TT100K-Datensatz#
Der Datensatz Tsinghua-Tencent 100K (TT100K) ist ein Benchmark für Verkehrsschilder und die Objekterkennung, der von Zhu et al. für die CVPR-2016-Arbeit Traffic-Sign Detection and Classification in the Wild erstellt wurde. Die Ultralytics-Konfiguration für TT100K umfasst 16.817 Bilder (6.105 Training / 7.641 Validierung / 3.071 Test) aus 221 Verkehrsschildkategorien; im ursprünglichen Benchmark werden mehr als 30.000 Verkehrsschildinstanzen angegeben. Die Bezeichnung „100K“ bezieht sich auf die etwa 100.000 Tencent-Street-View-Bilder, aus denen der Benchmark erstellt wurde – nicht auf die Anzahl der Bilder, die du herunterlädst und zum Trainieren verwendest. Da die ursprüngliche Arbeit nur Kategorien mit mindestens 100 Trainingsinstanzen berücksichtigt, gibt es eine häufig verwendete Teilmenge mit 45 Klassen. Die Ultralytics-Konfiguration behält jedoch alle 221 annotierten Kategorien bei, von denen viele nur wenige Beispiele enthalten.
Die hochauflösenden Street-View-Bilder erfassen große Unterschiede bei Beleuchtung, Wetter, Blickwinkel und Entfernung. Dadurch ist TT100K ein anspruchsvoller Benchmark für die Erkennung kleiner Objekte in realen Verkehrsszenen.
Wichtige Funktionen#
- Mehrklassen-Erkennung: 221 Verkehrsschildkategorien, darunter chinesische Geschwindigkeitsbegrenzungs-, Verbots-, Warn-, Höhen-/Breitenbegrenzungs- und Hinweisschilder.
- Hohe Auflösung: Bilder mit 2048×2048 Pixeln, sodass die Schilder von großen Nahaufnahmen bis zu winzigen Markierungen in der Ferne reichen und die feingranulare Erkennung besonders herausfordern.
- Reale Bedingungen: Große Unterschiede bei Wetter, Beleuchtung, Blickwinkel und Verdeckung.
- Begrenzungsrahmen-Annotationen: Jedes Schild ist nach der automatischen Konvertierung mit einer Klasse und einem Begrenzungsrahmen im YOLO-Format versehen.
- Vordefinierte Aufteilungen: Feste Aufteilungen in Training / Validierung / Test (6.105 / 7.641 / 3.071 Bilder) für eine konsistente Auswertung.
Datensatzstruktur#
Die Ultralytics-Konfiguration für TT100K ist in drei Teilmengen aufgeteilt, die alle dieselben 221 Kategorien verwenden:
| Aufteilung | Bilder | Beschreibung |
|---|---|---|
| Trainieren | 6,105 | Annotierte Verkehrsszenenbilder zum Trainieren des Detektors |
| Validierung | 7,641 | Die ursprüngliche „other“-Aufteilung des Datensatzes zur Auswertung |
| Test | 3,071 | Zurückgehaltene Bilder für die abschließende Auswertung des trainierten Modells |
Die 221 Kategorien sind in mehrere Hauptgruppen gegliedert:
- Geschwindigkeitsbegrenzungsschilder — Verbotsbegrenzungen
pl*(z. B. pl5–pl120) und Mindestgeschwindigkeitenpm*(z. B. pm5–pm55). - Verbotszeichen — allgemeine Verbote
p1–p29, Einfahrt-verboten-/Parkverbotszeichenpn/pnesowie Beschränkungenpr*(pr10–pr100). - Warnzeichen —
w1–w67für Gefahren wie Kreuzungen, scharfe Kurven, rutschige Fahrbahnen und Baustellen. - Höhen-/Breitenbegrenzungszeichen — Höhenbegrenzungen
ph*(z. B. ph2–ph5.5) und Breitenbegrenzungenpb/pw*. - Hinweiszeichen — allgemeine Hinweise
i1–i15, Hinweise zu Geschwindigkeitsbegrenzungenil*(il50–il110), sonstige Hinweiseiound Informationstafelnip.
Anwendungen#
TT100K wird häufig zum Entwickeln und Benchmarking der Verkehrsschilderkennung unter realen Bedingungen eingesetzt. Zu den gängigen Anwendungen gehören:
- Wahrnehmungssysteme für autonomes Fahren
- Erweiterte Fahrerassistenzsysteme (ADAS)
- Verkehrsüberwachung und Analyse der Straßeninfrastruktur
- Stadtplanung und Untersuchungen des Verkehrsflusses
- Computer Vision-Forschung zu kleinen Objekten in hochauflösenden Bildern
Dataset-YAML#
Die Datei TT100K.yaml definiert die Konfiguration des Datensatzes – die Pfade des Datensatzes, die Klassennamen und das Skript zum automatischen Herunterladen und Konvertieren. Sie wird im Ultralytics-Repository unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/TT100K.yaml gepflegt.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Tsinghua-Tencent 100K (TT100K) dataset https://cg.cs.tsinghua.edu.cn/traffic-sign/ by Tsinghua University
# Documentation: https://cg.cs.tsinghua.edu.cn/traffic-sign/tutorial.html
# Paper: Traffic-Sign Detection and Classification in the Wild (CVPR 2016)
# License: CC BY-NC 2.0 license for non-commercial use only
# Example usage: yolo train data=TT100K.yaml
# parent
# ├── ultralytics
# └── datasets
# └── TT100K ← downloads here (~18 GB)
# 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: TT100K # dataset root dir
train: images/train # train images (relative to 'path') 6105 images
val: images/val # val images (relative to 'path') 7641 images (original 'other' split)
test: images/test # test images (relative to 'path') 3071 images
# Classes (221 traffic sign categories, 45 with sufficient training instances)
names:
0: i1
1: i10
2: i11
3: i12
4: i13
5: i14
6: i15
7: i2
8: i3
9: i4
10: i5
11: il100
12: il110
13: il50
14: il60
15: il70
16: il80
17: il90
18: io
19: ip
20: p1
21: p10
22: p11
23: p12
24: p13
25: p14
26: p15
27: p16
28: p17
29: p18
30: p19
31: p2
32: p20
33: p21
34: p22
35: p23
36: p24
37: p25
38: p26
39: p27
40: p28
41: p3
42: p4
43: p5
44: p6
45: p7
46: p8
47: p9
48: pa10
49: pa12
50: pa13
51: pa14
52: pa8
53: pb
54: pc
55: pg
56: ph1.5
57: ph2
58: ph2.1
59: ph2.2
60: ph2.4
61: ph2.5
62: ph2.8
63: ph2.9
64: ph3
65: ph3.2
66: ph3.5
67: ph3.8
68: ph4
69: ph4.2
70: ph4.3
71: ph4.5
72: ph4.8
73: ph5
74: ph5.3
75: ph5.5
76: pl10
77: pl100
78: pl110
79: pl120
80: pl15
81: pl20
82: pl25
83: pl30
84: pl35
85: pl40
86: pl5
87: pl50
88: pl60
89: pl65
90: pl70
91: pl80
92: pl90
93: pm10
94: pm13
95: pm15
96: pm1.5
97: pm2
98: pm20
99: pm25
100: pm30
101: pm35
102: pm40
103: pm46
104: pm5
105: pm50
106: pm55
107: pm8
108: pn
109: pne
110: po
111: pr10
112: pr100
113: pr20
114: pr30
115: pr40
116: pr45
117: pr50
118: pr60
119: pr70
120: pr80
121: ps
122: pw2
123: pw2.5
124: pw3
125: pw3.2
126: pw3.5
127: pw4
128: pw4.2
129: pw4.5
130: w1
131: w10
132: w12
133: w13
134: w16
135: w18
136: w20
137: w21
138: w22
139: w24
140: w28
141: w3
142: w30
143: w31
144: w32
145: w34
146: w35
147: w37
148: w38
149: w41
150: w42
151: w43
152: w44
153: w45
154: w46
155: w47
156: w48
157: w49
158: w5
159: w50
160: w55
161: w56
162: w57
163: w58
164: w59
165: w60
166: w62
167: w63
168: w66
169: w8
170: wo
171: i6
172: i7
173: i8
174: i9
175: ilx
176: p29
177: w29
178: w33
179: w36
180: w39
181: w4
182: w40
183: w51
184: w52
185: w53
186: w54
187: w6
188: w61
189: w64
190: w65
191: w67
192: w7
193: w9
194: pax
195: pd
196: pe
197: phx
198: plx
199: pmx
200: pnl
201: prx
202: pwx
203: w11
204: w14
205: w15
206: w17
207: w19
208: w2
209: w23
210: w25
211: w26
212: w27
213: pl0
214: pl4
215: pl3
216: pm2.5
217: ph4.4
218: pn40
219: ph3.3
220: ph2.6
# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
import json
import shutil
from pathlib import Path
from PIL import Image
from ultralytics.utils import TQDM
from ultralytics.utils.downloads import download
def tt100k2yolo(dir):
"""Convert TT100K annotations to YOLO format with images/{split} and labels/{split} structure."""
data_dir = dir / "data"
anno_file = data_dir / "annotations.json"
print("Loading annotations...")
with open(anno_file, encoding="utf-8") as f:
data = json.load(f)
# Build class name to index mapping from yaml
names = yaml["names"]
class_to_idx = {v: k for k, v in names.items()}
# Create directories
for split in ["train", "val", "test"]:
(dir / "images" / split).mkdir(parents=True, exist_ok=True)
(dir / "labels" / split).mkdir(parents=True, exist_ok=True)
print("Converting annotations to YOLO format...")
skipped = 0
for img_id, img_data in TQDM(data["imgs"].items(), desc="Processing"):
img_path_str = img_data["path"]
if "train" in img_path_str:
split = "train"
elif "test" in img_path_str:
split = "test"
else:
split = "val"
# Source and destination paths
src_img = data_dir / img_path_str
if not src_img.exists():
continue
dst_img = dir / "images" / split / src_img.name
# Get image dimensions
try:
with Image.open(src_img) as img:
img_width, img_height = img.size
except Exception as e:
print(f"Error reading {src_img}: {e}")
continue
# Copy image to destination
shutil.copy2(src_img, dst_img)
# Convert annotations
label_file = dir / "labels" / split / f"{src_img.stem}.txt"
lines = []
for obj in img_data.get("objects", []):
category = obj["category"]
if category not in class_to_idx:
skipped += 1
continue
bbox = obj["bbox"]
xmin, ymin = bbox["xmin"], bbox["ymin"]
xmax, ymax = bbox["xmax"], bbox["ymax"]
# Convert to YOLO format (normalized center coordinates and dimensions)
x_center = ((xmin + xmax) / 2.0) / img_width
y_center = ((ymin + ymax) / 2.0) / img_height
width = (xmax - xmin) / img_width
height = (ymax - ymin) / img_height
# Clip to valid range
x_center = max(0, min(1, x_center))
y_center = max(0, min(1, y_center))
width = max(0, min(1, width))
height = max(0, min(1, height))
cls_idx = class_to_idx[category]
lines.append(f"{cls_idx} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n")
# Write label file
if lines:
label_file.write_text("".join(lines), encoding="utf-8")
if skipped:
print(f"Skipped {skipped} annotations with unknown categories")
print("Conversion complete!")
# Download
dir = Path(yaml["path"]) # dataset root dir
urls = ["https://cg.cs.tsinghua.edu.cn/traffic-sign/data_model_code/data.zip"]
download(urls, dir=dir, curl=True, threads=1)
# Convert
tt100k2yolo(dir)Verwendung#
TT100K wird beim ersten Training automatisch heruntergeladen und benötigt etwa 18 GB freien Speicherplatz. Bei der ersten Verwendung lädt das Downloadskript die Originaldaten herunter und konvertiert die Annotationen in das YOLO-Format, was mehrere Minuten dauern kann.
Um ein YOLO26n-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem TT100K-Datensatz zu trainieren, kannst du die folgenden Codebeispiele verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite zum Training von Modellen.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model - dataset will auto-download on first run
results = model.train(data="TT100K.yaml", epochs=100, imgsz=640)Um weitere Verkehrsschilderbilder zu annotieren und TT100K-Trainingsläufe in deinem Browser zu verwalten, verwende die Ultralytics Platform.
Beispieldaten und Annotationen#
Die TT100K-Bilder zeigen Straßenszenen mit 2048×2048 Pixeln, in denen Verkehrsschilder oft nur einen kleinen Teil des Bildes einnehmen. Ein einzelnes Bild kann mehrere Schilder in unterschiedlichen Größen und Entfernungen enthalten. Einige sind teilweise durch Fahrzeuge, Vegetation oder Bauwerke verdeckt und wurden bei Tag oder Nacht sowie unter klaren oder regnerischen Bedingungen aufgenommen. Diese Kombination aus kleinen Objekten und anspruchsvollen Bedingungen macht den Datensatz zu einem aussagekräftigen Test für die Robustheit von Detektoren.
Zitate und Danksagungen#
Wenn du den TT100K-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Arbeit:
@InProceedings{Zhu_2016_CVPR,
author = {Zhu, Zhe and Liang, Dun and Zhang, Songhai and Huang, Xiaolei and Li, Baoli and Hu, Shimin},
title = {Traffic-Sign Detection and Classification in the Wild},
booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
month = {June},
year = {2016}
}Wir möchten die Zusammenarbeit der Tsinghua-Universität und von Tencent bei der Erstellung und Pflege dieser wertvollen Ressource für die Computer-Vision- und autonomes-Fahren-Community würdigen. Weitere Informationen zum TT100K-Datensatz findest du auf der offiziellen Website des Datensatzes.
FAQ#
Der Datensatz Tsinghua-Tencent 100K (TT100K) wird zur Erkennung und Klassifizierung von Verkehrsschildern unter realen Bedingungen verwendet. Seine 221 Kategorien und hochauflösenden Street-View-Bilder machen ihn zu einem gängigen Benchmark für die Wahrnehmung beim autonomen Fahren, erweiterte Fahrerassistenzsysteme (ADAS) und die Erforschung der Erkennung kleiner Objekte.
Die Ultralytics-Konfiguration für TT100K enthält 16.817 Bilder: 6.105 zum Trainieren, 7.641 zur Validierung (die ursprüngliche „other“-Aufteilung des Datensatzes) und 3.071 zum Testen. Eine vollständige Aufschlüsselung findest du im Abschnitt Struktur des Datensatzes.
„100K“ bezieht sich auf die etwa 100.000 Tencent-Street-View-Bilder, aus denen der ursprüngliche Benchmark erstellt wurde. Die Ultralytics-Konfiguration zur Objekterkennung stellt 16.817 dieser Bilder mit Beschriftungen im YOLO-Format bereit. Die Bezeichnung bezieht sich auf die Quellsammlung, nicht auf die Größe des Trainingsdatensatzes.
TT100K definiert 221 Kategorien für Geschwindigkeitsbegrenzungs-, Verbots-, Warn-, Höhen-/Breitenbegrenzungs- und Hinweisschilder. Die ursprüngliche Arbeit berücksichtigt nur die 45 Kategorien mit mindestens 100 Trainingsinstanzen, während die Ultralytics-Konfiguration alle 221 beibehält. Die Gruppierung findest du unter Struktur des Datensatzes.
TT100K ist etwa 18 GB groß und wird beim ersten Training mit
data="TT100K.yaml"automatisch heruntergeladen – ein manueller Download ist nicht erforderlich. Das Skript konvertiert die ursprünglichen Annotationen außerdem beim ersten Ausführen in das YOLO-Format.Trainiere ein YOLO26n-Modell 100 Epochen lang mit einer Bildgröße von 640 auf TT100K:
Trainingsbeispielfrom ultralytics import YOLO # Load a model model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training) # Train the model results = model.train(data="TT100K.yaml", epochs=100, imgsz=640)Ausführliche Konfigurationen findest du auf der Seite zum Training und bei den Tipps zum Modelltraining.
Beginne für erste Experimente mit
imgsz=640. Erhöhe den Wert anschließend aufimgsz=1280und verwende einen kleineren Wert fürbatch, wenn dein GPU-Speicher ausreicht, da die höhere Auflösung dabei hilft, kleine Schilder in der Ferne wiederzuerkennen:model.train(data="TT100K.yaml", imgsz=1280, batch=4) # higher resolution for small signsDu kannst außerdem die Datenerweiterung anpassen und bei sehr kleinen Objekten Kachelstrategien in Betracht ziehen. Weitere Informationen findest du unter Tipps zum Modelltraining.