Link to this sectionTT100K 데이터셋#

Tsinghua-Tencent 100K (TT100K) 데이터셋은 객체 탐지를 위한 교통 표지판 벤치마크로, Zhu 등이 CVPR 2016 논문 Traffic-Sign Detection and Classification in the Wild를 위해 제작했습니다. Ultralytics TT100K 구성은 총 221개의 교통 표지판 카테고리에 걸쳐 16,817개의 이미지(학습용 6,105개 / 검증용 7,641개 / 테스트용 3,071개)를 제공하며, 원본 벤치마크에서는 30,000개 이상의 표지판 인스턴스를 보고하고 있습니다. 이름에 포함된 "100K"는 이 벤치마크를 생성하는 데 사용된 약 100,000개의 텐센트 스트리트 뷰(Tencent Street View) 이미지를 의미하며, 사용자가 다운로드하여 학습하는 이미지 개수를 뜻하는 것은 아닙니다. 원본 논문에서는 학습 인스턴스가 100개 이상인 카테고리만 유지하므로 일반적으로 사용되는 45개 클래스 서브셋이 존재하지만, Ultralytics 구성은 모든 221개의 주석 달린 카테고리(다수는 희소 데이터임)를 유지합니다.

고해상도 스트리트 뷰 이미지는 조명, 날씨, 시야각 및 거리의 큰 변화를 포착하므로, TT100K는 실제 주행 환경에서 소형 객체 탐지를 위한 까다로운 벤치마크입니다.

Link to this section주요 특징#

다중 클래스 탐지: 중국의 제한 속도, 금지, 경고, 높이/너비 제한 및 안내 표지판을 포함하는 221개의 교통 표지판 카테고리입니다.
고해상도: 2048×2048 픽셀 이미지로, 큰 근접 촬영 표지판부터 정밀한 탐지가 요구되는 아주 작은 먼 거리의 표지판까지 다양하게 포함되어 있습니다.
실제 환경 조건: 날씨, 조명, 시야각 및 가림 현상(occlusion)의 큰 변화를 포함합니다.
경계 상자 주석: 각 표지판에는 클래스와 함께 자동 변환 후 YOLO 형식의 경계 상자(bounding box)가 라벨링되어 있습니다.
사전 정의된 분할: 일관된 평가를 위해 고정된 학습/검증/테스트 분할(6,105 / 7,641 / 3,071 이미지)을 제공합니다.

Link to this section데이터셋 구조#

Ultralytics TT100K 구성은 동일한 221개 카테고리를 공유하는 세 개의 서브셋으로 나뉩니다:

Split	이미지	설명
학습(Train)	6,105	탐지기 학습에 사용되는 라벨링된 교통 상황 이미지
검증	7,641	평가에 사용되는 데이터셋의 원본 "other" 분할
테스트	3,071	학습된 모델의 최종 평가를 위한 보류(held-out) 이미지

221개의 카테고리는 여러 주요 그룹으로 구성됩니다:

제한 속도 표지판 — 금지 제한 pl*(예: pl5–pl120) 및 최소 속도 pm*(예: pm5–pm55).
금지 표지판 — 일반 금지 p1–p29, 통행 금지/주차 금지 pn/pne 및 제한 pr*(pr10–pr100).
경고 표지판 — 교차로, 급커브, 미끄러운 도로 및 공사 구간과 같은 도로 위험 요소를 위한 w1–w67.
높이/너비 제한 표지판 — 높이 제한 ph*(예: ph2–ph5.5) 및 너비 제한 pb/pw*.
안내 표지판 — 일반 정보 i1–i15, 제한 속도 정보 il*(il50–il110), 기타 io 및 정보 표지판 ip.

Link to this section응용 분야#

TT100K는 실제 환경에서 교통 표지판 인식을 구축하고 벤치마킹하는 데 널리 사용됩니다. 일반적인 응용 분야는 다음과 같습니다:

자율 주행 인식 시스템
첨단 운전자 보조 시스템(ADAS)
교통 모니터링 및 도로 인프라 분석
도시 계획 및 교통 흐름 연구
고해상도 이미지 내 소형 객체에 대한 컴퓨터 비전 연구

Link to this section데이터셋 YAML#

TT100K.yaml 파일은 데이터셋 경로, 클래스 이름 및 자동 다운로드 및 변환 스크립트와 같은 데이터셋 구성을 정의합니다. 이 파일은 Ultralytics 리포지토리(https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/TT100K.yaml)에서 관리됩니다.

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#

~18 GB 다운로드

TT100K는 처음 학습을 수행할 때 자동으로 다운로드되며 약 18 GB의 여유 디스크 공간이 필요합니다. 처음 사용할 때 다운로드 스크립트가 원본 데이터를 가져와 주석을 YOLO 형식으로 변환하며, 이 과정은 몇 분 정도 소요될 수 있습니다.

TT100K 데이터셋에서 이미지 크기 640으로 100 에포크(epochs) 동안 YOLO26n 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수에 대한 자세한 목록은 모델 학습(Training) 페이지를 참조하십시오.

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)

추가 교통 표지판 이미지를 라벨링하고 브라우저에서 TT100K 학습 실행을 관리하려면 Ultralytics Platform을 사용하십시오.

Link to this section샘플 데이터 및 주석#

TT100K 이미지는 교통 표지판이 프레임의 아주 작은 부분만을 차지하는 2048×2048 스트리트 뷰 장면입니다. 단일 이미지에는 다양한 규모와 거리의 여러 표지판이 포함될 수 있으며, 일부는 차량, 식생 또는 구조물에 의해 부분적으로 가려져 있고 낮/밤 및 맑음/비 조건에서 촬영되었습니다. 이러한 소형 객체와 도전적인 조건의 조합이 이 데이터셋을 탐지기 견고성을 테스트하는 강력한 도구로 만듭니다.

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#

Link to this sectionTT100K 데이터셋은 어떤 용도로 사용됩니까?#

Tsinghua-Tencent 100K (TT100K) 데이터셋은 실제 환경에서의 교통 표지판 탐지 및 분류에 사용됩니다. 221개의 카테고리와 고해상도 스트리트 뷰 이미지는 자율 주행 인식, 첨단 운전자 보조 시스템(ADAS) 및 소형 객체 탐지 연구를 위한 공통 벤치마크로 활용됩니다.

Link to this sectionTT100K 데이터셋에는 몇 개의 이미지가 포함되어 있습니까?#

Ultralytics TT100K 구성에는 총 16,817개의 이미지가 포함되어 있습니다(학습용 6,105개, 검증용 7,641개(데이터셋의 원본 "other" 분할), 테스트용 3,071개). 전체 세부 정보는 데이터셋 구조 섹션을 참조하십시오.

Link to this section이미지가 약 16,800개인데 왜 100K라고 불리나요?#

"100K"는 원본 벤치마크가 생성된 약 100,000개의 텐센트 스트리트 뷰 이미지를 의미합니다. Ultralytics 탐지 구성은 그중 16,817개의 이미지를 YOLO 형식 라벨과 함께 제공하며, 이름은 학습 세트 크기가 아닌 원본 수집 데이터의 규모를 반영합니다.

Link to this sectionTT100K에는 몇 개의 교통 표지판 카테고리가 있습니까?#

TT100K는 제한 속도, 금지, 경고, 높이/너비 제한 및 안내 표지판에 걸쳐 221개의 카테고리를 정의합니다. 원본 논문에서는 학습 인스턴스가 최소 100개 이상인 45개 카테고리만 유지하지만, Ultralytics 구성은 221개를 모두 유지합니다. 그룹별 분류는 데이터셋 구조를 참조하십시오.

Link to this sectionTT100K 데이터셋 다운로드 크기는 어느 정도입니까?#

TT100K는 약 18 GB이며 data="TT100K.yaml"로 처음 학습을 수행할 때 자동으로 다운로드되므로 수동 다운로드가 필요하지 않습니다. 스크립트는 처음 실행 시 원본 주석을 YOLO 형식으로 변환합니다.

Link to this sectionTT100K 데이터셋에서 YOLO26 모델을 어떻게 학습합니까?#

이미지 크기 640에서 100 에포크 동안 TT100K에서 YOLO26n 모델을 학습하십시오: