KITTI 数据集#

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

Ultralytics KITTI 数据集是一个用于自动驾驶的 2D object detection 数据集，包含 7,481 张标注图像（5,985 张用于训练，1,496 张用于验证），涵盖 8 个类别——car、van、truck、pedestrian、person_sitting、cyclist、tram 和 misc。该数据集由卡尔斯鲁厄理工学院和芝加哥丰田技术研究所发布，其图像来自现实世界的城市、乡村和高速公路驾驶场景。

更广泛的 KITTI Vision Benchmark Suite 还涵盖深度估计、光流、立体视觉和视觉里程计，但此处的 Ultralytics kitti.yaml 配置设置为 2D 目标检测，并且完全兼容 Ultralytics YOLO26。

数据集结构#

该数据集包含 7,481 张标注图像，涵盖汽车、行人和骑自行车的人等对象，并分为由 kitti.yaml 配置定义的两个预定义子集：

物体类别#

kitti.yaml 文件定义了 8 个对象类别，涵盖驾驶场景中常见的车辆、人员和其他道路使用者：

应用#

KITTI 数据集支持自动驾驶和机器人领域中一系列 2D 检测应用：

• 自动驾驶感知：训练模型以检测并跟踪汽车、行人和骑行者，从而使自动驾驶系统能够安全行驶。
• ADAS 开发：利用真实驾驶影像构建驾驶辅助功能，例如碰撞预警和行人检测。
• 交通与道路场景分析：检测并统计车辆和道路使用者，以研究交通流量和道路安全。
• Computer vision benchmarking：使用 KITTI 作为评估 2D object detection 和 tracking 模型的标准基准。

要在浏览器中标记你自己的驾驶图像、训练和管理数据集版本，请使用 Ultralytics Platform 运行完整的工作流。

数据集 YAML#

Ultralytics 使用 YAML 文件定义 KITTI 数据集配置。此文件指定训练所需的数据集路径、类标签和元数据。配置文件可在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml 获取。

# 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

用法#

要在 KITTI 数据集上训练 YOLO26n 模型 100 个 epochs，图像大小为 640，请使用以下命令。数据集（390.5 MB）会在首次使用时自动下载。有关更多详细信息，请参阅 Training 页面。

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)

你还可以使用相同的配置文件直接从命令行或 Python API 执行评估、inference 和 export 任务。

样本图像和标注#

下方的示例展示了数据集中带有 2D 边界框标注的驾驶场景。KITTI 图像涵盖了在真实交通中捕获的城市、乡村和高速公路场景，为模型提供了多样的目标尺度、视角和光照条件。

引用与致谢#

如果你在研究中使用了 KITTI 数据集，请引用以下论文：

@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}
}

我们感谢 KITTI Vision Benchmark Suite 提供这个全面的数据集，它持续塑造着计算机视觉、机器人技术和自主系统领域的进展。访问 KITTI website 了解更多信息。

常见问题解答#