Dataset TT100K#
Il dataset Tsinghua-Tencent 100K (TT100K) è un benchmark per il rilevamento dei segnali stradali tramite rilevamento degli oggetti, creato da Zhu et al. per l'articolo CVPR 2016 Traffic-Sign Detection and Classification in the Wild. La configurazione TT100K di Ultralytics fornisce 16.817 immagini (6.105 per l'addestramento / 7.641 per la convalida / 3.071 per il test) distribuite su 221 categorie di segnali stradali, mentre il benchmark originale riporta oltre 30.000 istanze di segnali. Il termine "100K" nel nome si riferisce alle circa 100.000 immagini Tencent Street View da cui è stato creato il benchmark, non al numero di immagini che scarichi e usi per l'addestramento. Poiché l'articolo originale mantiene solo le categorie con almeno 100 istanze di addestramento, esiste un sottoinsieme comunemente utilizzato di 45 classi, ma la configurazione di Ultralytics conserva tutte le 221 categorie annotate (molte delle quali poco rappresentate).
Le immagini street-view ad alta risoluzione catturano grandi variazioni di illuminazione, condizioni meteorologiche, angolo di visualizzazione e distanza, rendendo TT100K un benchmark impegnativo per il rilevamento di oggetti piccoli in scene di guida reali.
Funzionalità principali#
- Rilevamento multi-classe: 221 categorie di segnali stradali, tra cui segnali cinesi di limite di velocità, divieto, pericolo, limite di altezza/larghezza e informativi.
- Alta risoluzione: immagini da 2048×2048 pixel, con segnali che vanno da primi piani di grandi dimensioni a piccoli indicatori distanti, mettendo alla prova il rilevamento a grana fine.
- Condizioni reali: grandi variazioni di condizioni meteorologiche, illuminazione, angolo di visualizzazione e occlusione.
- Annotazioni dei riquadri di delimitazione: ogni segnale è etichettato con una classe e un riquadro di delimitazione nel formato YOLO dopo la conversione automatica.
- Suddivisioni predefinite: suddivisioni fisse per addestramento / convalida / test (6.105 / 7.641 / 3.071 immagini) per una valutazione coerente.
Struttura del dataset#
La configurazione TT100K di Ultralytics è suddivisa in tre sottoinsiemi, tutti con le stesse 221 categorie:
| Suddivisione | Immagini | Descrizione |
|---|---|---|
| Addestramento | 6,105 | Immagini di scene stradali etichettate utilizzate per addestrare il rilevatore |
| Convalida | 7,641 | La suddivisione originale "other" del dataset, utilizzata per la valutazione |
| Test | 3,071 | Immagini riservate per la valutazione finale del modello addestrato |
Le 221 categorie sono organizzate in diversi gruppi principali:
- Segnali di limite di velocità — limiti di divieto
pl*(ad es., pl5–pl120) e velocità minimepm*(ad es., pm5–pm55). - Segnali di divieto — divieti generali
p1–p29, divieto di accesso/sostapn/pnee restrizionipr*(pr10–pr100). - Segnali di pericolo —
w1–w67per pericoli stradali quali attraversamenti, curve strette, strade sdrucciolevoli e lavori in corso. - Segnali di limite di altezza/larghezza — limiti di altezza
ph*(ad es., ph2–ph5.5) e limiti di larghezzapb/pw*. - Segnali informativi — informazioni generali
i1–i15, informazioni sui limiti di velocitàil*(il50–il110), altriioe pannelli informativiip.
Applicazioni#
TT100K è ampiamente utilizzato per sviluppare e valutare sistemi di riconoscimento dei segnali stradali in condizioni reali. Le applicazioni comuni includono:
- Sistemi di percezione per la guida autonoma
- Sistemi avanzati di assistenza alla guida (ADAS)
- Monitoraggio del traffico e analisi delle infrastrutture stradali
- Pianificazione urbana e studi sul flusso del traffico
- Ricerca di visione artificiale su oggetti piccoli in immagini ad alta risoluzione
YAML del dataset#
Il file TT100K.yaml definisce la configurazione del dataset, ovvero i percorsi del dataset, i nomi delle classi e lo script per il download e la conversione automatica. È mantenuto nel repository di Ultralytics all'indirizzo 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)Utilizzo#
TT100K viene scaricato automaticamente la prima volta che esegui l'addestramento e richiede circa 18 GB di spazio libero su disco. Al primo utilizzo, lo script di download recupera i dati originali e converte le annotazioni nel formato YOLO; l'operazione può richiedere diversi minuti.
Per addestrare un modello YOLO26n sul dataset TT100K per 100 epoche con una dimensione delle immagini di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Addestramento del modello.
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)Per etichettare altre immagini di segnali stradali e gestire nel browser le esecuzioni di addestramento di TT100K, usa Ultralytics Platform.
Dati ed esempi di annotazioni#
Le immagini TT100K sono scene stradali da 2048×2048 pixel in cui i segnali stradali occupano spesso solo una piccola parte dell'inquadratura. Una singola immagine può contenere più segnali a scale e distanze diverse, alcuni parzialmente occlusi da veicoli, vegetazione o strutture, acquisiti di giorno o di notte e in condizioni di cielo sereno o pioggia. Questa combinazione di oggetti piccoli e condizioni difficili rende il dataset un test efficace della robustezza del rilevatore.
Citazioni e ringraziamenti#
Se utilizzi il dataset TT100K per attività di ricerca o sviluppo, cita il seguente articolo:
@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}
}Desideriamo ringraziare la collaborazione tra la Tsinghua University e Tencent per aver creato e mantenuto questa preziosa risorsa per le comunità della visione artificiale e della guida autonoma. Per ulteriori informazioni sul dataset TT100K, visita il sito web ufficiale del dataset.
FAQ#
Il dataset Tsinghua-Tencent 100K (TT100K) viene utilizzato per il rilevamento e la classificazione dei segnali stradali in condizioni reali. Le sue 221 categorie e le immagini street-view ad alta risoluzione lo rendono un benchmark comune per la percezione nella guida autonoma, i sistemi avanzati di assistenza alla guida (ADAS) e la ricerca sul rilevamento di oggetti piccoli.
La configurazione TT100K di Ultralytics contiene 16.817 immagini: 6.105 per l'addestramento, 7.641 per la convalida (la suddivisione originale "other" del dataset) e 3.071 per il test. Consulta la sezione Struttura del dataset per la suddivisione completa.
Il termine "100K" si riferisce alle circa 100.000 immagini Tencent Street View da cui è stato creato il benchmark originale. La configurazione di rilevamento di Ultralytics fornisce 16.817 di queste immagini con etichette nel formato YOLO; il nome riflette la raccolta di origine, non la dimensione del set di addestramento.
TT100K definisce 221 categorie che comprendono segnali di limite di velocità, divieto, pericolo, limite di altezza/larghezza e informativi. L'articolo originale mantiene solo le 45 categorie con almeno 100 istanze di addestramento, mentre la configurazione di Ultralytics le conserva tutte e 221. Consulta Struttura del dataset per la suddivisione in gruppi.
TT100K occupa circa 18 GB e viene scaricato automaticamente la prima volta che esegui l'addestramento con
data="TT100K.yaml": non è necessario alcun download manuale. Lo script converte inoltre le annotazioni originali nel formato YOLO alla prima esecuzione.Addestra un modello YOLO26n su TT100K per 100 epoche con una dimensione delle immagini di 640:
Esempio di addestramentofrom 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)Per configurazioni dettagliate, consulta la pagina Addestramento e i consigli per l'addestramento dei modelli.
Inizia con
imgsz=640per gli esperimenti iniziali, quindi aumenta aimgsz=1280(con un valorebatchpiù piccolo) se disponi di memoria GPU sufficiente, poiché la risoluzione maggiore aiuta a recuperare i segnali piccoli e distanti:model.train(data="TT100K.yaml", imgsz=1280, batch=4) # higher resolution for small signsPuoi anche ottimizzare l'aumento dei dati e valutare strategie di suddivisione in riquadri per gli oggetti molto piccoli. Per ulteriori informazioni, consulta Suggerimenti per l'addestramento dei modelli.