KITTI 데이터셋#

7,481

KITTI

ultralytics

publicDetect

Official Ultralytics KITTI object detection dataset from Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago, with 7,481 autonomous-driving images and 40,570 bounding boxes across 8 classes. Includes 5,985 train and 1,496 validation images.

8 classes721.4 MBAug 21, 2026

carvantruckpedestrian+4

object-detectionautonomous-drivingvehicles+2

Ultralytics KITTI 데이터셋은 자율 주행을 위한 2D object detection 데이터셋으로, car, van, truck, pedestrian, person_sitting, cyclist, tram, misc의 8개 클래스에 걸쳐 주석이 달린 7,481장의 이미지(학습용 5,985장, 검증용 1,496장)를 포함합니다. 칼를스루에 공과대학교(Karlsruhe Institute of Technology)와 시카고 도모(Toyota Technological Institute at Chicago)에서 공개한 이 데이터셋의 이미지는 실제 도시, 시골, 고속도로 주행 장면에서 수집되었습니다.

더 넓은 범위의 KITTI Vision Benchmark Suite는 깊이 추정(depth estimation), 광학 흐름(optical flow), 스테레오 비전(stereo vision), 시각 오도메트리(visual odometry)도 다루지만, 여기서 제공되는 Ultralytics kitti.yaml 설정은 2D 객체 검출을 위해 설정되었으며 Ultralytics YOLO26과 완전히 호환됩니다.

데이터셋 구조#

이 데이터셋에는 자동차, 보행자, 자전거 이용자 등의 객체를 다루는 7,481장의 주석이 달린 이미지가 포함되어 있으며, kitti.yaml 설정에 의해 정의된 두 개의 미리 정의된 하위 세트로 나뉩니다:

사물 클래스#

kitti.yaml 파일은 주행 장면에서 흔히 볼 수 있는 차량, 사람, 기타 도로 사용자 등 8개의 객체 클래스를 정의합니다:

응용 분야#

KITTI 데이터셋은 자율 주행 및 로봇 공학 분야의 다양한 2D 탐지 애플리케이션을 지원합니다:

• 자율 주행 차량 인식: 모델을 학습시켜 자동차, 보행자, 자전거 운전자를 탐지하고 추적함으로써 자율 주행 시스템이 안전하게 주행할 수 있도록 합니다.
• ADAS 개발: 실제 주행 영상을 바탕으로 충돌 경고 및 보행자 탐지와 같은 운전자 보조 기능을 구축합니다.
• 교통 및 도로 상황 분석: 차량과 도로 이용자를 탐지하고 계수하여 교통 흐름과 도로 안전을 연구합니다.
• Computer vision benchmarking: 2D object detection 및 tracking 모델을 평가하기 위한 표준 벤치마크로 KITTI를 사용하세요.

브라우저에서 자신의 주행 이미지를 라벨링하고, 데이터셋 버전을 학습 및 관리하려면 Ultralytics Platform을 사용하여 전체 워크플로를 실행하세요.

데이터셋 YAML#

Ultralytics는 YAML 파일을 사용하여 KITTI 데이터셋 구성을 정의합니다. 이 파일은 학습에 필요한 데이터셋 경로, 클래스 라벨, 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 크기를 640으로 설정하고 KITTI 데이터셋에서 100 epochs 동안 YOLO26n 모델을 학습하려면 다음 명령어를 사용하세요. 데이터셋(390.5 MB)은 처음 사용할 때 자동으로 다운로드됩니다. 자세한 내용은 Training 페이지를 참조하세요.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Train on kitti dataset
results = model.train(data="kitti.yaml", epochs=100, imgsz=640)

동일한 구성 파일을 사용하여 명령줄 또는 Python API에서 직접 평가, inference, export 작업을 수행할 수도 있습니다.

샘플 이미지 및 주석#

아래 샘플은 2D 바운딩 박스 주석이 포함된 데이터셋의 주행 장면을 보여줍니다. KITTI 이미지는 실제 교통 상황에서 포착된 도심, 시골, 고속도로 장면을 아우르며, 모델이 다양한 객체 크기, 시점, 조명 상태를 학습할 수 있게 합니다.

인용 및 감사의 글#

연구에 KITTI 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

@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, 자율 시스템 분야의 발전을 지속적으로 이끌어가는 이 포괄적인 데이터셋을 제공해 준 KITTI Vision Benchmark Suite에 감사를 표합니다. 자세한 내용은 KITTI website를 방문하세요.

FAQ#