开始使用

KITTI 数据集

KITTI preview 1
KITTI preview 2
KITTI preview 3
KITTI preview 4
7,481
KITTI
ultralytics
PublicDetect

Car-mounted camera views of road scenes around Karlsruhe, Germany, from the KITTI autonomous-driving benchmark (KIT and TTI Chicago). Recorded with a sensor-equipped station wagon in city, rural, and highway traffic, with vehicles, pedestrians, and cyclists labeled under frequent occlusion and truncation. Ultralytics splits the labeled KITTI training images into train and val, omits the unlabeled test set, and drops DontCare regions. Source: Geiger, Lenz, Urtasun, "Are We Ready for Autonomous Driving? The KITTI Vision Benchmark Suite," CVPR 2012; cvlibs.net/datasets/kitti.

8 classes721.4 MBOct 23, 2026
carvantruckpedestrian+4
object-detectionautonomous-drivingvehicles+2

Open KITTI Dataset In Colab

Ultralytics KITTI 数据集是一个用于自动驾驶的 2D 目标检测数据集,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:汽车、厢式货车、卡车、行人、坐着的人、骑自行车的人、有轨电车和其他。该数据集由卡尔斯鲁厄理工学院和芝加哥丰田技术研究院发布,图像来自真实世界的城市、乡村和高速公路驾驶场景。



观看: 如何在 KITTI 数据集上训练 Ultralytics YOLO | 目标检测、推理和 ONNX 导出 🚀

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 配置针对使用 Ultralytics YOLO26 进行 2D 目标检测进行了设置。

数据集结构#

警告

此处不包含原始 KITTI 测试集,因为该测试集没有公开的真实标注。

该数据集包含 7,481 张标注图像,涵盖汽车、行人和骑行者等目标,并按照 kitti.yaml 配置划分为两个预定义子集:

划分图像说明
训练5,985用于模型训练的标注图像
验证1,496留出用于评估和基准测试的图像

目标类别#

kitti.yaml 文件定义了 8 个目标类别,涵盖驾驶场景中常见的车辆、人和其他道路使用者:

KITTI 类别
  1. 轿车
  2. 厢式车
  3. 卡车
  4. 行人
  5. 坐着的人
  6. 骑行者
  7. 有轨电车
  8. 其他

应用场景#

KITTI 数据集支持自动驾驶和机器人领域的一系列 2D 检测应用:

  • 自动驾驶汽车感知:训练模型来检测和跟踪轿车、行人和骑行者,让自动驾驶系统能够安全行驶。
  • 高级驾驶辅助系统开发:基于真实驾驶影像构建碰撞预警和行人检测等驾驶辅助功能。
  • 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。
  • 计算机视觉基准测试:将 KITTI 用作标准基准,评估 2D 目标检测和跟踪模型。

要标注自己的驾驶影像、训练模型并在浏览器中管理数据集版本,请使用 Ultralytics Platform运行完整工作流。

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、类别标签和元数据。配置文件位于 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml。

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

用法#

如需在 KITTI 数据集上以 640 的图像尺寸训练一个 YOLO26n 模型,训练 100 个周期,请使用以下命令。首次使用时会自动下载数据集(390.5 MB)。

训练示例
from ultralytics import YOLO

# 加载预训练的 YOLO26 模型
model = YOLO("yolo26n.pt")

# 在 kitti 数据集上训练
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

你也可以使用同一个配置文件,直接从命令行或 Python API 执行评估、推理和导出任务。

示例图像和标注#

下面的示例展示了数据集中的一个驾驶场景及其 2D 边界框标注。KITTI 图像涵盖城市、乡村和高速公路场景,均采集自真实交通环境,为模型提供不同的目标尺寸、视角和光照条件。

KITTI dataset vehicle detection sample

引用与致谢#

如果你在研究中使用 KITTI 数据集,请引用以下论文:

引用
@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,它持续推动计算机视觉、机器人和自主系统的发展。如需了解更多信息,请访问 KITTI 网站。

常见问题#

  • Ultralytics KITTI 数据集用于训练和评估自动驾驶领域的 2D 目标检测模型。它包含 7,481 张带标注图像,涵盖 8 个类别,包括轿车、行人和骑行者,广泛用于感知模型的基准测试。

  • Ultralytics KITTI 配置包含 7,481 张图像——5,985 张用于训练,1,496 张用于验证——没有单独的测试集。每张图像均标注了 8 个类别:轿车、厢式车、卡车、行人、person_sitting、骑行者、有轨电车和其他。

  • 不包含。Ultralytics KITTI 配置仅提供训练集(5,985 张图像)和验证集(1,496 张图像)。原始 KITTI 测试集不包含在内,因为它没有公开的真实标注。

  • 首次使用 data="kitti.yaml" 进行训练时,数据集(390.5 MB)会自动下载——无需手动操作。Ultralytics 会获取图像和标签,并将其解压到本地数据集目录。你可以在检测数据集概览中浏览相关数据集。

  • 可以。KITTI 开箱即用,支持 Ultralytics YOLO26。你可以直接使用提供的 YAML 配置文件训练和验证模型。

  • 你可以在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml 获取 kitti.yaml 文件。该文件定义了数据集路径和训练使用的 8 个类别名称。

评论

提出问题、分享结果,或帮助其他人。