KITTI Veri Kümesi#

7,481

KITTI

ultralytics

publicDetect

Official Ultralytics KITTI object detection dataset from Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago, with 7,481 autonomous-driving images and 40,570 bounding boxes across 8 classes. Includes 5,985 train and 1,496 validation images.

8 classes721.4 MBAug 21, 2026

carvantruckpedestrian+4

object-detectionautonomous-drivingvehicles+2

Ultralytics KITTI veri seti, otonom sürüş için 8 sınıf (car, van, truck, pedestrian, person_sitting, cyclist, tram ve misc) genelinde 7.481 etiketli görüntü (eğitim için 5.985 ve doğrulama için 1.496) içeren bir 2D nesne tespiti veri setidir. Karlsruhe Teknoloji Enstitüsü ve Chicago'daki Toyota Teknoloji Enstitüsü tarafından yayınlanan görüntüleri, gerçek dünya kentsel, kırsal ve otoyol sürüş sahnelerinden gelmektedir.

Daha kapsamlı olan KITTI Vision Benchmark Suite ayrıca derinlik tahmini, optik akış, stereo vizyon ve görsel odometriyi de kapsar, ancak buradaki Ultralytics kitti.yaml yapılandırması 2D nesne tespiti için ayarlanmıştır ve Ultralytics YOLO26 ile tam uyumludur.

Veri Kümesi Yapısı#

Veri seti, kitti.yaml yapılandırması tarafından tanımlanan önceden tanımlanmış iki alt kümeye ayrılmış arabalar, yaya ve bisikletliler gibi nesneleri kapsayan 7.481 etiketli görüntü içerir:

Nesne Sınıfları#

kitti.yaml dosyası, sürüş sahnelerinde yaygın olarak görülen araçları, insanları ve diğer yol kullanıcılarını kapsayan 8 nesne sınıfı tanımlar:

Uygulamalar#

KITTI veri seti, otonom sürüş ve robotik alanlarında çeşitli 2B algılama uygulamalarını destekler:

• Otonom araç algısı: Otonom sürüş sistemlerinin güvenli bir şekilde hareket edebilmesi için araçları, yayaları ve bisikletlileri tespit etmek ve takip etmek üzere modeller eğit.
• ADAS geliştirme: Gerçek sürüş görüntüleri üzerinde çarpışma uyarısı ve yaya algılama gibi sürücü destek özellikleri oluştur.
• Trafik ve yol sahnesi analizi: Trafik akışını ve yol güvenliğini incelemek için araçları ve yol kullanıcılarını tespit et ve say.
• Bilgisayarlı görü kıyaslaması: 2D nesne tespiti ve takip modellerini değerlendirmek için KITTI'yi standart bir kıyaslama olarak kullan.

Kendi sürüş görsellerini etiketlemek, eğitmek ve veri seti sürümlerini tarayıcında yönetmek için tam iş akışını Ultralytics Platform ile çalıştır.

Veri Kümesi YAML#

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

# 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 640 görüntü boyutuyla 100 dönem (epoch) boyunca bir YOLO26n modeli eğitmek için aşağıdaki komutları kullan. Veri seti (390.5 MB) ilk kullanımda otomatik olarak indirilir. Daha fazla ayrıntı için Eğitim sayfasına göz at.

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 doğrudan komut satırından veya Python API üzerinden değerlendirme, çıkarım ve dışa aktarma görevlerini de gerçekleştirebilirsin.

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıdaki örnek, veri setinden 2B sınırlayıcı kutu etiketleriyle birlikte bir sürüş sahnesini göstermektedir. KITTI görüntüleri, gerçek trafikte yakalanan kentsel, kırsal ve otoyol sahnelerini kapsar ve modellere çeşitli nesne ölçekleri, bakış açıları ve aydınlatma koşulları sunar.

Alıntılar ve Teşekkür#

KITTI veri setini araştırmanda kullanıyorsan, lütfen aşağıdaki makaleyi kaynak göster:

@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#