Ultralytics YOLO27：
Get Started
CC BY-NC-SA 3.0

KITTI 数据集#

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 张训练图像和 1,496 张验证图像），涵盖 8 个类别：汽车、厢式车、卡车、行人、坐着的人、骑行者、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学院发布，图像来自真实的城市、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 2D 目标检测进行了设置，并与 Ultralytics YOLO26完全兼容。

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：使用 KITTI 作为标准基准，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#

要在 KITTI 数据集上训练 YOLO26n 模型 100 个轮次，图像尺寸设为 640，请使用以下命令。首次使用时会自动下载数据集（390.5 MB）。如需了解详情，请参阅训练页面。

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：

引用格式
@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 与 Ultralytics YOLO26 完全兼容。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。

贡献者
GLglenn-jocher8RAraimbekovm3RIRizwanMunawar3PDpderrenger1HIhim2him21

评论