YOLO Vision 2026:
CC BY-NC 2.0

TT100K Datensatz#

Das Tsinghua-Tencent 100K (TT100K) Dataset ist ein Verkehrsschild-Benchmark für object detection, erstellt von Zhu et al. für das CVPR 2016 Paper Traffic-Sign Detection and Classification in the Wild. Die Ultralytics TT100K Konfiguration bietet 16.817 Bilder (6.105 Train / 7.641 Val / 3.071 Test) in 221 Verkehrsschild-Kategorien, wobei das Quell-Benchmark über 30.000 Schild-Instanzen angibt. Das „100K“ im Namen bezieht sich auf die rund 100.000 Tencent Street View Bilder, aus denen das Benchmark erstellt wurde – nicht auf die Anzahl der Bilder, die du herunterlädst und worauf du trainierst. Da das Originalpaper nur Kategorien mit mindestens 100 Trainingsinstanzen beibehält, existiert eine häufig verwendete 45-Klassen Untergruppe, aber die Ultralytics Konfiguration behält alle 221 annotierten Kategorien bei (viele davon spärlich).

Die hochauflösenden street-view Aufnahmen erfassen große Schwankungen bei Beleuchtung, Wetter, Blickwinkel und Entfernung, was TT100K zu einem anspruchsvollen Benchmark für die small-object detection in realen Fahrszenen macht.

Hauptfunktionen#

  • Multi-Klassen-Erkennung: 221 Verkehrszeichen-Kategorien, die chinesische Geschwindigkeitsbegrenzungs-, Verbots-, Warn-, Höhen-/Breitenbegrenzungs- und Hinweisschilder abdecken.
  • Hohe Auflösung: 2048×2048-Pixel-Bilder, sodass Verkehrszeichen von großen Nahaufnahmen bis hin zu winzigen, weit entfernten Markierungen reichen, was die fein abgestufte Erkennung besonders fordert.
  • Reale Bedingungen: Große Schwankungen bei Wetter, Beleuchtung, Blickwinkel und Verdeckung.
  • Bounding-Box-Annotationen: Jedes Schild ist nach der automatischen Konvertierung mit einer Klasse und einer bounding box im YOLO-Format beschriftet.
  • Vordefinierte Splits: Feste Train- / Val- / Test-Splits (6.105 / 7.641 / 3.071 Bilder) für eine konsistente Auswertung.

Datensatzstruktur#

Die Ultralytics TT100K-Konfiguration ist in drei Teilmengen unterteilt, die alle dieselben 221 Kategorien teilen:

SplitBilderBeschreibung
Trainieren6,105Annotierte Bilder von Verkehrsszenen, die zum Training des Detektors verwendet werden
Validation7,641Der ursprüngliche „other“-Split des Datasets, der für die evaluation verwendet wird
Test3,071Zurückgehaltene Bilder für die abschließende Evaluierung des trainierten Modells

Die 221 Kategorien sind in mehrere Hauptgruppen unterteilt:

  • Geschwindigkeitsbegrenzungsschilder — Verbotslimits pl* (z. B. pl5–pl120) und Mindestgeschwindigkeiten pm* (z. B. pm5–pm55).
  • Verbotsschilder — Allgemeine Verbote p1–p29, Einfahrt verboten / Parkverbot pn/pne und Beschränkungen pr* (pr10–pr100).
  • Warnschilder — w1–w67 für Straßengefahren wie Kreuzungen, scharfe Kurven, glatte Straßen und Baustellen.
  • Höhen-/Breitenbegrenzungsschilder — Höhenlimits ph* (z. B. ph2–ph5.5) und Breitenlimits pb/pw*.
  • Hinweisschilder — Allgemeine Infos i1–i15, Geschwindigkeitsbegrenzungs-Infos il* (il50–il110), andere io und Informationstafeln ip.

Anwendungen#

TT100K wird häufig verwendet, um die Verkehrszeichenerkennung unter realen Bedingungen aufzubauen und zu bewerten. Häufige Anwendungen umfassen:

  • Wahrnehmungssysteme für autonomes Fahren
  • Fortgeschrittene Fahrerassistenzsysteme (ADAS)
  • Verkehrsüberwachung und Analyse der Straßeninfrastruktur
  • Stadtplanung und Verkehrsflussstudien
  • Computer vision Forschung zu kleinen Objekten in hochauflösenden Bildern

Datensatz-YAML#

Die Datei TT100K.yaml definiert die Dataset-Konfiguration – die Dataset-Pfade, 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/cfg/datasets/TT100K.yaml
# 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#

~18 GB Download

TT100K wird beim ersten Training automatisch heruntergeladen und erfordert etwa 18 GB freien Speicherplatz. Bei der ersten Nutzung ruft das Download-Skript die Originaldaten ab und konvertiert die Annotationen in das YOLO-Format, was einige Minuten dauern kann.

Um ein YOLO26n Modell auf dem TT100K Dataset für 100 epochs mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Modell-Training-Seite.

Trainingsbeispiel
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 zusätzliche Verkehrsschildbilder zu beschriften und TT100K-Trainingsläufe in deinem Browser zu verwalten, verwende Ultralytics Platform.

Beispieldaten und Annotationen#

TT100K-Bilder sind 2048×2048-Straßenszenen, in denen Verkehrszeichen oft nur einen kleinen Teil des Bildausschnitts einnehmen. Ein einzelnes Bild kann mehrere Verkehrszeichen in unterschiedlichen Maßstäben und Entfernungen enthalten, von denen einige teilweise durch Fahrzeuge, Vegetation oder Strukturen verdeckt sind und unter Bedingungen bei Tag/Nacht sowie bei klarem Wetter/Regen aufgenommen wurden. Diese Mischung aus kleinen Objekten und herausfordernden Bedingungen macht den Datensatz zu einem starken Test für die Robustheit des Detektors.

Zitate und Danksagungen#

Wenn du den TT100K Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Papier:

Zitat
@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 der Zusammenarbeit zwischen der Tsinghua University und Tencent für die Erstellung und Pflege dieser wertvollen Ressource für die Computer-Vision- und Autonomes-Fahren-Communitys danken. Weitere Informationen zum TT100K Dataset findest du auf der offiziellen Dataset-Website.

FAQ#

  • Das Tsinghua-Tencent 100K (TT100K)-Datenset wird für die Erkennung und Klassifizierung von Verkehrszeichen unter realen Bedingungen verwendet. Seine 221 Kategorien und die hochauflösenden Street-View-Bilder machen es zu einem gängigen Benchmark für die Wahrnehmung beim autonomen Fahren, fortgeschrittene Fahrerassistenzsysteme (ADAS) und die Forschung zur Erkennung kleiner Objekte.

  • Die Ultralytics TT100K Konfiguration enthält 16.817 Bilder: 6.105 zum Trainieren, 7.641 zur Validierung (der ursprüngliche „other“-Split des Datasets) und 3.071 zum Testen. Die vollständige Aufschlüsselung findest du im Abschnitt Dataset Structure.

  • Das „100K“ bezieht sich auf die etwa 100.000 Tencent Street View-Bilder, aus denen der ursprüngliche Benchmark erstellt wurde. Die Ultralytics-Erkennungskonfiguration liefert 16.817 dieser Bilder mit Labels im YOLO-Format; der Name spiegelt die Quellkollektion wider, nicht die Größe des Trainingssets.

  • TT100K definiert 221 Kategorien, die Geschwindigkeitsbegrenzungs-, Verbot-, Warn-, Höhen-/Breitenbegrenzungs- und Hinweisschilder umfassen. Das Originalpaper behält nur die 45 Kategorien mit mindestens 100 Trainingsinstanzen bei, aber die Ultralytics Konfiguration behält alle 221 bei. Siehe Dataset Structure für die Gruppenaufschlüsselung.

  • TT100K ist etwa 18 GB groß und wird beim ersten Training mit data="TT100K.yaml" automatisch heruntergeladen – kein manueller Download erforderlich. Das Skript konvertiert beim ersten Lauf auch die ursprünglichen Annotationen in das YOLO-Format.

  • Trainiere ein YOLO26n-Modell auf TT100K für 100 Epochen bei einer Bildgröße von 640:

    Trainingsbeispiel
    from 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)

    Detaillierte Konfigurationen findest du auf der Training-Seite und in den model training tips.

  • Beginne mit imgsz=640 für erste Experimente und erhöhe dann auf imgsz=1280 (mit einem kleineren batch), wenn du über genügend GPU-Speicher verfügst, da die höhere Auflösung hilft, kleine, entfernte Schilder wiederzufinden:

    model.train(data="TT100K.yaml", imgsz=1280, batch=4)  # higher resolution for small signs

    Du kannst auch data augmentation anpassen und Tiling-Strategien für sehr kleine Objekte in Betracht ziehen. Weitere Informationen findest du unter Tips for Model Training.

Mitwirkende
GLglenn-jocher6RAraimbekovm3PDpderrenger1PRPrashantDixit01

Kommentare