KITTI 深度数据集#

KITTI 数据集是一个真实世界的户外自动驾驶基准，由在卡尔斯鲁厄市及其周边行驶的移动车辆采集。对于单目深度估计，真实深度由 Velodyne HDL-64 LiDAR 扫描仪获取，并使用 Uhrig et al. 2017 的方法进行稠密化处理。生成的深度图仍然是稀疏的，大约 16–20% 的像素带有有效的深度值。KITTI 是 YOLO26-Depth 预训练组合中唯一的真实户外远程数据源，同时也用作 KITTI Eigen 评估基准。

主要特性#

真实的户外驾驶场景，深度跨度可达约 80 米，远超典型的室内范围。
深度真实值由 Velodyne HDL-64 LiDAR 获取，并使用 Uhrig 等人 2017 年的稀疏不变 CNN 方法进行稠密化处理。
稀疏监督：每张图像中只有约 16–20% 的像素带有有效的深度值；无效像素在损失函数和指标计算中会被遮蔽。
立体图像对（左侧 image_02 和右侧 image_03）为训练提供了额外的视角。
深度值存储为 .npy float32 数组，单位为米，遵循Ultralytics 深度数据集格式。

数据集结构#

Ultralytics 使用的 KITTI 深度数据分为两个子集：

训练集：55,198 张图像（左侧 image_02 和右侧 image_03）。所有 28 个 KITTI Eigen 测试驾驶均不参与训练，以确保评估公平。
评估集：KITTI Eigen 测试集——其 652 帧拥有改进后真值的左侧相机帧。评估使用 80 米深度上限以及预测结果与真值之间的中位数（仅缩放）对齐。

深度范围大约达到 80 米，数据集 YAML（depth-kitti.yaml）相应地设置了 max_depth: 80。

在 YOLO26-Depth 中的作用#

KITTI 提供了 YOLO26-Depth 预训练混合中唯一的真实户外、远距离监督，补充了以室内为主的数据来源。它也是用于报告驾驶场景深度精度的标准 KITTI Eigen 基准。

KITTI 是深度头无边界（log 模式）的关键示例：固定的 10 米输出上限无法表示 80 米的驾驶场景。有关头输出范围和 max_depth 处理的详细信息，请参阅深度任务页面。

结果#

按模型大小划分的 KITTI Eigen delta1 准确率（越高越好）：

模型	KITTI Eigen δ1
YOLO26n-Depth	0.878
YOLO26s-Depth	0.879
YOLO26m-Depth	0.913
YOLO26l-Depth	0.926
YOLO26x-Depth	0.932

在包含 imgsz=768 和 rect=False 的 652 帧规范划分上测得。它们无法与已发布的 KITTI 数据直接进行对比：验证集将每张图像拉伸为正方形 imgsz，并将稀疏真值最近邻重采样到其上，而参考评估器则是将预测结果大小调整回原生的真值分辨率；DepthMetrics 针对 max_depth 对真值进行掩码处理，而改进真值协议则对 gt > 0 进行掩码处理且仅对预测结果设置上限；它汇集了该划分中的每个有效像素，而不是对每个图像的指标取平均值；并且发布的权重是用之前的划分进行训练的，该划分将这些测试帧中的 72 帧放到了训练集中。

数据集 YAML#

YAML (Yet Another Markup Language) 文件用于定义数据集配置。它包含关于数据集路径、类别以及最大深度等其他相关信息。

ultralytics/cfg/datasets/depth-kitti.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# KITTI dataset for monocular depth estimation — real outdoor driving, Velodyne HDL-64 LiDAR (densified), sparse, up to ~80 m
# Documentation: https://docs.ultralytics.com/datasets/depth/kitti
# Example usage: yolo depth train data=depth-kitti.yaml model=yolo26n-depth.pt
# parent
# ├── ultralytics
# └── datasets
#     └── depth-kitti  ← downloads here (~190 GB archives, ~140 GB converted)
#         ├── images/{train,val}  # RGB images
#         └── depth/{train,val}   # paired *.npy, float32 meters (images/ -> depth/)
# If an interrupted download leaves a partial dataset, delete the depth-kitti dir and re-run to rebuild it.
# The download only runs when the val images are missing (train is never checked), so a depth-kitti dir
# built before this split fix keeps the old split until it is deleted and rebuilt.

path: depth-kitti # dataset root dir (relative to Ultralytics settings 'datasets_dir')
train: images/train # train images (relative to 'path') 55198 images
val: images/val # val images (relative to 'path') 652 images (KITTI Eigen test split, left camera)
max_depth: 80 # (m) maximum valid depth; GT beyond this is excluded from val metrics

nc: 1
names:
  0: depth

channels: 3

# Download script/URL (optional)
download: |
  import shutil
  from pathlib import Path

  import cv2
  import numpy as np

  from ultralytics.utils import TQDM
  from ultralytics.utils.downloads import download

  # The 28 KITTI Eigen test scenes as "<drive> <frame indices>" -> val; every other annotated drive -> train. val is
  # the 697-frame Eigen et al. (NeurIPS 2014) test split restricted to frames with improved GT here: 652 left-camera.
  EIGEN_TEST = """
  2011_09_26_drive_0002 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 63 69
  2011_09_26_drive_0009 16 32 48 64 80 96 112 128 144 160 176 196 212 228 244 260 276 292 308 324 340 356 372 388
  2011_09_26_drive_0013 5 10 20 30 35 40 45 50 60 65 70 80 85 90 95 100 105 110 115 120 125 130 135
  2011_09_26_drive_0020 6 9 12 15 18 21 27 33 36 42 45 48 51 54 57 60 63 66 69 72 75 78
  2011_09_26_drive_0023 18 36 54 72 90 108 126 144 162 180 198 216 252 270 288 306 324 342 360 378 396 414 432 450 468
  2011_09_26_drive_0027 7 14 21 28 35 42 49 56 63 70 77 84 91 98 112 119 126 133 140 147 161 168 175 182
  2011_09_26_drive_0029 14 28 42 56 70 84 98 112 126 140 154 168 182 196 268 296 310 324 338 352 366 380 394 408
  2011_09_26_drive_0036 32 64 96 128 160 192 224 256 288 320 352 384 416 448 480 512 544 576 608 640 672 704 768
  2011_09_26_drive_0046 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115
  2011_09_26_drive_0048 5 6 7 8 9 10 11 12 13 14 15 16
  2011_09_26_drive_0052 6 8 10 12 14 16 18 20 22 26 28 30 32 36 38 40 42 44 46 48 50 52
  2011_09_26_drive_0056 11 22 33 44 55 66 77 88 99 110 121 143 154 165 176 187 198 209 220 231 242 253 264 275 286
  2011_09_26_drive_0059 14 28 42 56 70 84 98 112 126 140 154 182 196 210 224 238 274 288 302 316 330 344 358
  2011_09_26_drive_0064 22 44 66 88 110 154 176 198 220 242 264 286 308 330 352 374 396 418 440 462 484 506 528 550
  2011_09_26_drive_0084 49 62 75 88 101 114 127 140 153 179 192 205 218 231 244 257 270 283 296 309 322 335 348 361 374
  2011_09_26_drive_0086 7 34 61 88 115 142 169 196 223 250 277 304 331 358 385 412 439 466 493 520 574 601 628 655 682
  2011_09_26_drive_0093 16 32 48 64 80 96 112 128 144 160 176 192 208 224 240 256 305 321 337 353 369 385 401 417
  2011_09_26_drive_0096 19 38 57 76 95 114 133 152 171 190 209 228 247 266 285 304 323 342 361 380 399 418 437 456
  2011_09_26_drive_0101 80 114 148 182 216 284 318 352 386 420 454 488 522 556 590 624 658 692 726 760 794 828 862 896 930
  2011_09_26_drive_0106 15 35 43 51 59 67 75 83 91 99 107 115 123 131 139 147 155 163 171 179 187 195 203 211 219
  2011_09_26_drive_0117 26 52 78 104 130 156 182 208 234 260 286 312 338 364 390 416 442 468 494 546 572 598 624 650
  2011_09_28_drive_0002 6 9 12 18 21 24 30 33 36 39 45 48 51 54 57 60 63 72 78 81 84 87 90
  2011_09_29_drive_0071 36 72 108 144 180 216 252 288 324 360 396 432 468 504 540 576 612 735 771 807 879 915 951
  2011_09_30_drive_0016 11 22 33 44 55 66 77 88 110 121 132 143 154 165 176 187 198 209 220 231 242 253 264
  2011_09_30_drive_0018 107 214 428 535 642 749 856 963 1070 1177 1284 1391 1498 1605 1712 1819 1926 2033 2140 2247 2419 2526 2633 2740
  2011_09_30_drive_0027 41 82 123 164 205 246 287 328 369 410 451 492 533 574 615 656 753 794 835 876 917 958 1040 1081
  2011_10_03_drive_0027 181 362 543 734 915 1096 1277 1458 1639 1820 2001 2363 2544 2725 2906 3087 3268 3449 3630 3811 3992 4173 4354 4535
  2011_10_03_drive_0047 32 64 96 128 160 192 224 288 320 352 384 416 448 480 512 544 576 608 640 672 704 736 768 800"""
  EIGEN_TEST = {ln.split()[0]: {int(i) for i in ln.split()[1:]} for ln in EIGEN_TEST.strip().splitlines()}
  # Annotated drives excluded from the release training set (raw data was unavailable at build time)
  SKIP_DRIVES = {"2011_09_28_drive_0104", "2011_09_28_drive_0135", "2011_09_28_drive_0177", "2011_09_28_drive_0214"}

  # Download the improved sparse GT (~14 GB) and the raw recordings it covers (~175 GB)
  dir = Path(yaml["path"])  # dataset root dir
  base = "https://s3.eu-central-1.amazonaws.com/avg-kitti"
  download([f"{base}/data_depth_annotated.zip"], dir=dir / "source", delete=True, exist_ok=True)
  gt_drives = sorted(p for p in (dir / "source" / "data_depth_annotated").glob("*/*_sync") if p.name[:-5] not in SKIP_DRIVES)
  urls = [f"{base}/raw_data/{p.name[:-5]}/{p.name}.zip" for p in gt_drives]
  download(urls, dir=dir / "source" / "raw", delete=True, exist_ok=True, threads=4)

  # Convert: GT PNGs are uint16 meters*256; RGB frames come from the matching raw drive
  for split in ("train", "val"):
      (dir / "images" / split).mkdir(parents=True, exist_ok=True)
      (dir / "depth" / split).mkdir(parents=True, exist_ok=True)
  for gt in TQDM(gt_drives, desc="Converting"):
      drive = gt.name[:-5]  # 2011_09_26_drive_0002
      split = "val" if drive in EIGEN_TEST else "train"
      # val is the canonical Eigen test split: left camera only, and only its 652 listed frames
      for cam in ("image_02",) if split == "val" else ("image_02", "image_03"):
          for png in sorted((gt / "proj_depth" / "groundtruth" / cam).glob("*.png")):
              if split == "val" and int(png.stem) not in EIGEN_TEST[drive]:
                  continue
              name = f"{drive}_{cam[-2:]}_{png.stem}"
              depth = cv2.imread(str(png), cv2.IMREAD_ANYDEPTH).astype(np.float32) / 256.0
              np.save(dir / "depth" / split / f"{name}.npy", depth)
              raw = dir / "source" / "raw" / drive[:10] / gt.name / cam / "data" / png.name
              raw.replace(dir / "images" / split / f"{name}.png")
  shutil.rmtree(dir / "source")

用法#

要在 KITTI 数据集上训练 YOLO26n-Depth 模型 100 个轮次，你可以使用以下代码片段。有关可用参数的完整列表，请参考模型训练页面。

训练示例

from ultralytics import YOLO

# Load a pretrained depth model
model = YOLO("yolo26n-depth.pt")

# Train the model on KITTI
results = model.train(data="depth-kitti.yaml", epochs=100, imgsz=640)

预训练模型#

预训练的 YOLO26-Depth 模型在首次通过名称引用时从 Ultralytics v8.4.0 资产发布中自动下载：

引用与致谢#

如果你在研究或开发工作中使用了 KITTI 数据集，请引用以下论文：

引用

@article{geiger2013vision,
      title={Vision meets Robotics: The KITTI Dataset},
      author={Geiger, Andreas and Lenz, Philip and Stiller, Christoph and Urtasun, Raquel},
      journal={The International Journal of Robotics Research},
      year={2013},
      publisher={SAGE Publications}
}

@inproceedings{uhrig2017sparsity,
      title={Sparsity Invariant CNNs},
      author={Uhrig, Jonas and Schneider, Nick and Schneider, Lukas and Franke, Uwe and Brox, Thomas and Geiger, Andreas},
      booktitle={International Conference on 3D Vision (3DV)},
      year={2017}
}

我们衷心感谢卡尔斯鲁厄理工学院和芝加哥丰田技术学院创建并维护 KITTI 数据集，同时也感谢 Uhrig 等人提出的深度稠密化方法，该方法使得稠密监督成为可能。

贡献者

JEJESUSROYETH¹ GLglenn-jocher¹ BOBovey0809¹

创建于 2周前更新于昨天