KITTI 数据集介绍

数据集概述
数据集名称：KITTI Vehicle and Pedestrian Detection Dataset
数据类型：RGB图像
目标类别：汽车（Car）、行人（Pedestrian）、骑自行车的人（Cyclist）
样本数量：
标注图像：7481张
未标注图像：7518张
数据集划分：
训练集：65%（4862张）
验证集：30%（2244张）
测试集：5%（375张）
数据集目录结构
深色版本

Kitti/
├── images/
│ ├── train/
│ ├── val/
│ └── test/
├── labels/
│ ├── train/
│ ├── val/
│ └── test/
└── data.yaml
数据集配置文件
创建一个data.yaml文件，配置数据集的路径和类别信息：

yaml
深色版本
path: ./Kitti # 数据集路径
train: images/train # 训练集图像路径
val: images/val # 验证集图像路径
test: images/test # 测试集图像路径

nc: 3 # 类别数
names: [‘Car’, ‘Pedestrian’, ‘Cyclist’] # 类别名称
YOLOv8训练代码
安装YOLOv8库和依赖项：
bash
深色版本
git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics
pip install -r requirements.txt
训练模型：
python
深色版本
from ultralytics import YOLO

def train_model(data_yaml_path, model_config, epochs, batch_size, img_size):
# 加载模型
model = YOLO(model_config)

# 训练模型
results = model.train(
    data=data_yaml_path,
    epochs=epochs,
    batch=batch_size,
    imgsz=img_size
)

# 保存模型
model.save("runs/train/kitti_vehicle_pedestrian_detection/best.pt")

if name == “main”:
data_yaml_path = ‘Kitti/data.yaml’
model_config = ‘yolov8s.yaml’
epochs = 100
batch_size = 16
img_size = 640

train_model(data_yaml_path, model_config, epochs, batch_size, img_size)

详细解释
安装YOLOv8和依赖项：
克隆YOLOv8仓库并安装所有必要的依赖项。
训练模型：
导入YOLOv8库。
加载模型配置文件。
调用model.train方法进行训练。
保存训练后的最佳模型。
运行训练脚本
将上述脚本保存为一个Python文件（例如train_yolov8_kitti.py），然后运行它。

bash
深色版本
python train_yolov8_kitti.py
输出结果
运行脚本后，YOLOv8会在指定的输出目录中生成训练日志和最佳模型文件。你可以使用这些模型文件进行推理和评估。

评估模型
评估模型：
python
深色版本
from ultralytics import YOLO

def evaluate_model(data_yaml_path, weights_path, img_size, conf_threshold):
# 加载模型
model = YOLO(weights_path)

# 评估模型
results = model.val(
    data=data_yaml_path,
    imgsz=img_size,
    conf=conf_threshold
)

# 打印评估结果
print(results)

if name == “main”:
data_yaml_path = ‘Kitti/data.yaml’
weights_path = ‘runs/train/kitti_vehicle_pedestrian_detection/best.pt’
img_size = 640
conf_threshold = 0.4

evaluate_model(data_yaml_path, weights_path, img_size, conf_threshold)

详细解释
评估模型：
导入YOLOv8库。
加载训练好的模型权重。
调用model.val方法进行评估。
打印评估结果。
运行评估脚本
将上述脚本保存为一个Python文件（例如evaluate_yolov8_kitti.py），然后运行它。

bash
深色版本
python evaluate_yolov8_kitti.py
总结
通过以上步骤，你可以准备好KITTI车辆行人检测数据集，并使用YOLOv8进行训练和评估。