KITTI 데이터셋#

7,481

KITTI

ultralytics

publicDetect

KITTI is the Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago autonomous-driving benchmark. Eight detection classes cover cars, vans, trucks, pedestrians, seated people, cyclists, trams, and miscellaneous road objects in real driving scenes.

8 classes721.4 MBSep 2, 2026

carvantruckpedestrian+4

object-detectionautonomous-drivingvehicles+2

Ultralytics KITTI 데이터셋은 자율 주행을 위한 2D 객체 탐지 데이터셋으로, 8개 클래스(자동차, 밴, 트럭, 보행자, 착석한 사람, 자전거 이용자, 트램, 기타)에 걸쳐 어노테이션된 이미지 7,481개(학습 5,985개, 검증 1,496개)를 포함합니다. 카를스루에 공과대학교와 시카고 일리노이 공과대학교가 공개했으며, 이미지는 실제 도시, 시골, 고속도로 주행 장면에서 가져왔습니다.

더 광범위한 KITTI Vision Benchmark Suite는 깊이 추정, 옵티컬 플로, 스테레오 비전, 비주얼 오도메트리도 다루지만, 여기서 사용하는 Ultralytics kitti.yaml 구성은 2D 객체 탐지에 맞게 설정되어 있으며 Ultralytics YOLO26과 완전히 호환됩니다.

데이터셋 구조#

이 데이터셋에는 자동차, 보행자, 자전거 이용자 등의 객체가 포함된 어노테이션 이미지 7,481개가 있으며, kitti.yaml 구성으로 정의된 두 개의 사전 지정 하위 세트로 나뉩니다.

객체 클래스#

kitti.yaml 파일은 주행 장면에서 흔히 볼 수 있는 차량, 사람 및 기타 도로 이용자를 아우르는 8개 객체 클래스를 정의합니다.

응용 분야#

KITTI 데이터셋은 자율주행 및 로보틱스 분야의 다양한 2D 검출 애플리케이션을 지원합니다:

• 자율주행 차량 인식: 자율주행 시스템이 안전하게 주행할 수 있도록 자동차, 보행자, 자전거 이용자를 검출하고 추적하는 모델을 학습합니다.
• ADAS 개발: 실제 주행 영상에서 충돌 경고 및 보행자 검출과 같은 운전자 보조 기능을 개발합니다.
• 교통 및 도로 장면 분석: 교통 흐름과 도로 안전을 연구하기 위해 차량과 도로 이용자를 검출하고 계수합니다.
• 컴퓨터 비전 벤치마킹: KITTI를 표준 벤치마크로 사용하여 2D 객체 검출 및 추적 모델을 평가합니다.

자체 주행 이미지를 라벨링하고, 학습을 진행하며, 브라우저에서 데이터셋 버전을 관리하려면 Ultralytics Platform에서 전체 워크플로를 실행하세요.

데이터셋 YAML#

Ultralytics는 YAML 파일을 사용하여 KITTI 데이터셋 구성을 정의합니다. 이 파일은 학습에 필요한 데이터셋 경로, 클래스 라벨 및 메타데이터를 지정합니다. 구성 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/kitti.yaml에서 확인할 수 있습니다.

# 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

사용법#

이미지 크기 640으로 KITTI 데이터셋에서 YOLO26n 모델을 100 에폭 동안 학습하려면 다음 명령을 사용하세요. 데이터셋(390.5 MB)은 처음 사용할 때 자동으로 다운로드됩니다. 자세한 내용은 학습 페이지를 참조하세요.

from ultralytics import YOLO

# 사전 학습된 YOLO26 모델 로드
model = YOLO("yolo26n.pt")

# KITTI 데이터셋으로 학습
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

동일한 구성 파일을 사용하여 명령줄 또는 Python API에서 직접 평가, 추론 및 내보내기 작업을 수행할 수도 있습니다.

샘플 이미지 및 어노테이션#

아래 샘플은 데이터셋의 주행 장면과 해당 2D 바운딩 박스 어노테이션을 보여줍니다. KITTI 이미지는 실제 교통 상황에서 촬영한 도시, 시골 및 고속도로 장면으로 구성되어 있어 모델이 다양한 객체 크기, 시점 및 조명 조건을 접할 수 있습니다.

인용 및 감사의 글#

연구에서 KITTI 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:

@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}
}

컴퓨터 비전, 로보틱스 및 자율 시스템의 발전에 지속적으로 기여하는 이 포괄적인 데이터셋을 제공해 주신 KITTI Vision Benchmark Suite에 감사드립니다. 자세한 내용은 KITTI 웹사이트를 방문하세요.

자주 묻는 질문#