Link to this sectionTT100K 데이터셋#

Q: TT100K에는 몇 개의 교통 표지판 카테고리가 있습니까?

TT100K 데이터셋에는 221개의 서로 다른 교통 표지판 카테고리가 포함되어 있으며, 다음이 포함됩니다: 속도 제한: pl\ 금지 제한 및 pm\ 최저 속도 (예: pl40, pl120, pm30, pm55); 금지 표지판: 29개의 일반 금지 유형(p1-p29)과 제한 사항(pr\, pn, pne); 경고 표지판: 60개 이상의 경고 카테고리(w1-w67); 높이/너비 제한: 물리적 제한을 위한 ph\ 높이 및 pw\ 너비 시리즈; 정보 표지판: 안내 및 정보를 위한 i1-i15, il\, io, ip. 이 포괄적인 범위는 중국 도로 네트워크에서 발견되는 대부분의 교통 표지판을 포함합니다.

Q: 다른 데이터셋과 비교했을 때 TT100K의 어려운 점은 무엇입니까?

TT100K는 다음과 같은 몇 가지 고유한 과제를 제시합니다: 규모 변화: 표지판은 매우 작은 것(원거리 고속도로 표지판)부터 큰 것(근접 도시 표지판)까지 다양합니다. 실제 환경 조건: 조명, 날씨 및 시야각의 극단적인 변화; 고해상도: 2048×2048 픽셀 이미지는 상당한 처리 능력을 요구합니다. 클래스 불균형: 일부 표지판 유형은 다른 유형보다 훨씬 더 흔합니다. 조밀한 장면: 한 이미지에 여러 표지판이 나타날 수 있습니다. 부분적인 가림: 표지판이 차량, 식생 또는 구조물에 의해 부분적으로 가려질 수 있습니다. 이러한 과제들로 인해 TT100K는 강력한 탐지 알고리즘을 개발하기 위한 귀중한 벤치마크가 됩니다.

Tsinghua-Tencent 100K (TT100K)는 10만 개의 텐센트 거리 사진(Tencent Street View panoramas)으로 제작된 대규모 교통 표지판 벤치마크 데이터셋입니다. 이 데이터셋은 실제 환경에서의 교통 표지판 탐지 및 분류를 위해 특별히 설계되었으며, 연구원과 개발자에게 강력한 교통 표지판 인식 시스템을 구축하기 위한 포괄적인 리소스를 제공합니다.

이 데이터셋에는 221개 주석 카테고리에 걸쳐 3만 개 이상의 교통 표지판 인스턴스가 포함된 10만 개의 이미지가 들어 있습니다. 원본 논문에서는 지도 학습을 위해 클래스당 100개 인스턴스 임계값을 적용하여 일반적으로 사용되는 45개 클래스 서브셋을 도출했지만, 제공되는 Ultralytics 데이터셋 구성은 매우 드문 카테고리를 포함하여 221개 주석 카테고리를 모두 유지합니다. 이 이미지들은 조도, 날씨 조건, 시야각 및 거리의 큰 변화를 포착하므로, 다양한 실제 시나리오에서 안정적으로 작동해야 하는 모델을 훈련하는 데 이상적입니다.

이 데이터셋은 특히 다음 분야에 유용합니다:

자율 주행 시스템
첨단 운전자 보조 시스템(ADAS)
교통 모니터링 애플리케이션
도시 계획 및 교통 분석
실제 환경에서의 컴퓨터 비전 연구

Link to this section주요 특징#

TT100K 데이터셋은 다음과 같은 몇 가지 주요 이점을 제공합니다:

규모: 10만 개의 고해상도 이미지 (2048×2048 픽셀)
다양성: 중국 교통 표지판을 포함하는 221개의 교통 표지판 카테고리
실제 환경 조건: 날씨, 조명 및 시야각의 큰 변화
풍부한 주석: 각 표지판에는 클래스 레이블, 바운딩 박스(BBox) 및 픽셀 마스크가 포함됨
포괄적인 범위: 금지, 경고, 지시 및 정보 표지판 포함
학습/테스트 분할: 일관된 평가를 위한 사전 정의된 분할

Link to this section데이터셋 구조#

TT100K 데이터셋은 세 가지 서브셋으로 분할됩니다:

학습 세트(Training Set): 다양한 유형의 교통 표지판을 탐지하고 분류하기 위해 모델을 훈련하는 데 사용되는 주요 교통 장면 이미지 모음입니다.
검증 세트(Validation Set): 모델 개발 중에 성능을 모니터링하고 하이퍼파라미터를 튜닝하는 데 사용되는 서브셋입니다.
테스트 세트(Test Set): 실제 시나리오에서 교통 표지판을 탐지하고 분류하는 최종 모델의 능력을 평가하기 위해 보관된 이미지 모음입니다.

TT100K 데이터셋에는 여러 주요 그룹으로 정리된 221개의 교통 표지판 카테고리가 포함되어 있습니다:

속도 제한 표지판 (pl, pm)**

pl_: 금지 속도 제한 (예: pl5, pl10, pl20, pl30, pl40, pl50, pl60, pl70, pl80, pl100, pl120)
pm_: 최저 속도 제한 (예: pm5, pm10, pm20, pm30, pm40, pm50, pm55)

금지 표지판 (p, pn, pr_)**

p1-p29: 일반 금지 표지판 (진입 금지, 주차 금지, 정차 금지 등)
pn/pne: 진입 금지 및 주차 금지 표지판
pr: 다양한 제한 표지판 (예: pr10, pr20, pr30, pr40, pr50)

경고 표지판 (w_)

w1-w67: 다양한 도로 위험, 상태 및 상황에 대한 경고 표지판
보행자 횡단보도, 급커브, 미끄러운 도로, 동물, 공사 구간 등을 포함합니다.

높이/너비 제한 표지판 (ph, pb, pw*)**

ph_: 높이 제한 표지판 (예: ph2, ph2.5, ph3, ph3.5, ph4, ph4.5, ph5)
pb/pw_: 너비 제한 표지판

정보 표지판 (i, il, io, ip)**

i1-i15: 일반 정보 표지판
il_: 속도 제한 정보 (il50, il60, il70, il80, il90, il100, il110)
io: 기타 정보 표지판
ip: 정보 보조 표지판

Link to this section데이터셋 YAML#

YAML(Yet Another Markup Language) 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 이 파일에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. TT100K 데이터셋의 경우 TT100K.yaml 파일에 자동 다운로드 및 변환 기능이 포함되어 있습니다.

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)

Link to this section사용법#

TT100K 데이터셋에서 640 이미지 크기로 100 epochs 동안 YOLO26 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 데이터셋은 처음 사용할 때 자동으로 다운로드되고 YOLO 형식으로 변환됩니다.

훈련 예제

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)

Link to this section샘플 이미지 및 주석#

TT100K 데이터셋의 일반적인 예는 다음과 같습니다:

도시 환경: 다양한 거리의 여러 교통 표지판이 있는 거리 장면
고속도로 장면: 속도 제한 및 방향 지시 표지판을 포함한 고속 도로 표지판
복잡한 교차로: 다양한 방향으로 인접해 있는 여러 표지판
까다로운 조건: 다양한 조명(주간/야간), 날씨(비/안개) 및 시야각에서의 표지판

이 데이터셋에는 다음이 포함됩니다:

근접 표지판: 이미지의 상당 부분을 차지하며 명확하게 보이는 큰 표지판
원거리 표지판: 세밀한 탐지 기능이 필요한 작은 표지판
부분적으로 가려진 표지판: 차량, 나무 또는 기타 물체에 의해 부분적으로 가려진 표지판
이미지당 여러 표지판: 여러 종류의 표지판이 포함된 이미지

Link to this section인용 및 감사의 글#

연구 또는 개발 작업에서 TT100K 데이터셋을 사용하는 경우, 다음 논문을 인용해 주십시오:

인용

@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}
}

컴퓨터 비전 및 자율 주행 커뮤니티를 위한 이 귀중한 리소스를 제작하고 유지 관리해 준 칭화대학교와 텐센트의 협력에 감사드립니다. TT100K 데이터셋에 대한 자세한 내용은 공식 데이터셋 웹사이트를 방문하십시오.

Link to this sectionFAQ#