Jeu de données TT100K#
Le jeu de données Tsinghua-Tencent 100K (TT100K) est un benchmark de détection d’objets consacré aux panneaux de signalisation, créé par Zhu et al. pour l’article de CVPR 2016 Détection et classification des panneaux de signalisation en conditions réelles. La configuration TT100K d’Ultralytics fournit 16 817 images (6 105 pour l’entraînement / 7 641 pour la validation / 3 071 pour le test) réparties en 221 catégories de panneaux de signalisation ; le benchmark d’origine fait état de plus de 30 000 instances de panneaux. Le « 100K » du nom renvoie aux quelque 100 000 images Tencent Street View à partir desquelles le benchmark a été créé — et non au nombre d’images que tu télécharges et utilises pour l’entraînement. Comme l’article d’origine ne conserve que les catégories comportant au moins 100 instances d’entraînement, un sous-ensemble de 45 classes est couramment utilisé, mais la configuration Ultralytics conserve les 221 catégories annotées (dont beaucoup sont peu représentées).
Les images haute résolution de vues de rue présentent de grandes variations d’éclairage, de météo, d’angle de vue et de distance, ce qui fait de TT100K un banc d’essai exigeant pour la détection de petits objets dans des scènes de conduite réelles.
Fonctionnalités clés#
- Détection multiclasse : 221 catégories de panneaux de signalisation couvrant les limitations de vitesse, les interdictions, les avertissements, les limites de hauteur et de largeur, ainsi que les panneaux informatifs chinois.
- Haute résolution : images de 2048 × 2048 pixels, où les panneaux vont des gros plans aux minuscules repères lointains, mettant à l’épreuve la détection fine.
- Conditions réelles : grandes variations de météo, d’éclairage, d’angle de vue et d’occultation.
- Annotations par boîtes englobantes : Chaque panneau est annoté avec une classe et une boîte englobante au format YOLO après conversion automatique.
- Découpages prédéfinis : découpages fixes entraînement / validation / test (6 105 / 7 641 / 3 071 images) pour une évaluation cohérente.
Structure du jeu de données#
La configuration TT100K d’Ultralytics est répartie en trois sous-ensembles, qui partagent les mêmes 221 catégories :
| Partition | Images | Description |
|---|---|---|
| Entraînement | 6,105 | Images de scènes de circulation annotées, utilisées pour entraîner le détecteur |
| Validation | 7,641 | L’ensemble d’origine « other » du jeu de données, utilisé pour l’évaluation |
| Test | 3,071 | Images mises à part pour l’évaluation finale du modèle entraîné |
Les 221 catégories sont organisées en plusieurs grands groupes :
- Panneaux de limitation de vitesse — limitations imposées
pl*(par exemple, pl5–pl120) et vitesses minimalespm*(par exemple, pm5–pm55). - Panneaux d’interdiction — interdictions générales
p1–p29, sens interdit/interdiction de stationnerpn/pneet restrictionspr*(pr10–pr100). - Panneaux d’avertissement —
w1–w67pour les dangers routiers tels que les passages, les virages serrés, les chaussées glissantes et les travaux. - Panneaux de limitation de hauteur et de largeur — limitations de hauteur
ph*(par exemple, ph2–ph5.5) et de largeurpb/pw*. - Panneaux informatifs — informations générales
i1–i15, indications de limitation de vitesseil*(il50–il110), autres indicationsioet panonceaux d’informationip.
Applications#
TT100K est largement utilisé pour créer et évaluer des systèmes de reconnaissance des panneaux de signalisation dans des conditions réelles. Parmi ses applications courantes :
- Systèmes de perception pour la conduite autonome
- Systèmes avancés d’aide à la conduite (ADAS)
- Surveillance du trafic et analyse des infrastructures routières
- Urbanisme et études des flux de circulation
- Recherche en vision par ordinateur sur les petits objets dans des images haute résolution
Fichier YAML du jeu de données#
Le fichier TT100K.yaml définit la configuration du jeu de données — les chemins d’accès, les noms de classes et le script de téléchargement et de conversion automatiques. Il est maintenu dans le dépôt Ultralytics à l’adresse https://github.com/ultralytics/ultralytics/blob/main/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)Utilisation#
TT100K se télécharge automatiquement lors de ton premier entraînement et nécessite environ 18 Go d’espace disque disponible. Lors de la première utilisation, le script de téléchargement récupère les données d’origine et convertit les annotations au format YOLO, ce qui peut prendre plusieurs minutes.
Pour entraîner un modèle YOLO26n sur le jeu de données TT100K pendant 100 époques, avec une taille d’image de 640, tu peux utiliser les extraits de code suivants. Pour obtenir la liste complète des arguments disponibles, consulte la page Entraînement du modèle.
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle - le jeu de données se télécharge automatiquement à la première exécution
results = model.train(data="TT100K.yaml", epochs=100, imgsz=640)Pour annoter d’autres images de panneaux de signalisation et gérer tes entraînements TT100K dans ton navigateur, utilise Ultralytics Platform.
Données et annotations d’exemple#
Les images TT100K sont des scènes de rue de 2048×2048 pixels dans lesquelles les panneaux de signalisation n’occupent souvent qu’une petite partie de l’image. Une même image peut contenir plusieurs panneaux de tailles et à des distances différentes, dont certains sont partiellement masqués par des véhicules, de la végétation ou des structures, et avoir été prise de jour ou de nuit, par temps clair ou pluvieux. Cette combinaison de petits objets et de conditions difficiles fait de ce jeu de données un excellent test de la robustesse des détecteurs.
Citations et remerciements#
Si tu utilises le jeu de données TT100K dans le cadre de tes recherches ou de tes travaux de développement, cite l’article suivant :
@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}
}Nous souhaitons saluer la collaboration entre l’université Tsinghua et Tencent, qui a permis de créer et de maintenir cette précieuse ressource pour les communautés de la vision par ordinateur et de la conduite autonome. Pour en savoir plus sur le jeu de données TT100K, consulte le site officiel du jeu de données.
FAQ#
Le jeu de données Tsinghua-Tencent 100K (TT100K) sert à détecter et à classifier des panneaux de signalisation dans des conditions réelles. Ses 221 catégories et ses images de rues en haute résolution en font un benchmark courant pour la perception des véhicules autonomes, les systèmes avancés d’aide à la conduite (ADAS) et la recherche sur la détection de petits objets.
La configuration TT100K d’Ultralytics contient 16,817 images : 6,105 pour l’entraînement, 7,641 pour la validation (la partition « other » d’origine du jeu de données) et 3,071 pour le test. Consulte la section Structure du jeu de données pour obtenir la répartition complète.
« 100K » fait référence aux quelque 100 000 images Tencent Street View à partir desquelles le benchmark d’origine a été créé. La configuration de détection d’Ultralytics fournit 16,817 de ces images avec des annotations au format YOLO ; le nom reflète la collection source, et non la taille de l’ensemble d’entraînement.
TT100K définit 221 catégories couvrant les panneaux de limitation de vitesse, d’interdiction, d’avertissement, de limitation de hauteur ou de largeur et d’information. L’article d’origine ne conserve que les 45 catégories comptant au moins 100 instances d’entraînement, mais la configuration Ultralytics conserve les 221 catégories. Consulte Structure du jeu de données pour voir la répartition par groupe.
TT100K fait environ 18 Go et se télécharge automatiquement lors du premier entraînement avec
data="TT100K.yaml"— aucun téléchargement manuel n’est nécessaire. Le script convertit également les annotations d’origine au format YOLO lors de sa première exécution.Entraîne un modèle YOLO26n sur TT100K pendant 100 époques avec une taille d’image de 640 :
Exemple d’entraînementfrom ultralytics import YOLO # Charger un modèle model = YOLO("yolo26n.pt") # charger un modèle préentraîné (recommandé pour l’entraînement) # Entraîner le modèle results = model.train(data="TT100K.yaml", epochs=100, imgsz=640)Pour consulter les configurations détaillées, consulte la page Entraînement et les conseils d’entraînement des modèles.
Commence par
imgsz=640pour les premières expériences, puis augmente la valeur àimgsz=1280(avec unbatchplus petit) si tu disposes de suffisamment de mémoire GPU, car une résolution plus élevée aide à récupérer les panneaux petits et éloignés :model.train(data="TT100K.yaml", imgsz=1280, batch=4) # résolution plus élevée pour les petits panneauxTu peux également ajuster l’augmentation des données et envisager des stratégies de découpage en tuiles pour les objets très petits. Consulte Conseils pour l’entraînement des modèles pour en savoir plus.