KITTI Veri Seti#

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 seti, otonom sürüş için 7.481 etiketli görüntü (eğitim için 5.985 ve doğrulama için 1.496) içeren ve 8 sınıfa (car, van, truck, pedestrian, person_sitting, cyclist, tram ve misc) ayrılmış bir 2D nesne algılama veri setidir. Karlsruhe Institute of Technology ve Toyota Technological Institute at Chicago tarafından yayımlanan bu veri setindeki görüntüler, gerçek dünyadaki kentsel, kırsal ve otoyol sürüş sahnelerinden alınmıştır.

Daha kapsamlı KITTI Vision Benchmark Suite; derinlik tahmini, optik akış, stereo görüntüleme ve görsel odometriyi de kapsar, ancak buradaki Ultralytics kitti.yaml yapılandırması 2D nesne algılama için ayarlanmıştır ve Ultralytics YOLO26 ile tamamen uyumludur.

Veri Kümesi Yapısı#

Veri seti; otomobiller, yayalar ve bisikletliler gibi nesneleri kapsayan 7.481 etiketli görüntü içerir ve kitti.yaml yapılandırması tarafından tanımlanan iki önceden belirlenmiş alt kümeye ayrılmıştır:

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 robotikte çeşitli 2D algılama uygulamalarını destekler:

• Otonom araç algısı: Sürücüsüz sistemlerin güvenli bir şekilde yol alabilmesi için otomobilleri, yayaları ve bisikletlileri algılayıp takip eden 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 algıla ve say.
• Bilgisayarlı görü kıyaslaması: 2D nesne algılama ve takip modellerini değerlendirmek için KITTI'yi standart bir kıyaslama veri seti olarak kullan.

Kendi sürüş görüntülerini etiketlemek, tarayıcında eğitim yapmak ve veri seti sürümlerini yönetmek için tüm iş akışını Ultralytics Platform ile çalıştır.

Veri Kümesi YAML'i#

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 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 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modeli eğitmek için aşağıdaki komutları kullan. Veri seti (390.5 MB), ilk kullanımda otomatik olarak indirilir. Daha fazla bilgi için Training 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)

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

Örnek Görüntüler ve Açıklamalar#

Aşağıdaki örnek, 2D sınırlayıcı kutu anotasyonlarıyla birlikte veri setindeki bir sürüş sahnesini gösterir. KITTI görüntüleri, gerçek trafikte kaydedilmiş kentsel, kırsal ve otoyol sahnelerini kapsar; bu da modellere çeşitli nesne ölçekleri, bakış açıları ve aydınlatma koşulları sunar.

Atıflar ve Teşekkürler#

KITTI veri setini araştırmanda kullanıyorsan lütfen aşağıdaki makaleye atıf yap:

@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 setini sağladığı için KITTI Vision Benchmark Suite'e teşekkür ederiz. Daha fazla bilgi için KITTI web sitesini ziyaret et.

SSS#