KITTI 데이터셋

kitti 데이터셋은 자율 주행 및 컴퓨터 비전을 위한 가장 영향력 있는 벤치마크 데이터셋 중 하나입니다. 카를스루에 공과대학교(Karlsruhe Institute of Technology)와 시카고 도요타 기술 연구소(Toyota Technological Institute at Chicago)에서 발표하였으며, 실제 주행 시나리오에서 수집된 스테레오 카메라, LiDAR 및 GPS/IMU 데이터를 포함하고 있습니다.

Watch: How to Train Ultralytics YOLO26 on the KITTI Dataset 🚀

이 데이터셋은 객체 탐지, 깊이 추정, 광학 흐름 및 시각적 주행 거리 측정 분야의 알고리즘을 평가하는 데 널리 사용됩니다. 이 데이터셋은 2D 객체 탐지 작업을 위해 Ultralytics YOLO26과 완벽하게 호환되며, 학습 및 평가를 위해 Ultralytics 플랫폼에 쉽게 통합될 수 있습니다.

데이터셋 구조

경고

Kitti 원본 테스트 세트에는 정답 레이블(ground-truth annotation)이 포함되어 있지 않으므로 여기에서는 제외되었습니다.

이 데이터셋에는 총 7,481장의 이미지가 포함되어 있으며, 각 이미지에는 자동차, 보행자, 자전거 이용자 및 기타 도로 요소와 같은 객체에 대한 상세한 주석이 달려 있습니다. 데이터셋은 두 개의 주요 하위 집합으로 나뉩니다:

학습 세트: 모델 학습에 사용되는 주석 처리된 레이블이 포함된 5,985장의 이미지.
검증 세트: 성능 평가 및 벤치마킹에 사용되는 해당 주석이 포함된 1,496장의 이미지.

응용 분야

Kitti 데이터셋은 다음과 같은 작업을 지원하여 자율 주행 및 로봇 공학의 발전을 가능하게 합니다:

자율 주행 차량 인식: 자율 주행 시스템의 안전한 주행을 위해 차량, 보행자 및 장애물을 탐지하고 추적하도록 모델을 학습시킵니다.
3D 장면 이해: 기계가 공간 환경을 이해하도록 돕기 위해 깊이 추정, 스테레오 비전 및 3D 객체 위치 파악을 지원합니다.
광학 흐름 및 동작 예측: 객체의 움직임을 예측하고 동적 환경에서 궤적 계획을 개선하기 위한 동작 분석을 가능하게 합니다.
컴퓨터 비전 벤치마킹: 객체 탐지 및 추적을 포함한 다양한 비전 작업 전반에 걸쳐 성능을 평가하기 위한 표준 벤치마크 역할을 합니다.

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/cfg/datasets/kitti.yaml

# 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 100 epochs 동안 YOLO26n 모델을 학습하려면 다음 명령어를 사용하십시오. 자세한 내용은 학습(Training) 페이지를 참조하십시오.

학습 예제

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(inference) 및 내보내기(export) 작업을 수행할 수도 있습니다.

샘플 이미지 및 주석

kitti 데이터셋은 다양한 주행 시나리오를 제공합니다. 각 이미지에는 2D 객체 탐지 작업을 위한 바운딩 박스 주석이 포함되어 있습니다. 예제들은 데이터셋의 풍부한 다양성을 보여주며, 다양한 실제 조건에서 모델의 강력한 일반화 능력을 구현할 수 있게 합니다.

인용 및 감사의 글

연구에 kitti 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

인용

@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, 로봇 공학 및 자율 주행 시스템 분야에서 지속적으로 발전을 이끌고 있는 이 포괄적인 데이터셋을 제공해 준 KITTI Vision Benchmark Suite에 감사를 표합니다. 자세한 내용은 kitti 웹사이트를 방문하십시오.

자주 묻는 질문(FAQ)