Ultralytics YOLO27：
CC BY-NC-SA 3.0

KITTI 深度数据集#

KITTI 数据集是一个真实的户外自动驾驶基准测试，捕捉自卡尔斯鲁厄市及其周边行驶中的车辆。对于单目深度估计，真实深度由 Velodyne HDL-64 激光雷达扫描仪获取，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，大约有 16–20% 的像素带有有效的深度值。KITTI 是 YOLO26-Depth 预训练混合集中的真实户外驾驶来源，也用作 KITTI Eigen 评估基准。

主要特性#

  • 真实的户外驾驶场景，深度范围最长约 80 m，远超典型的室内范围。
  • 深度真值来自 Velodyne HDL-64 LiDAR，并使用 Uhrig 等人 2017 年提出的 Sparsity Invariant CNNs 方法进行稠密化。
  • 稀疏监督：每张图像中只有约 16–20% 的像素携带有效深度值；无效像素会在损失和指标计算中被屏蔽。
  • 立体图像对（左 image_02 和右 image_03）为训练提供了额外的视角。
  • 深度值以每米 256 个单位（depth_scale: 256）存储为 uint16 PNG，并遵循 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：

  1. 训练集：55,198 张图像（左 image_02 和右 image_03）。所有 28 个 KITTI Eigen 测试行程均从训练中排除，以确保评估公平。
  2. 评估集：KITTI Eigen 测试集——其中包含 652 帧具有改进真值的左摄像头图像。评估使用 80 m 的深度上限，并在预测结果与深度真值之间进行中值（仅尺度）对齐。

深度范围可达约 80 m，数据集 YAML（depth-kitti.yaml）相应地设置了 max_depth: 80。

在 YOLO26-Depth 中的作用#

KITTI 在 YOLO26-Depth 预训练混合集中提供真实的户外驾驶监督，补充了以室内为主的来源。它也是报告驾驶场景深度准确性的标准 KITTI Eigen 评估基准。

KITTI 是深度头采用无界（log 模式）的重要例证：固定的 10 m 输出上限无法表示 80 m 的驾驶场景。有关头部输出范围和 max_depth 处理的详细信息，请参阅深度任务页面。

结果#

按模型大小排列的 KITTI Eigen delta1 精度（越高越好）：

模型KITTI Eigen δ1
YOLO26n-Depth0.878
YOLO26s-Depth0.879
YOLO26m-Depth0.913
YOLO26l-Depth0.926
YOLO26x-Depth0.932

在包含 imgsz=768 和 rect=False 的 652 帧规范拆分上测量。它们与已发布的 KITTI 数据无法直接比较：验证集将每张图像拉伸为正方形 imgsz 并将稀疏的真实标签最近邻重采样到其上，而参考评估器则将预测结果调整回本地真实标签分辨率；DepthMetrics 针对 max_depth 对真实标签进行掩码处理，其中改进的真实标签协议掩码 gt > 0 且仅对预测进行上限限制；发布的权重使用先前的拆分进行训练，该拆分将其中 72 个测试帧放入了训练集中。

数据集 YAML#

YAML 文件用于定义数据集配置。它包含有关数据集路径、类别以及其他相关信息（例如最大深度）的信息。

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 16-bit *.png depth maps (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
depth_scale: 256 # KITTI PNG value 256 = 1 meter

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

  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}"
              png.replace(dir / "depth" / split / f"{name}.png")
              raw = dir / "source" / "raw" / drive[:10] / gt.name / cam / "data" / png.name
              raw.replace(dir / "images" / split / f"{name}.png")
  shutil.rmtree(dir / "source")

使用方法#

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

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#

首次按名称引用时，预训练的 YOLO26-Depth 模型会自动从 Ultralytics v8.4.0 资源发布版本下载：

引用和致谢#

如果你在研究或开发工作中使用 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}
}

我们谨此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，也感谢 Uhrig 等人为实现稠密监督提供了深度稠密化方法。

常见问题#

  • KITTI 是 YOLO26-Depth 预训练混合集中的真实户外驾驶来源，也用作 KITTI Eigen 评估基准。其 Velodyne 激光雷达深度可达约 80 米，这就是为什么深度头是无界的，而不是限制在固定的室内范围内。

  • Ultralytics 配置使用来自左右相机的 55,198 张训练图像，排除了所有 28 个 KITTI Eigen 测试驱动，并在具有改进真实标签的 652 个左相机 Eigen 测试帧上进行评估。深度 PNG 使用每米 256 个单位（depth_scale: 256），YAML 设置 max_depth: 80。

  • 运行 yolo depth train data=depth-kitti.yaml model=yolo26n-depth.pt epochs=100 imgsz=640，或使用 Usage 部分中的 Python 示例。Training 页面列出了所有可用的参数。

  • Results 中的值来自带有 imgsz=768 和 rect=False 的 Ultralytics 验证器，它将图像调整为正方形输入，针对 max_depth 对真实标签进行掩码处理，并在跨验证集平均之前使用逐图像尺度对齐计算每张图像的指标。参考 KITTI 评估器使用不同的协议，因此这些数字无法直接进行比较。

贡献者
GLglenn-jocher5JEJESUSROYETH1BOBovey08091

评论