KITTI Veri Kümesi#

7,481

KITTI

ultralytics

publicDetect

KITTI is the Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago autonomous-driving benchmark. Eight detection classes cover cars, vans, trucks, pedestrians, seated people, cyclists, trams, and miscellaneous road objects in real driving scenes.

8 classes721.4 MBSep 2, 2026

carvantruckpedestrian+4

object-detectionautonomous-drivingvehicles+2

Ultralytics KITTI veri kümesi, otonom sürüş için 8 sınıftan (otomobil, van, kamyon, yaya, oturan kişi, bisikletli, tramvay ve diğer) oluşan, 7.481 etiketli görüntü içeren bir 2D nesne tespiti veri kümesidir (5.985 eğitim ve 1.496 doğrulama görüntüsü). Karlsruhe Teknoloji Enstitüsü ve Chicago'daki Toyota Teknoloji Enstitüsü tarafından yayımlanan veri kümesindeki görüntüler, gerçek dünyadaki kentsel, kırsal ve otoyol sürüş sahnelerinden alınmıştır.

Daha kapsamlı KITTI Vision Benchmark Suite; derinlik tahmini, optik akış, stereo görüş ve görsel odometri görevlerini de kapsar. Ancak buradaki Ultralytics kitti.yaml yapılandırması 2D nesne tespiti için ayarlanmıştır ve Ultralytics YOLO26 ile tam uyumludur.

Veri Kümesi Yapısı#

Veri kümesi; otomobiller, yayalar ve bisikletliler gibi nesneleri kapsayan, kitti.yaml yapılandırmasıyla tanımlanmış iki önceden belirlenmiş alt kümeye ayrılan 7.481 etiketli görüntü içerir:

Nesne Sınıfları#

kitti.yaml dosyası; sürüş sahnelerinde sıkça görülen araçları, insanları ve diğer yol kullanıcılarını kapsayan 8 nesne sınıfını tanımlar:

Uygulamalar#

KITTI veri kümesi, otonom sürüş ve robotik alanlarında çeşitli 2D tespit uygulamalarını destekler:

• Otonom araç algısı: Sürücüsüz sistemlerin güvenli bir şekilde yol alabilmesi için araba, yaya ve bisikletlileri tespit edip izleyen modeller eğit.
• ADAS geliştirme: Gerçek sürüş görüntüleri üzerinde çarpışma uyarısı ve yaya tespiti gibi sürücü destek özellikleri geliştir.
• Trafik ve yol sahnesi analizi: Trafik akışını ve yol güvenliğini incelemek için araçları ve yol kullanıcılarını tespit edip say.
• Bilgisayarlı görü kıyaslaması: 2D nesne tespiti ve takip modellerini değerlendirmek için KITTI'yi standart bir kıyaslama veri kümesi olarak kullan.

Kendi sürüş görüntülerini etiketlemek, modelleri eğitmek ve veri kümesi sürümlerini tarayıcında yönetmek için tüm iş akışını Ultralytics Platform ile yürüt.

Veri Kümesi YAML Dosyası#

Ultralytics, KITTI veri kümesi yapılandırmasını bir YAML dosyasıyla tanımlar. Bu dosyada eğitim için gereken veri kümesi yolları, sınıf etiketleri ve meta veriler belirtilir. 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#

640 görüntü boyutuyla KITTI veri kümesinde bir YOLO26n modelini 100 epoch boyunca eğitmek için aşağıdaki komutları kullan. Veri kümesi (390.5 MB), ilk kullanımda otomatik olarak indirilir. Daha fazla bilgi için Eğitim sayfasına bak.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26 modeli yükle
model = YOLO("yolo26n.pt")

# KITTI veri kümesinde eğit
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

Aynı yapılandırma dosyasını kullanarak değerlendirme, çıkarım ve dışa aktarma işlemlerini doğrudan komut satırından veya Python API ile de gerçekleştirebilirsin.

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıdaki örnekte, veri kümesinden bir sürüş sahnesi ve sahneye ait 2D sınırlayıcı kutu anotasyonları gösteriliyor. KITTI görüntüleri, gerçek trafik koşullarında çekilmiş şehir içi, kırsal ve otoyol sahnelerini kapsar; böylece modeller farklı nesne ölçekleri, bakış açıları ve aydınlatma koşullarıyla karşılaşır.

Atıflar ve Teşekkürler#

KITTI veri kümesini araştırmanda kullanıyorsan 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 sistemlerdeki 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.

Sık Sorulan Sorular#