TT100K-Datensatz#
Der Tsinghua-Tencent 100K (TT100K)-Datensatz ist ein Benchmark für die Erkennung von Verkehrszeichen mittels Objekterkennung. Zhu et al. erstellten ihn für die CVPR-Arbeit von 2016 Traffic-Sign Detection and Classification in the Wild. Die Ultralytics-Konfiguration für TT100K umfasst 16,817 Bilder (6,105 Training / 7,641 Validierung / 3,071 Test) aus 221 Verkehrszeichenkategorien. Der ursprüngliche Benchmark umfasst laut Bericht über 30.000 Verkehrszeicheninstanzen. „100K“ im Namen 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 in der ursprünglichen Arbeit nur Kategorien mit mindestens 100 Trainingsinstanzen berücksichtigt werden, gibt es eine häufig verwendete Teilmenge mit 45 Klassen. Die Ultralytics-Konfiguration behält jedoch alle 221 annotierten Kategorien bei, von denen viele nur spärlich vertreten sind.
Die hochauflösenden Street-View-Bilder zeigen große Unterschiede bei Beleuchtung, Wetter, Blickwinkel und Entfernung. Dadurch ist TT100K ein anspruchsvoller Benchmark für die Erkennung kleiner Objekte in realen Verkehrsszenen.
Wichtige Funktionen#
- Erkennung mit mehreren Klassen: 221 Verkehrszeichenkategorien, darunter chinesische Geschwindigkeitsbegrenzungs-, Verbots-, Warn-, Höhen- und Breitenbegrenzungs- sowie Hinweisschilder.
- Hohe Auflösung: Die Bilder haben eine Auflösung von 2048×2048 Pixeln. Verkehrszeichen reichen von groß und nah bis zu winzigen Markierungen in der Ferne, was die fein abgestufte Erkennung anspruchsvoll macht.
- Reale Bedingungen: Große Unterschiede bei Wetter, Beleuchtung, Blickwinkel und Verdeckung.
- Bounding-Box-Annotationen: Jedes Verkehrszeichen ist nach der automatischen Konvertierung mit einer Klasse und einer Bounding Box im YOLO-Format gekennzeichnet.
- Vordefinierte Aufteilungen: Feste Trainings-, Validierungs- und Testaufteilungen (6,105 / 7,641 / 3,071 Bilder) ermöglichen eine konsistente Auswertung.
Datensatzstruktur#
Die Ultralytics-Konfiguration für TT100K ist in drei Teilmengen unterteilt, die dieselben 221 Kategorien verwenden:
| Aufteilung | Bilder | Beschreibung |
|---|---|---|
| Trainieren | 6,105 | Annotierte Verkehrsszenenbilder zum Trainieren des Detektors |
| Validierung | 7,641 | Die ursprüngliche „other“-Teilmenge des Datensatzes zur Auswertung |
| Test | 3,071 | Zurückgehaltene Bilder zur abschließenden Auswertung des trainierten Modells |
Die 221 Kategorien sind in mehrere Hauptgruppen unterteilt:
- Geschwindigkeitsbegrenzungsschilder — Verbotsgrenzen
pl*(z. B. pl5–pl120) und Mindestgeschwindigkeitenpm*(z. B. pm5–pm55). - Verbotsschilder — allgemeine Verbote
p1–p29, Einfahrts- und Parkverbotepn/pnesowie Beschränkungenpr*(pr10–pr100). - Warnschilder —
w1–w67für Gefahren im Straßenverkehr wie Übergänge, scharfe Kurven, rutschige Straßen und Baustellen. - Höhen- und Breitenbegrenzungsschilder — Höhenbegrenzungen
ph*(z. B. ph2–ph5.5) und Breitenbegrenzungenpb/pw*. - Hinweisschilder — allgemeine Informationen
i1–i15, Informationen zu Geschwindigkeitsbegrenzungenil*(il50–il110), sonstige Hinweiseiound Informationstafelnip.
Anwendungsfälle#
TT100K wird häufig zur Entwicklung und zum Benchmarking der Erkennung von Verkehrszeichen unter realen Bedingungen verwendet. Typische Anwendungsbereiche sind:
- Wahrnehmungssysteme für autonomes Fahren
- Fortschrittliche Fahrerassistenzsysteme (ADAS)
- Verkehrsüberwachung und Analyse der Straßeninfrastruktur
- Stadtplanung und Untersuchungen des Verkehrsflusses
- Computer-Vision-Forschung zu kleinen Objekten in hochauflösenden Bildern
YAML-Datei des Datensatzes#
Die Datei TT100K.yaml legt die Datensatzkonfiguration fest – die Datensatzpfade, 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 Skript die Originaldaten herunter und konvertiert die Annotationen ins YOLO-Format. Dieser Vorgang kann mehrere Minuten dauern.
Um ein YOLO26n-Modell 100 Epochen lang mit dem TT100K-Datensatz und einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codebeispiele verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite zum Training des Modells.
from ultralytics import YOLO
# Ein Modell laden
model = YOLO("yolo26n.pt") # ein vortrainiertes Modell laden (für das Training empfohlen)
# Modell trainieren – der Datensatz wird beim ersten Ausführen automatisch heruntergeladen
results = model.train(data="TT100K.yaml", epochs=100, imgsz=640)Um weitere Verkehrszeichenbilder zu kennzeichnen und TT100K-Trainingsläufe in deinem Browser zu verwalten, verwende die Ultralytics Platform.
Beispieldaten und Annotationen#
TT100K-Bilder sind 2048×2048 Pixel große Straßenszenen, in denen Verkehrszeichen oft nur einen kleinen Teil des Bildes einnehmen. Ein einzelnes Bild kann mehrere Schilder in unterschiedlichen Größen und Entfernungen enthalten, von denen einige teilweise durch Fahrzeuge, Vegetation oder Bauwerke verdeckt und bei Tag oder Nacht sowie bei klarem oder regnerischem Wetter aufgenommen wurden. 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 Forschung 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 der Zusammenarbeit zwischen der Tsinghua-Universität und Tencent danken, die diese wertvolle Ressource für die Computer-Vision- und autonomes-Fahren-Community erstellt und gepflegt hat. Weitere Informationen zum TT100K-Datensatz findest du auf der offiziellen Datensatz-Website.
Häufig gestellte Fragen#
Der Datensatz Tsinghua-Tencent 100K (TT100K) wird zur Erkennung und Klassifizierung von Verkehrszeichen unter realen Bedingungen verwendet. Mit seinen 221 Kategorien und hochauflösenden Straßenansichten ist er ein verbreiteter Benchmark für die Wahrnehmung beim autonomen Fahren, fortschrittliche Fahrerassistenzsysteme (ADAS) und die Forschung zur Erkennung kleiner Objekte.
Die Ultralytics-Konfiguration für TT100K enthält 16.817 Bilder: 6.105 für das Training, 7.641 für die Validierung (der ursprüngliche „other“-Split des Datensatzes) und 3.071 für den Test. Die vollständige Aufschlüsselung findest du im Abschnitt Datensatzstruktur.
„100K“ bezieht sich auf die rund 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; der Name bezieht sich auf die Ausgangssammlung und nicht auf die Größe des Trainingssatzes.
TT100K umfasst 221 Kategorien für Geschwindigkeitsbegrenzungen, Verbote, Warnungen, Höhen- und Breitenbegrenzungen sowie Informationsschilder. Die ursprüngliche Arbeit berücksichtigt nur die 45 Kategorien mit mindestens 100 Trainingsinstanzen, die Ultralytics-Konfiguration enthält jedoch alle 221. Die Aufschlüsselung nach Gruppen findest du unter Datensatzstruktur.
TT100K ist etwa 18 GB groß und wird beim ersten Training mit
data="TT100K.yaml"automatisch heruntergeladen – ein manueller Download ist nicht nötig. Das Skript konvertiert außerdem beim ersten Durchlauf die ursprünglichen Annotationen ins YOLO-Format.Trainiere ein YOLO26n-Modell 100 Epochen lang mit TT100K und einer Bildgröße von 640:
Trainingsbeispielfrom ultralytics import YOLO # Ein Modell laden model = YOLO("yolo26n.pt") # ein vortrainiertes Modell laden (für das Training empfohlen) # Das Modell trainieren results = model.train(data="TT100K.yaml", epochs=100, imgsz=640)Ausführliche Konfigurationen findest du auf der Seite Training und in den Tipps zum Modelltraining.
Beginne mit
imgsz=640für erste Experimente und erhöhe den Wert dann aufimgsz=1280(mit einem kleinerenbatch), wenn dein GPU-Speicher ausreicht. Die höhere Auflösung hilft dabei, kleine, weit entfernte Schilder zu erkennen:model.train(data="TT100K.yaml", imgsz=1280, batch=4) # höhere Auflösung für kleine SchilderDu kannst auch die Datenerweiterung abstimmen und bei sehr kleinen Objekten Kachelstrategien in Betracht ziehen. Weitere Informationen findest du unter Tipps zum Modelltraining.