KITTI Veri Seti

kitti veri seti, otonom sürüş ve bilgisayarlı görü için en etkili kıyaslama veri setlerinden biridir. Karlsruhe Teknoloji Enstitüsü ve Chicago'daki Toyota Teknolojik Enstitüsü tarafından yayınlanan veri seti, gerçek dünya sürüş senaryolarından toplanan stereo kamera, LiDAR ve GPS/IMU verilerini içerir.

Nesne algılama, derinlik tahmini, optik akış ve görsel odometri gibi alanlardaki algoritmaları değerlendirmek için yaygın olarak kullanılır. Veri seti, 2D nesne algılama görevleri için Ultralytics YOLO26 ile tamamen uyumludur ve eğitim ile değerlendirme için Ultralytics platformuna kolayca entegre edilebilir.

Veri Kümesi Yapısı

Veri seti toplamda, her biri arabalar, yayalar, bisikletliler ve diğer yol unsurları gibi nesneler için ayrıntılı ek açıklamalarla eşleştirilmiş 7.481 görüntü içerir. Veri seti iki ana alt kümeye ayrılmıştır:

• Eğitim seti: Model eğitimi için kullanılan, etiketli 5.985 görüntü içerir.
• Doğrulama seti: Performans değerlendirmesi ve kıyaslama için kullanılan, karşılık gelen ek açıklamalara sahip 1.496 görüntü içerir.

Uygulamalar

Kitti veri seti, otonom sürüş ve robotikteki ilerlemeleri mümkün kılar ve şu tür görevleri destekler:

• Otonom araç algısı: Kendi kendine sürüş sistemlerinde güvenli navigasyon için araçları, yayaları ve engelleri algılayacak ve takip edecek modellerin eğitilmesi.
• 3D sahne anlama: Makinelerin mekansal ortamları anlamalarına yardımcı olmak için derinlik tahmini, stereo vizyon ve 3D nesne yerelleştirmeyi destekleme.
• Optik akış ve hareket tahmini: Nesnelerin hareketini tahmin etmek ve dinamik ortamlarda rota planlamasını iyileştirmek için hareket analizini etkinleştirme.
• Bilgisayarlı görü kıyaslaması: Nesne algılama ve takip dahil olmak üzere birden fazla görü görevi genelinde performans değerlendirmesi için standart bir kıyaslama görevi görme.

Veri Kümesi YAML Dosyası

Ultralytics, kitti veri seti yapılandırmasını bir YAML dosyası kullanarak tanımlar. Bu dosya; veri seti yollarını, sınıf etiketlerini ve eğitim için gereken meta verileri belirtir. Yapılandırma dosyasına https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml adresinden ulaşabilirsin.

# 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

Kullanım

kitti veri seti üzerinde 100 epoch boyunca 640 görüntü boyutuyla bir YOLO26n modeli eğitmek için aşağıdaki komutları kullan. Daha fazla ayrıntı için Eğitim sayfasına bakabilirsin.

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)

Ayrıca aynı yapılandırma dosyasını kullanarak doğrudan komut satırından veya Python API üzerinden değerlendirme, çıkarım ve dışa aktarma görevlerini de gerçekleştirebilirsin.

Örnek Görüntüler ve Ek Açıklamalar

kitti veri seti, çeşitli sürüş senaryoları sunar. Her görüntü, 2D nesne algılama görevleri için sınırlayıcı kutu (bounding box) ek açıklamaları içerir. Örnekler, veri setinin zengin çeşitliliğini sergileyerek farklı gerçek dünya koşullarında sağlam model genellemesini mümkün kılar.

Alıntılar ve Teşekkür

Araştırmanda kitti veri setini kullanırsan, lütfen aşağıdaki makaleye atıfta bulun:

@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}
}

Bilgisayarlı görü, robotik ve otonom sistemlerde ilerlemeye yön vermeye devam eden bu kapsamlı veri setini sağladığı için KITTI Vision Benchmark Suite'e teşekkür ederiz. Daha fazla bilgi için kitti web sitesini ziyaret et.

SSS

kitti veri seti ne için kullanılır?

kitti veri seti, öncelikli olarak otonom sürüş alanında bilgisayarlı görü araştırmaları için kullanılır ve nesne algılama, derinlik tahmini, optik akış ve 3D yerelleştirme gibi görevleri destekler.

kitti veri setinde kaç görüntü yer alıyor?

Veri seti; kentsel, kırsal ve otoyol sahnelerinde çekilmiş 5.985 etiketli eğitim görüntüsü ve 1.496 doğrulama görüntüsü içerir. Orijinal test seti, temel gerçeklik ek açıklamaları içermediğinden buraya dahil edilmemiştir.

Veri setinde hangi nesne sınıfları açıklanmıştır?

kitti; arabalar, yayalar, bisikletliler, kamyonlar, tramvaylar ve çeşitli yol kullanıcıları gibi nesneler için ek açıklamalar içerir.

kitti veri setini kullanarak Ultralytics YOLO26 modellerini eğitebilir miyim?

Evet, kitti, Ultralytics YOLO26 ile tamamen uyumludur. Sağlanan YAML yapılandırma dosyasını kullanarak modelleri doğrudan eğitebilir ve doğrulayabilirsin.

kitti veri seti yapılandırma dosyasını nerede bulabilirim?

YAML dosyasına https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml adresinden erişebilirsin.