Link to this sectionНабор данных KITTI#

Набор данных kitti — один из самых влиятельных эталонных наборов данных для автономного вождения и компьютерного зрения. Выпущенный Технологическим институтом Карлсруэ и Чикагским отделением Технологического института Тойоты, он содержит данные стереокамер, LiDAR и GPS/IMU, собранные в реальных дорожных условиях.

Он широко используется для оценки алгоритмов обнаружения объектов, оценки глубины, оптического потока и визуальной одометрии. Набор данных полностью совместим с Ultralytics YOLO26 для задач 2D-обнаружения объектов и может быть легко интегрирован в платформу Ultralytics для обучения и оценки.

Link to this sectionСтруктура набора данных#

В общей сложности набор данных включает 7481 изображение, каждое из которых сопровождается подробными аннотациями для таких объектов, как автомобили, пешеходы, велосипедисты и другие элементы дороги. Набор данных разделен на два основных подмножества:

• Обучающий набор: Содержит 5985 изображений с аннотированными метками, используемыми для обучения моделей.
• Валидационный набор: Включает 1496 изображений с соответствующими аннотациями, используемыми для оценки производительности и бенчмаркинга.

Link to this sectionПрименение#

Набор данных kitti способствует прогрессу в области автономного вождения и робототехники, поддерживая такие задачи, как:

• Восприятие автономного транспортного средства: Обучение моделей обнаружению и отслеживанию транспортных средств, пешеходов и препятствий для безопасной навигации в системах беспилотного вождения.
• Понимание 3D-сцены: Поддержка оценки глубины, стереозрения и 3D-локализации объектов для помощи машинам в понимании пространственного окружения.
• Оптический поток и прогнозирование движения: Анализ движения для предсказания перемещения объектов и улучшения планирования траектории в динамических средах.
• Бенчмаркинг компьютерного зрения: Использование в качестве стандартного эталона для оценки производительности в различных задачах компьютерного зрения, включая обнаружение объектов и отслеживание.

Link to this sectionYAML набора данных#

Ultralytics определяет конфигурацию набора данных kitti с помощью файла YAML. Этот файл задает пути к набору данных, 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

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n на наборе данных kitti в течение 100 эпох с размером изображения 640, используй следующие команды. Более подробную информацию 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 прямо из командной строки или Python API, используя тот же файл конфигурации.

Link to this sectionПримеры изображений и аннотации#

Набор данных kitti предоставляет разнообразные сценарии вождения. Каждое изображение включает аннотации BBox для задач 2D-обнаружения объектов. Примеры демонстрируют богатство набора данных, что обеспечивает надежную генерализацию моделей в различных реальных условиях.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных kitti в своем исследовании, пожалуйста, сошлися 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 выражаем благодарность KITTI Vision Benchmark Suite за предоставление этого всеобъемлющего набора данных, который продолжает определять прогресс в компьютерном зрении, робототехнике и автономных системах. Посети веб-сайт kitti для получения дополнительной информации.

Link to this sectionЧасто задаваемые вопросы#

Link to this sectionДля чего используется набор данных kitti?#

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

Link to this sectionСколько изображений включено в набор данных kitti?#

Набор данных включает 5985 размеченных обучающих изображений и 1496 валидационных изображений, снятых в городских, сельских и пригородных условиях. Оригинальный тестовый набор здесь исключен, так как он не содержит аннотаций ground-truth.

Link to this sectionКакие классы объектов аннотированы в наборе данных?#

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

Link to this sectionМогу ли я обучать модели Ultralytics YOLO26, используя набор данных kitti?#

Да, kitti полностью совместим с Ultralytics YOLO26. Ты можешь обучать и валидировать модели напрямую, используя предоставленный файл конфигурации YAML.

Link to this sectionГде я могу найти файл конфигурации набора данных kitti?#

Ты можешь получить доступ к файлу YAML по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml.