Bộ dữ liệu KITTI#

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

Dataset KITTI của Ultralytics là một dataset object detection 2D dành cho xe tự hành, bao gồm 7.481 ảnh được gán nhãn (5.985 cho huấn luyện và 1.496 cho 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 hình ảnh của dataset này được lấy từ các cảnh lái xe thực tế ở khu vực đô thị, nông thôn và cao tốc.

Bộ công cụ đánh giá KITTI Vision Benchmark Suite rộng lớn hơn cũng bao gồm ước tính độ sâu, luồng quang học, thị giác âm thanh nổi và đo odometry trực quan, nhưng cấu hình kitti.yaml của Ultralytics ở đây được thiết lập cho việc phát hiện đối tượng 2D và hoàn toàn tương thích với Ultralytics YOLO26.

Cấu trúc tập dữ liệu#

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 xác định trước được định nghĩa bởi cấu hình kitti.yaml:

Các lớp vật thể#

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

Ứng dụng#

Tập dữ liệu KITTI hỗ trợ một loạt các ứng dụng phát hiện 2D trong xe tự lái và robotics:

• Nhận thức xe tự lái: Huấn luyện các model để phát hiện và theo dõi ô tô, người đi bộ và người đi xe đạp để các hệ thống tự lái có thể điều hướng 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 dựa trên thước phim lái xe thực tế.
• Phân tích giao thông và hiện trường đường bộ: Phát hiện và đếm số lượng phương tiện cũng như 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 chuẩn đánh giá tiêu chuẩn để đánh giá các model phát hiện đối tượng và theo dõi 2D.

Để gắn nhãn hình ảnh lái xe của riêng bạn, huấn luyện và quản lý các phiên bản dataset trong trình duyệt của bạn, hãy chạy toàn bộ workflow với Ultralytics Platform.

YAML tập dữ liệu#

Ultralytics định nghĩa cấu hình dataset KITTI bằng một tệp YAML. Tệp này chỉ định các đường dẫn dataset, nhãn lớp và siêu dữ liệu cần thiết cho việc huấn luyện. Tệp cấu hình có sẵn 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 là 640, hãy sử dụng các lệnh sau. Dataset (390,5 MB) 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

# 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 xuất trực tiếp từ dòng lệnh hoặc Python API bằng cách sử dụng cùng một tệp cấu hình.

Hình ảnh mẫu và chú thích#

Mẫu dưới đây hiển thị một bối cảnh lái xe từ tập dữ liệu cùng với các chú thích bounding-box 2D của nó. Hình ảnh KITTI trải dài trên các bối cảnh đô thị, nông thôn và đường cao tốc được ghi lại trong giao thông thực tế, mang đến cho các model sự đa dạng về quy mô đối tượng, góc nhìn và ánh sáng.

Trích dẫn và Ghi nhận#

Nếu bạn sử dụng tập dữ liệu KITTI trong nghiên cứu của mình, 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 vì đã cung cấp dataset toàn diện này, tiếp tục định hình sự tiến bộ trong thị giác máy tính, robot và hệ thống tự hành. Truy cập trang web KITTI để biết thêm thông tin.

Câu hỏi thường gặp#