Начать

Набор данных KITTI

KITTI preview 1
KITTI preview 2
KITTI preview 3
KITTI preview 4
7,481
KITTI
ultralytics
PublicDetect

Car-mounted camera views of road scenes around Karlsruhe, Germany, from the KITTI autonomous-driving benchmark (KIT and TTI Chicago). Recorded with a sensor-equipped station wagon in city, rural, and highway traffic, with vehicles, pedestrians, and cyclists labeled under frequent occlusion and truncation. Ultralytics splits the labeled KITTI training images into train and val, omits the unlabeled test set, and drops DontCare regions. Source: Geiger, Lenz, Urtasun, "Are We Ready for Autonomous Driving? The KITTI Vision Benchmark Suite," CVPR 2012; cvlibs.net/datasets/kitti.

8 classes721.4 MBOct 23, 2026
carvantruckpedestrian+4
object-detectionautonomous-drivingvehicles+2

Open KITTI Dataset In Colab

Набор данных Ultralytics KITTI предназначен для 2D-обнаружения объектов в задачах автономного вождения. Он содержит 7 481 размеченное изображение (5 985 для обучения и 1 496 для валидации) с 8 классами: автомобиль, фургон, грузовик, пешеход, сидящий человек, велосипедист, трамвай и прочее. Набор выпущен Карлсруэским технологическим институтом и Иллинойсским технологическим институтом в Чикаго; изображения сняты в реальных городских, сельских и загородных дорожных условиях.



Смотри: Как обучить Ultralytics YOLO на датасете KITTI | Обнаружение объектов, инференс и экспорт ONNX 🚀

Более широкий набор тестов компьютерного зрения KITTI также включает оценку глубины, оптический поток, стереозрение и визуальную одометрию, однако конфигурация Ultralytics kitti.yaml в этом случае предназначена для 2D-обнаружения объектов с помощью Ultralytics YOLO26.

Структура набора данных#

Предупреждение

Исходная тестовая выборка KITTI здесь не используется, поскольку для неё нет общедоступной разметки истинных значений.

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:

ПодвыборкаИзображенияОписание
Обучение5,985Размеченные изображения для обучения модели
Валидация1,496Отложенные изображения для оценки и сравнительного тестирования

Классы объектов#

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

Классы KITTI
  1. автомобиль
  2. фургон
  3. грузовик
  4. пешеход
  5. person_sitting
  6. велосипедист
  7. трамвай
  8. прочее

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.
  • Сравнительная оценка компьютерного зрения: используй KITTI в качестве стандартного теста для оценки моделей 2D-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/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) автоматически загружается при первом использовании.

Пример 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.

KITTI dataset vehicle detection sample

Цитирование и благодарности#

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

Цитирование
@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#

  • Датасет Ultralytics KITTI используют для обучения и оценки моделей 2D-обнаружения объектов для автономного вождения. В нём 7 481 размеченное изображение с 8 классами, включая автомобили, пешеходов и велосипедистов. Датасет широко используют для бенчмаркинга моделей восприятия.

  • Конфигурация Ultralytics KITTI включает 7 481 изображение — 5 985 для обучения и 1 496 для валидации — без отдельной тестовой выборки. Каждое изображение размечено по 8 классам: car, van, truck, pedestrian, person_sitting, cyclist, tram и misc.

  • Нет. Конфигурация Ultralytics KITTI содержит только выборки для обучения (5 985 изображений) и валидации (1 496 изображений). Исходная тестовая выборка KITTI не включена, поскольку для неё нет общедоступных эталонных аннотаций.

  • Датасет (390.5 MB) автоматически загружается при первом обучении с data="kitti.yaml" — вручную ничего делать не нужно. Ultralytics загружает изображения и метки, а затем распаковывает их в локальную папку с датасетами. Просмотреть другие датасеты можно в обзоре датасетов для детекции.

  • Да. KITTI изначально совместим с Ultralytics YOLO26. Ты можешь напрямую обучать и валидировать модели с помощью предоставленного файла конфигурации YAML.

  • Файл kitti.yaml доступен по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml. В нём указаны пути к датасету и 8 названий классов, используемых для обучения.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.