Bộ dữ liệu 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

Bộ dữ liệu KITTI của Ultralytics là bộ dữ liệu phát hiện đối tượng 2D dành cho xe tự hành, gồm 7.481 ảnh đã được gán nhãn (5.985 ảnh dùng để huấn luyện và 1.496 ảnh dùng để xác thực) trên 8 lớp — car, van, truck, pedestrian, person_sitting, cyclist, tram và misc. Được phát hành bởi Viện Công nghệ Karlsruhe và Viện Công nghệ Toyota tại Chicago, các ảnh này đến từ những cảnh lái xe thực tế trong đô thị, nông thôn và trên đường cao tốc.

Bộ KITTI Vision Benchmark Suite mở rộng cũng bao gồm ước tính độ sâu, luồng quang học, thị giác lập thể và đo quán tính hình ảnh, nhưng cấu hình kitti.yaml của Ultralytics tại đây được thiết lập cho phát hiện đối tượng 2D và hoàn toàn tương thích với Ultralytics YOLO26.

Cấu trúc bộ dữ liệu#

Bộ dữ liệu chứa 7.481 ảnh đã được gán nhãn, bao quát các đối tượng như ô tô, người đi bộ và người đi xe đạp, được chia thành hai tập con định trước theo cấu hình kitti.yaml:

Các lớp đối tượng#

Tệp kitti.yaml định nghĩa 8 lớp đối tượng, bao quát phương tiện, con người và những người tham gia giao thông khác thường xuất hiện trong các 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 để phát hiện và theo dõi ô tô, người đi bộ và người đi xe đạp, giúp các hệ thống tự lái di chuyển an toàn.
• Phát triển ADAS: Xây dựng các tính năng hỗ trợ người lái như cảnh báo va chạm và phát hiện người đi bộ trên dữ liệu video lái xe thực tế.
• Phân tích giao thông và cảnh đường sá: Phát hiện và đếm phương tiện cũng như người tham gia giao thông để nghiên cứu luồng giao thông và an toàn đường bộ.
• Benchmarking thị giác máy tính: Sử dụng KITTI làm benchmark tiêu chuẩn để đánh giá các model phát hiện đối tượng 2D và tracking.

Để gán nhãn hình ảnh lái xe của riêng bạn, huấn luyện và quản lý các phiên bản dataset ngay trên trình duyệt, hãy thực hiện toàn bộ workflow với Ultralytics Platform.

YAML của bộ dữ liệu#

Ultralytics định nghĩa 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 được tải xuống trong lần sử dụng đầu tiên. Để biết thêm chi tiết, hãy tham khảo trang Huấn luyện.

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)

Bạn cũng có thể thực hiện các tác vụ đánh giá, suy luận và export trực tiếp từ command line hoặc Python API bằng cùng một tệp cấu hình.

Hình ảnh mẫu và annotation#

Mẫu dưới đây hiển thị một cảnh lái xe trong dataset cùng với các annotation bounding box 2D. Hình ảnh KITTI bao quát các cảnh đô thị, nông thôn và đường cao tốc được ghi lại trong giao thông thực tế, mang đến cho model sự đa dạng về kích thước đối tượng, góc nhìn và điều kiện ánh sáng.

Trích dẫn và ghi nhận đóng góp#

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 KITTI Vision Benchmark Suite đã cung cấp dataset toàn diện này, góp phần định hình những tiến bộ trong thị giác máy tính, robot và các hệ thống tự hành. Truy cập website KITTI để biết thêm thông tin.

FAQ#