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 감지 데이터셋으로, 8개 클래스(자동차, 밴, 트럭, 보행자, person_sitting, 자전거 운전자, 트램, 기타)에 걸쳐 주석이 지정된 이미지 7,481개(학습용 5,985개, 검증용 1,496개)를 포함합니다. Karlsruhe Institute of Technology와 Toyota Technological Institute at Chicago에서 공개했으며, 이미지는 실제 도시, 교외 및 고속도로 주행 장면에서 수집되었습니다.

더 광범위한 KITTI Vision Benchmark Suite는 깊이 추정, 광학 흐름, 스테레오 비전 및 시각적 주행 거리 측정도 다루지만, 여기의 Ultralytics kitti.yaml 구성은 2D 객체 감지용으로 설정되어 있으며 Ultralytics YOLO26과 완전히 호환됩니다.

데이터셋 구조#

이 데이터셋에는 자동차, 보행자, 자전거 운전자와 같은 객체를 포함하는 주석 이미지 7,481개가 있으며, kitti.yaml 구성에 정의된 다음 두 개의 사전 정의된 서브셋으로 분할됩니다:

객체 클래스#

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

응용 분야#

KITTI 데이터셋은 자율 주행 및 로보틱스 분야의 다양한 2D 감지 애플리케이션을 지원합니다:

• 자율 주행 차량 인식: 자동차, 보행자 및 자전거 운전자를 감지하고 추적하도록 모델을 학습하여 자율 주행 시스템이 안전하게 주행할 수 있도록 합니다.
• ADAS 개발: 실제 주행 영상에서 충돌 경고 및 보행자 감지와 같은 운전자 지원 기능을 구축합니다.
• 교통 및 도로 장면 분석: 차량과 도로 이용자를 감지하고 집계하여 교통 흐름과 도로 안전을 연구합니다.
• 컴퓨터 비전 벤치마킹: KITTI를 2D 객체 감지 및 추적 모델 평가를 위한 표준 벤치마크로 사용합니다.

자체 주행 이미지를 브라우저에서 레이블링하고, 학습하며, 데이터셋 버전을 관리하려면 Ultralytics Platform을 사용하여 전체 워크플로를 실행합니다.

데이터셋 YAML#

Ultralytics는 YAML 파일을 사용하여 KITTI 데이터셋 구성을 정의합니다. 이 파일은 학습에 필요한 데이터셋 경로, 클래스 레이블 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#

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

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, 추론 및 내보내기 작업을 수행할 수도 있습니다.

샘플 이미지 및 주석#

아래 예시는 2D 바운딩 박스 주석이 포함된 데이터셋의 주행 장면을 보여줍니다. KITTI 이미지는 실제 교통 상황에서 촬영된 도시, 교외 및 고속도로 장면을 포괄하므로 모델에 다양한 객체 크기, 시점 및 조명 조건을 제공합니다.

인용 및 감사의 글#

연구에서 KITTI 데이터셋을 사용하는 경우 다음 논문을 인용하십시오:

@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 발전을 지속적으로 이끌어 온 이 종합적인 데이터셋을 제공해 주신 KITTI Vision Benchmark Suite에 감사를 표합니다. 자세한 내용은 KITTI 웹사이트를 방문하십시오.

FAQ#