TT100Kデータセット#
清華・テンセント100K（TT100K）データセットは、CVPR 2016の論文Traffic-Sign Detection and Classification in the WildのためにZhuらが作成した、物体検出用の交通標識ベンチマークです。UltralyticsのTT100K設定には、16,817枚の画像（トレーニング6,105枚／検証7,641枚／テスト3,071枚）が含まれ、221種類の交通標識カテゴリにわたります。元のベンチマークでは標識インスタンスが30,000件以上報告されています。名称の「100K」は、ベンチマークの作成に使用された約100,000枚のTencent Street View画像を指しており、ダウンロードしてトレーニングに使用する画像数ではありません。元の論文ではトレーニング用インスタンスが100件以上あるカテゴリのみを採用しているため、一般的に使用される45クラスのサブセットもありますが、Ultralyticsの設定では、アノテーションが付いた221カテゴリすべて（データが少ないカテゴリも多数）を保持しています。
高解像度のストリートビュー画像には、照明、天候、視点、距離の大きなばらつきが写っています。そのためTT100Kは、実環境の運転シーンにおける小物体検出の難易度の高いベンチマークとなっています。
主な機能#
- マルチクラス検出: 中国の速度制限、禁止、警告、高さ・幅制限、案内標識を網羅する221種類の交通標識カテゴリです。
- 高解像度: 画像は2048×2048ピクセルで、標識は大きく写ったものから遠くの小さな標識までさまざまです。微細な違いの検出が求められます。
- 実環境の条件: 天候、照明、視点、オクルージョンに大きなばらつきがあります。
- バウンディングボックスのアノテーション: 各標識にはクラスとバウンディングボックスが付与されており、自動変換後の形式はYOLO形式です。
- 事前定義された分割: 一貫した評価のために、トレーニング／検証／テストの分割（画像数は6,105／7,641／3,071枚）が固定されています。
データセットの構成#
UltralyticsのTT100K設定は3つのサブセットに分割されており、すべて同じ221カテゴリを共有しています。
| 分割 | 画像 | 説明 |
|---|---|---|
| 学習 | 6,105 | 検出器のトレーニングに使用するアノテーション付き交通シーン画像 |
| 検証 | 7,641 | データセットの元の「other」分割。評価に使用します。 |
| テスト | 3,071 | トレーニング済みモデルの最終評価に使用するホールドアウト画像 |
221カテゴリは、いくつかの主要なグループに分類されています。
- 速度制限標識 — 速度制限を示す禁止標識
pl*（例: pl5～pl120）と最低速度標識pm*（例: pm5～pm55）。 - 禁止標識 — 一般的な禁止標識
p1～p29、進入禁止／駐車禁止標識pn／pne、および規制標識pr*（pr10～pr100）。 - 警告標識 — 交差点、急カーブ、滑りやすい道路、工事などの道路上の危険を示す
w1～w67。 - 高さ・幅制限標識 — 高さ制限標識
ph*（例: ph2～ph5.5）と幅制限標識pb／pw*。 - 案内標識 — 一般案内
i1～i15、速度制限案内il*（il50～il110）、その他の案内io、補助標識ip。
用途#
TT100Kは、実環境での交通標識認識の構築とベンチマークに広く使用されています。一般的な用途は次のとおりです。
- 自動運転の認識システム
- 先進運転支援システム（ADAS）
- 交通監視と道路インフラ分析
- 都市計画と交通流の研究
- 高解像度画像における小物体を対象としたコンピュータービジョン研究
データセットYAML#
TT100K.yamlファイルでは、データセットのパス、クラス名、自動ダウンロードおよび変換スクリプトなど、データセットの設定を定義します。このファイルは、https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/TT100K.yamlにあるUltralyticsリポジトリで管理されています。
# 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)使用方法#
TT100Kは初回のトレーニング時に自動的にダウンロードされ、約18 GBの空きディスク容量が必要です。初回使用時には、ダウンロードスクリプトが元のデータを取得し、アノテーションをYOLO形式に変換するため、数分かかることがあります。
TT100KデータセットでYOLO26nモデルを画像サイズ640、100エポックでトレーニングするには、次のコードスニペットを使用できます。利用可能な引数の一覧については、モデルのトレーニングページをご覧ください。
from ultralytics import YOLO
# モデルを読み込む
model = YOLO("yolo26n.pt") # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）
# モデルをトレーニングします - データセットは初回実行時に自動ダウンロードされます
results = model.train(data="TT100K.yaml", epochs=100, imgsz=640)追加の交通標識画像にラベルを付け、ブラウザー上でTT100Kのトレーニング実行を管理するには、Ultralytics Platformをご利用ください。
サンプルデータとアノテーション#
TT100Kの画像は2048×2048の街路風景で、交通標識がフレームのごく一部しか占めないことがよくあります。1枚の画像に、サイズや距離が異なる複数の標識が写っている場合があり、車両、植生、構造物に一部が隠れていたり、昼夜や晴天・雨天の条件で撮影されていたりします。小さな物体と難しい撮影条件の組み合わせにより、このデータセットは検出器の堅牢性を評価する優れたテストとなっています。
引用と謝辞#
TT100Kデータセットを研究または開発に使用する場合は、次の論文を引用してください。
@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}
}コンピュータビジョンおよび自動運転コミュニティにとって貴重なこのリソースを作成・維持している、清華大学とTencentの連携に感謝いたします。TT100Kデータセットの詳細については、公式データセットウェブサイトをご覧ください。
よくある質問#
Tsinghua-Tencent 100K（TT100K）データセットは、実環境での交通標識の検出と分類に使用されます。221種類のカテゴリと高解像度のストリートビュー画像を含むため、自動運転の認識、高度運転支援システム（ADAS）、小物体検出の研究で一般的なベンチマークとなっています。
UltralyticsのTT100K設定には16,817枚の画像が含まれています。内訳は、トレーニング用が6,105枚、検証用が7,641枚（データセットの元の「other」分割）、テスト用が3,071枚です。詳しい内訳はデータセット構成セクションをご覧ください。
「100K」は、元のベンチマークの作成元となったTencent Street Viewの約100,000枚の画像を指します。Ultralyticsの検出設定では、そのうち16,817枚にYOLO形式のラベルを付けて提供しています。この名称はトレーニングセットのサイズではなく、元の画像コレクションを表しています。
TT100Kでは、速度制限、通行禁止、警戒、高さ・幅制限、案内標識など、221種類のカテゴリが定義されています。元の論文ではトレーニングデータが100件以上ある45カテゴリのみを使用していますが、Ultralyticsの設定では221カテゴリすべてを保持しています。カテゴリのグループごとの内訳はデータセット構成をご覧ください。
TT100Kは約18 GBで、
data="TT100K.yaml"を使用して初めてトレーニングすると自動的にダウンロードされるため、手動でダウンロードする必要はありません。スクリプトは初回実行時に、元のアノテーションもYOLO形式に変換します。画像サイズ640、100エポックでTT100K上のYOLO26nモデルをトレーニングします。
トレーニング例from ultralytics import YOLO # モデルを読み込む model = YOLO("yolo26n.pt") # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します） # モデルをトレーニングする results = model.train(data="TT100K.yaml", epochs=100, imgsz=640)詳しい設定については、トレーニングページとモデルのトレーニングのヒントをご覧ください。
まず
imgsz=640で初期実験を行い、GPUメモリに余裕があれば、imgsz=1280に引き上げてください（batchは小さくします）。解像度を上げると、小さく遠くにある標識を検出しやすくなります。model.train(data="TT100K.yaml", imgsz=1280, batch=4) # 小さな標識に対応するため解像度を上げるデータ拡張を調整したり、非常に小さな物体にはタイル分割の手法を検討したりすることもできます。詳細はモデルのトレーニングに関するヒントをご覧ください。