Link to this sectionKITTI Veri Kümesi#

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

Nesne algılama, derinlik tahmini, optik akış ve görsel odometri alanlarındaki algoritmaların değerlendirilmesi için yaygın olarak kullanılır. Veri kümesi, 2D nesne algılama görevleri için Ultralytics YOLO26 ile tam uyumludur ve eğitim ile değerlendirme amacıyla Ultralytics platformuna kolayca entegre edilebilir.

Link to this sectionVeri Kümesi Yapısı#

Veri kümesi toplamda, her biri arabalar, yayalar, bisikletliler ve diğer yol unsurları gibi nesneler için detaylı açıklamalar içeren 7.481 görüntü içerir. Veri kümesi iki ana alt kümeye ayrılmıştır:

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

Link to this sectionUygulamalar#

Kitti veri kümesi, aşağıdaki gibi görevleri destekleyerek otonom sürüş ve robotik alanındaki gelişmelere olanak tanır:

• Otonom araç algısı: Kendi kendine sürüş sistemlerinde güvenli navigasyon için araçları, yayaları ve engelleri algılayıp izlemek üzere modellerin eğitilmesi.
• 3D sahne anlama: Makinelerin uzamsal ortamları anlamalarına yardımcı olmak için derinlik tahmini, stereo görü ve 3D nesne konumlandırmayı destekler.
• Optik akış ve hareket tahmini: Nesnelerin hareketini tahmin etmek ve dinamik ortamlarda yörünge planlamasını iyileştirmek için hareket analizine olanak sağlar.
• Bilgisayarlı görü kıyaslaması: Nesne algılama ve izleme dahil olmak üzere birçok görü görevinde performansı değerlendirmek için standart bir kıyaslama görevi görür.

Link to this sectionVeri Kümesi YAML#

Ultralytics, kitti veri kümesi yapılandırmasını bir YAML dosyası kullanarak tanımlar. Bu dosya, eğitim için gereken veri kümesi yollarını, sınıf etiketlerini ve 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

Link to this sectionKullanım#

kitti veri kümesi üzerinde 100 epoch boyunca 640 görüntü boyutu ile bir YOLO26n modeli eğitmek için aşağıdaki komutları kullan. Daha fazla detay için Eğitim sayfasına bak.

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)

Aynı yapılandırma dosyasını kullanarak komut satırı veya Python API üzerinden doğrudan değerlendirme, çıkarım ve dışa aktarma görevlerini de gerçekleştirebilirsin.

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

kitti veri kümesi çok çeşitli sürüş senaryoları sunar. Her görüntü, 2D nesne algılama görevleri için sınırlayıcı kutu (bounding box) açıklamaları içerir. Örnekler, veri kümesinin zengin çeşitliliğini sergileyerek farklı gerçek dünya koşullarında modelin sağlam bir şekilde genelleme yapmasını sağlar.

Link to this sectionAlıntılar ve Teşekkür#

kitti veri kümesini araştırmanda kullanırsan lütfen şu 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 ilerlemeyi şekillendirmeye devam eden bu kapsamlı veri kümesini sağladığı için KITTI Vision Benchmark Suite'e teşekkür ederiz. Daha fazla bilgi için kitti web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionkitti veri kümesi ne için kullanılır?#

kitti veri kümesi öncelikle otonom sürüş alanında bilgisayarlı görü araştırmaları için kullanılır; nesne algılama, derinlik tahmini, optik akış ve 3D konumlandırma gibi görevleri destekler.

Link to this sectionkitti veri kümesinde kaç görüntü yer alıyor?#

Veri kümesi, kentsel, kırsal ve otoyol sahnelerinde çekilmiş 5.985 etiketli eğitim görüntüsü ve 1.496 doğrulama görüntüsü içerir. Orijinal test kümesi, yer gerçeği açıklamalarını içermediğinden burada hariç tutulmuştur.

Link to this sectionVeri kümesinde hangi nesne sınıfları etiketlenmiştir?#

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

Link to this sectionkitti veri kümesini kullanarak Ultralytics YOLO26 modellerini eğitebilir miyim?#

Evet, kitti, Ultralytics YOLO26 ile tam uyumludur. Sağlanan YAML yapılandırma dosyasını kullanarak doğrudan eğitim ve doğrulama işlemlerini yapabilirsin.

Link to this sectionkitti veri kümesi yapılandırma dosyasını nerede bulabilirim?#

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