TT100Kデータセット#
Tsinghua-Tencent 100K（TT100K）データセットは、Zhu氏らがCVPR 2016論文 Traffic-Sign Detection and Classification in the Wild のために作成した、物体検出向けの交通標識ベンチマークです。UltralyticsのTT100K設定では、221種類の交通標識カテゴリにわたる16,817枚の画像（学習6,105枚 / 検証7,641枚 / テスト3,071枚）が提供され、元のベンチマークでは30,000件を超える標識インスタンスが報告されています。名称に含まれる「100K」は、ベンチマークの作成元となった約100,000枚のTencent Street View画像を指しており、ダウンロードして学習に使用する画像数を指すものではありません。元の論文では、学習インスタンスが少なくとも100件あるカテゴリのみを残しているため、一般的に使用される45クラスのサブセットも存在しますが、Ultralyticsの設定ではアノテーション済みの221カテゴリすべてを保持しています（その多くはデータが少ないカテゴリです）。
高解像度のストリートビュー画像には、照明、天候、視野角、距離に関する大きな変動が含まれており、TT100Kは実際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。
主な特徴#
- マルチクラス検出: 中国の速度制限、禁止、警戒、高さ・幅制限、案内標識を含む221種類の交通標識カテゴリです。
- 高解像度: 2048×2048ピクセルの画像で、大きな近接標識から、細粒度検出に負荷をかける小さな遠方の標識まで含まれています。
- 実環境条件: 天候、照明、視野角、遮蔽に大きな変動があります。
- バウンディングボックスアノテーション: 各標識には、クラスと、変換処理後のYOLO形式のバウンディングボックスがラベル付けされています。
- 事前定義済み分割: 一貫した評価のために、固定された学習 / 検証 / テスト分割（6,105 / 7,641 / 3,071枚）が用意されています。
データセットの構成#
UltralyticsのTT100K設定は、すべて同じ221カテゴリを共有する3つのサブセットに分割されています。
| 分割 | 画像 | 説明 |
|---|---|---|
| トレーニング | 6,105 | 検出器の学習に使用する、ラベル付きの交通シーン画像 |
| 検証 | 7,641 | 評価に使用する、データセット本来の「other」分割 |
| テスト | 3,071 | 学習済みモデルの最終評価に使用する、学習から除外された画像 |
221カテゴリは、いくつかの主要グループに分類されています。
- 速度制限標識 — 禁止速度
pl*（例: pl5～pl120）と最低速度pm*（例: pm5～pm55）です。 - 禁止標識 — 一般的な禁止
p1～p29、進入禁止 / 駐車禁止pn/pne、および制限pr*（pr10～pr100）です。 - 警戒標識 — 交差、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です。 - 高さ・幅制限標識 — 高さ制限
ph*（例: ph2～ph5.5）と幅制限pb/pw*です。 - 案内標識 — 一般情報
i1～i15、速度制限情報il*（il50～il110）、その他io、情報板ipです。
アプリケーション#
TT100Kは、実環境における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
- 高解像度画像内の小物体に関する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・変換スクリプトなど、データセットの設定を定義しています。Ultralyticsリポジトリのhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/TT100K.yaml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は初回の学習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。初回の使用時には、ダウンロードスクリプトが元のデータを取得してアノテーションをYOLO形式に変換するため、数分かかる場合があります。
TT100Kデータセットで、画像サイズ640、100エポックのYOLO26nモデルを学習するには、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、モデルの学習ページを参照してください。
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)追加の交通標識画像にラベルを付け、ブラウザーでTT100Kの学習実行を管理するには、Ultralytics Platformを使用してください。
サンプルデータとアノテーション#
TT100Kの画像は2048×2048ピクセルの街路シーンで、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枚の画像に異なるスケールや距離の標識が複数含まれる場合があり、その一部は車両、植生、構造物によって部分的に遮蔽されています。また、昼夜や晴天 / 雨天の条件で撮影されています。このように小物体と困難な条件が組み合わさっていることが、データセットを検出器の堅牢性を試す優れたテストにしています。
引用と謝辞#
研究または開発でTT100Kデータセットを使用する場合は、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}
}コンピュータービジョンおよび自動運転コミュニティ向けに、この貴重なリソースを作成・維持しているTsinghua UniversityとTencentの協力に感謝いたします。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。
FAQ#
Tsinghua-Tencent 100K（TT100K）データセットは、実環境における交通標識の検出と分類に使用されます。221カテゴリと高解像度のストリートビュー画像を備えているため、自動運転の認識、先進運転支援システム（ADAS）、小物体検出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、学習用6,105枚、検証用7,641枚（データセット本来の「other」分割）、テスト用3,071枚です。詳細な内訳については、データセット構造セクションを参照してください。
「100K」は、元のベンチマークの作成元となった約100,000枚のTencent Street View画像を指しています。Ultralyticsの検出設定では、その中からYOLO形式のラベル付き画像16,817枚を提供しています。この名称は学習セットのサイズではなく、元の画像コレクションを反映しています。
TT100Kには、速度制限、禁止、警戒、高さ・幅制限、案内標識にわたる221カテゴリが定義されています。元の論文では、学習インスタンスが少なくとも100件ある45カテゴリのみを残していますが、Ultralyticsの設定では221カテゴリすべてを保持しています。グループの内訳については、データセット構造を参照してください。
TT100Kは約18 GBで、
data="TT100K.yaml"を使用して初めて学習するときに自動的にダウンロードされます。手動でのダウンロードは必要ありません。スクリプトは初回実行時に元のアノテーションをYOLO形式へ変換します。