, пешеходов и препятствий для безопасной навигации в системах автономного вождения.
• Понимание трехмерных сцен: Поддержка оценки глубины, стереозрения и локализации 3D-объектов, помогающая машинам понимать пространственное окружение.
• Оптический поток и предсказание движения: Анализ движения для прогнозирования перемещения объектов и улучшения планирования траектории в динамических средах.
• Бенчмаркинг компьютерного зрения: Служит в качестве стандартного эталона для оценки производительности в различных задачах компьютерного зрения, включая обнаружение объектов и отслеживание.

YAML-файл набора данных

Ultralytics определяет конфигурацию набора данных kitti с помощью файла YAML. В этом файле указываются пути к набору данных, метки классов и метаданные, необходимые для обучения. Файл конфигурации доступен по адресу ultralytics

# 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 YOLO11n на наборе данных kitti в течение 100 эпох при размере изображения 640, выполните следующие команды. Более подробную информацию см. на странице Обучение.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Train on kitti dataset
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

yolo detect train data=kitti.yaml model=yolo11n.pt epochs=100 imgsz=640

Вы также можете выполнять задачи оценки, вывода и экспорта непосредственно из командной строки или Python API, используя тот же файл конфигурации.

Примеры изображений и аннотации

В наборе данных kitti представлены различные сценарии вождения. Каждое изображение содержит аннотации ограничительных рамок для задач обнаружения двумерных объектов. Примеры демонстрируют богатое разнообразие набора данных, позволяя надежно обобщать модели в различных реальных условиях.

Цитирование и благодарности

Если вы используете набор данных kitti в своих исследованиях, пожалуйста, ссылайтесь на 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 набора данных, который продолжает определять прогресс в области компьютерного зрения, робототехники и автономных систем. Посетите веб-сайт kitti для получения дополнительной информации.

Вопросы и ответы

Для чего используется набор данных kitti?

Набор данных kitti в основном используется для исследований компьютерного зрения в области автономного вождения, поддерживая такие задачи, как обнаружение объектов, оценка глубины, оптический поток и 3D-локализация.

Сколько изображений входит в набор данных kitti?

Набор данных включает 5 985 маркированных учебных изображений и 1 496 проверочных изображений, снятых для городских, сельских и шоссейных сцен. Оригинальный тестовый набор исключен из рассмотрения, поскольку он не содержит истинных аннотаций.

Какие классы объектов аннотированы в наборе данных?

kitti включает в себя аннотации для таких объектов, как автомобили, пешеходы, велосипедисты, грузовики, трамваи и другие участники дорожного движения.

Можно ли обучать модели Ultralytics YOLO11 с помощью набора данных kitti?

Да, kitti полностью совместим с Ultralytics YOLO11. Вы можете обучать и проверять модели напрямую, используя предоставленный файл конфигурации YAML.

Где найти файл конфигурации набора данных kitti?

Вы можете получить доступ к файлу YAML по адресу ultralytics.

📅 Создано 0 дней назад ✏️ Обновлено 0 дней назад

Комментарии