Dataset KITTI#

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

Dataset KITTI của Ultralytics là dataset phát hiện đối tượng 2D dành cho xe tự hành, gồm 7,481 ảnh được gán nhãn (5,985 ảnh training và 1,496 ảnh validation) thuộc 8 class — ô tô, xe van, xe tải, người đi bộ, người đang ngồi, người đi xe đạp, xe điện và đối tượng khác. Do Karlsruhe Institute of Technology và Toyota Technological Institute at Chicago phát hành, các ảnh trong dataset được thu thập từ những cảnh lái xe thực tế ở đô thị, nông thôn và đường cao tốc.

Bộ KITTI Vision Benchmark Suite rộng hơn còn bao gồm ước lượng độ sâu, optical flow, thị giác lập thể và odometry thị giác, nhưng cấu hình kitti.yaml của Ultralytics ở đây được thiết lập cho phát hiện đối tượng 2D và hoàn toàn tương thích với Ultralytics YOLO26.

Cấu trúc dataset#

Dataset chứa 7,481 ảnh được gán nhãn, bao gồm các đối tượng như ô tô, người đi bộ và người đi xe đạp, được chia thành hai tập con định sẵn theo cấu hình kitti.yaml:

Các class đối tượng#

Tệp kitti.yaml định nghĩa 8 class đối tượng thuộc các nhóm phương tiện, con người và những người tham gia giao thông khác thường thấy trong cảnh lái xe:

Ứng dụng#

Bộ dữ liệu KITTI hỗ trợ nhiều ứng dụng phát hiện 2D trong lĩnh vực xe tự hành và robot:

• Nhận thức của xe tự hành: Huấn luyện model phát hiện và theo dõi ô tô, người đi bộ và người đi xe đạp để hệ thống tự lái có thể di chuyển an toàn.
• Phát triển ADAS: Xây dựng các tính năng hỗ trợ lái xe như cảnh báo va chạm và phát hiện người đi bộ trên dữ liệu thực tế khi lái xe.
• Phân tích giao thông và cảnh đường phố: Phát hiện và đếm phương tiện cùng người tham gia giao thông để nghiên cứu lưu lượng giao thông và an toàn đường bộ.
• Đánh giá chuẩn thị giác máy tính: Sử dụng KITTI làm benchmark tiêu chuẩn để đánh giá model phát hiện đối tượng 2D và theo dõi.

Để gán nhãn hình ảnh lái xe của riêng bạn, huấn luyện và quản lý các phiên bản dataset trên trình duyệt, hãy chạy toàn bộ quy trình bằng Ultralytics Platform.

YAML của dataset#

Ultralytics xác định cấu hình dataset KITTI bằng tệp YAML. Tệp này chỉ định các đường dẫn dataset, nhãn lớp và metadata cần thiết cho quá trình huấn luyện. Tệp cấu hình có tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml.

# 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

Cách sử dụng#

Để huấn luyện model YOLO26n trên dataset KITTI trong 100 epoch với kích thước ảnh 640, hãy sử dụng các lệnh sau. Dataset (390.5 MB) sẽ tự động tải xuống trong lần sử dụng đầu tiên. Để biết thêm chi tiết, hãy tham khảo trang Huấn luyện.

from ultralytics import YOLO

# Tải model YOLO26 đã pretrained
model = YOLO("yolo26n.pt")

# Huấn luyện trên dataset kitti
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

Bạn cũng có thể thực hiện các tác vụ đánh giá, suy luận và xuất trực tiếp từ dòng lệnh hoặc Python API bằng cùng tệp cấu hình.

Hình ảnh mẫu và annotation#

Ví dụ bên dưới cho thấy một cảnh giao thông trong dataset cùng các chú thích hộp giới hạn 2D. Hình ảnh KITTI bao gồm cảnh đô thị, nông thôn và đường cao tốc được ghi lại trong điều kiện giao thông thực tế, cung cấp cho model nhiều kích thước đối tượng, góc nhìn và điều kiện chiếu sáng đa dạng.

Trích dẫn và lời cảm ơn#

Nếu sử dụng dataset KITTI trong nghiên cứu, vui lòng trích dẫn bài báo sau:

@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}
}

Chúng tôi ghi nhận sự đóng góp của KITTI Vision Benchmark Suite trong việc cung cấp dataset toàn diện này, vốn tiếp tục thúc đẩy tiến bộ trong thị giác máy tính, robot và các hệ thống tự hành. Truy cập trang web KITTI để biết thêm thông tin.

Câu hỏi thường gặp#