YOLO Vision 2026:

KITTI Depthデータセット#

KITTI データセットは、カールスルーエ市街地とその周辺を走行する車両からキャプチャされた、実世界の屋外用 自動運転 ベンチマークです。単眼 深度推定 の場合、グラウンドトゥルースの深度は Velodyne HDL-64 LiDAR スキャナーから取得され、Uhrig et al. 2017 の手法を使用して高密度化されています。生成された深度マップは依然としてスパースであり、有効な深度値を持つピクセルは約 16〜20% です。KITTI は、YOLO26-Depth の事前学習ミックスにおける唯一の実世界の屋外長距離ソースであり、KITTI Eigen 評価ベンチマークとしても機能します。

主な特徴#

  • 最大約80mの深度を持つ実世界の屋外走行シーンであり、一般的な屋内範囲を大幅に超えています。
  • 深度のグラウンドトゥルースは Velodyne HDL-64 LiDAR から取得され、Uhrig et al. 2017 の Sparsity Invariant CNNs アプローチで高密度化されています。
  • スパースな教師データ：画像あたりの画素のうち有効な深度値を持つのは約16〜20%であり、無効な画素は損失計算やメトリクスからマスクされます。
  • ステレオ画像ペア (左 image_02 と右 image_03) は、トレーニングに追加の視点を提供します。
  • 深度値はメートル単位の .npy float32 配列として格納されており、Ultralytics depth dataset format に準拠しています。

データセットの構造#

Ultralyticsで使用されるKITTI depthデータは、以下の2つのサブセットに分割されています。

  1. Training split: 55,198枚の画像（左 image_02 および右 image_03）。評価を公平に保つため、KITTI Eigenの28個のテストドライブはすべてトレーニングから除外されています。
  2. Evaluation split: KITTI Eigenテストスプリット（改善されたグラウンド真値を持つ652枚の左カメラフレーム）。評価では80mの深度キャップと、予測とグラウンド真値の間の中央値（スケールのみ）アライメントを使用します。

深度範囲は約 80 m に達し、データセット YAML (depth-kitti.yaml) はそれに応じて max_depth: 80 を設定します。

YOLO26-Depthにおける役割#

KITTIはYOLO26-Depth事前学習セットにおける唯一の実世界の屋外長距離教師データであり、主に屋内データソースを補完します。また、走行シーンの深度精度を報告するための標準的なKITTI Eigenベンチマークでもあります。

KITTI は、深度ヘッドが非境界型である（log モード）理由を示す主要な例です。固定の 10 m の出力上限では、80 m の走行シーンを表現できません。ヘッドの出力範囲と max_depth の処理の詳細については、depth task page を参照してください。

結果#

モデルサイズ別の KITTI Eigen delta1 精度 (高いほど優れています):

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

imgsz=768 と rect=False を使用した652フレームのカニカルスプリットで測定されています。これらは公開されているKITTIの数値と直接比較できません。検証では各画像を正方形の imgsz に引き延ばし、スパースなグラウンド真値をその上に最も近い方法でリサンプリングします（リファレンス評価者は代わりに予測を元のグラウンド真値の解像度にリサイズします）。DepthMetrics は max_depth に対してグラウンド真値をマスクしますが、改善されたグラウンド真値プロトコルは gt > 0 をマスクし、予測のみをキャップします。画像ごとのメトリクスの平均を取るのではなく、スプリットのすべての有効なピクセルをプールします。また、リリースされたウェイトは、これらテストフレームのうち72枚をトレーニングセットに配置していた以前のスプリットでトレーニングされました。

データセット YAML#

YAML（Yet Another Markup Language）ファイルは、データセット構成を定義するために使用されます。これには、データセットのパス、クラス、および最大深度などの関連情報が含まれています。

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 *.npy, float32 meters (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

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

  import cv2
  import numpy as np

  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}"
              depth = cv2.imread(str(png), cv2.IMREAD_ANYDEPTH).astype(np.float32) / 256.0
              np.save(dir / "depth" / split / f"{name}.npy", depth)
              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#

KITTI データセットで YOLO26n-Depth モデルを 100 エポック トレーニングするには、次のコードスニペットを使用できます。利用可能な引数の包括的なリストについては、モデルの トレーニング ページを参照してください。

学習例
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)

事前学習済みモデル#

事前学習済みのYOLO26-Depthモデルは、名前で最初に参照されたときにUltralyticsのv8.4.0 assets releaseから自動ダウンロードされます：

引用と謝辞#

研究や開発作業でKITTIデータセットを使用する場合は、以下の論文を引用してください。

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}
}

KITTIデータセットを作成および維持管理しているカールスルーエ工科大学およびシカゴのトヨタ技術研究所、ならびに高密度な教師データを可能にする深度高密度化手法を提供したUhrig et al.に感謝いたします。

コントリビューター
JEJESUSROYETH1GLglenn-jocher1BOBovey08091

コメント