TT100K 데이터셋#
Tsinghua-Tencent 100K (TT100K) 데이터셋은 Zhu et al.이 CVPR 2016 논문 Traffic-Sign Detection and Classification in the Wild를 위해 제작한 객체 탐지 벤치마크입니다. Ultralytics TT100K 구성은 221개 교통 표지판 카테고리에 걸쳐 16,817개 이미지(학습 6,105개 / 검증 7,641개 / 테스트 3,071개)를 제공하며, 원본 벤치마크에는 30,000개가 넘는 표지판 인스턴스가 포함되어 있습니다. 이름의 "100K"는 다운로드하여 학습하는 이미지 수가 아니라, 벤치마크가 생성된 약 100,000개의 Tencent Street View 이미지를 의미합니다. 원 논문에서는 학습 인스턴스가 100개 이상인 카테고리만 유지하므로 일반적으로 사용되는 45개 클래스 하위 집합이 존재하지만, Ultralytics 구성에서는 주석이 지정된 221개 카테고리 전체를 유지합니다(이 중 상당수는 데이터가 희소합니다).
고해상도 스트리트 뷰 이미지는 조명, 날씨, 시야각, 거리의 큰 변화를 포착하므로 TT100K는 실제 주행 장면에서 소형 객체 탐지를 평가하기 까다로운 벤치마크입니다.
주요 기능#
- 다중 클래스 탐지: 중국의 속도 제한, 금지, 경고, 높이/너비 제한 및 안내 표지판을 포함하는 221개 교통 표지판 카테고리입니다.
- 고해상도: 2048×2048 픽셀 이미지로, 표지판이 크게 촬영된 근접 이미지부터 세밀한 탐지 성능을 시험하는 작고 먼 표지판까지 다양합니다.
- 실제 환경: 날씨, 조명, 시야각 및 가림의 변화가 큽니다.
- 바운딩 박스 주석: 자동 변환 후 각 표지판에 클래스와 YOLO 형식의 바운딩 박스가 지정됩니다.
- 사전 정의된 분할: 일관된 평가를 위해 학습 / 검증 / 테스트 분할(6,105 / 7,641 / 3,071개 이미지)이 고정되어 있습니다.
데이터셋 구조#
Ultralytics TT100K 구성은 세 개의 하위 집합으로 나뉘며, 모두 동일한 221개 카테고리를 공유합니다:
| 분할 | 이미지 | 설명 |
|---|---|---|
| 학습 | 6,105 | 탐지기 학습에 사용되는 주석 처리된 교통 장면 이미지 |
| 검증 | 7,641 | 평가에 사용되는 데이터셋 원본의 "other" 분할 |
| 테스트 | 3,071 | 학습된 모델의 최종 평가를 위해 보류된 이미지 |
221개 카테고리는 몇 가지 주요 그룹으로 구성됩니다:
- 속도 제한 표지판 — 금지 속도 제한
pl*(예: pl5–pl120) 및 최저 속도pm*(예: pm5–pm55)입니다. - 금지 표지판 — 일반 금지
p1–p29, 진입 금지/주차 금지pn/pne, 제한pr*(pr10–pr100)입니다. - 경고 표지판 — 건널목, 급커브, 미끄러운 도로, 공사와 같은 도로 위험을 나타내는
w1–w67입니다. - 높이/너비 제한 표지판 — 높이 제한
ph*(예: ph2–ph5.5) 및 너비 제한pb/pw*입니다. - 안내 표지판 — 일반 안내
i1–i15, 속도 제한 안내il*(il50–il110), 기타 안내io, 정보 플레이트ip입니다.
응용 분야#
TT100K는 실제 환경에서 교통 표지판 인식을 구축하고 벤치마킹하는 데 널리 사용됩니다. 일반적인 활용 분야는 다음과 같습니다:
- 자율주행 인식 시스템
- 첨단 운전자 보조 시스템(ADAS)
- 교통 모니터링 및 도로 인프라 분석
- 도시 계획 및 교통 흐름 연구
- 고해상도 이미지에서 소형 객체를 다루는 컴퓨터 비전 연구
데이터셋 YAML#
TT100K.yaml 파일은 데이터셋 구성, 즉 데이터셋 경로, 클래스 이름 및 자동 다운로드·변환 스크립트를 정의합니다. 이 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/TT100K.yaml의 Ultralytics 저장소에서 관리됩니다.
# 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)사용법#
TT100K는 처음 학습할 때 자동으로 다운로드되며 약 18GB의 여유 디스크 공간이 필요합니다. 처음 사용할 때 다운로드 스크립트가 원본 데이터를 가져와 주석을 YOLO 형식으로 변환하며, 이 과정에는 몇 분이 걸릴 수 있습니다.
이미지 크기 640으로 TT100K 데이터셋에서 YOLO26n 모델을 100 에포크 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.
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 이미지에 라벨을 지정하고 브라우저에서 TT100K 학습 실행을 관리하려면 Ultralytics Platform을 사용하세요.
샘플 데이터 및 어노테이션#
TT100K 이미지는 교통 표지판이 프레임의 작은 부분만 차지하는 경우가 많은 2048×2048 크기의 거리 장면입니다. 하나의 이미지에 서로 다른 크기와 거리를 가진 여러 표지판이 포함될 수 있으며, 일부는 차량, 식생 또는 구조물에 부분적으로 가려져 있고 낮/밤 및 맑음/비 conditions에서 촬영됩니다. 이러한 소형 객체와 까다로운 환경의 조합이 이 데이터셋을 탐지기의 강건성을 평가하는 강력한 테스트로 만듭니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 TT100K 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:
@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 자율주행 커뮤니티를 위해 이 귀중한 리소스를 제작하고 유지 관리한 Tsinghua University와 Tencent의 협력에 감사를 표합니다. TT100K 데이터셋에 대한 자세한 내용은 공식 데이터셋 웹사이트를 방문하세요.
FAQ#
Tsinghua-Tencent 100K (TT100K) 데이터셋은 실제 환경에서 교통 표지판 탐지 및 분류에 사용됩니다. 221개 카테고리와 고해상도 스트리트 뷰 이미지를 갖추고 있어 자율주행 인식, 첨단 운전자 보조 시스템(ADAS), 소형 객체 탐지 연구를 위한 일반적인 벤치마크로 활용됩니다.
Ultralytics TT100K 구성에는 16,817개 이미지가 포함됩니다. 학습용 6,105개, 검증용 7,641개(데이터셋 원본의 "other" 분할), 테스트용 3,071개입니다. 전체 내역은 데이터셋 구조 섹션을 참조하세요.
"100K"는 원본 벤치마크가 생성된 약 100,000개의 Tencent Street View 이미지를 의미합니다. Ultralytics 탐지 구성은 해당 이미지 중 16,817개에 YOLO 형식 라벨을 제공하며, 이름은 학습 세트 크기가 아니라 원본 컬렉션을 나타냅니다.
TT100K는 속도 제한, 금지, 경고, 높이/너비 제한 및 안내 표지판을 아우르는 221개 카테고리를 정의합니다. 원 논문에서는 학습 인스턴스가 100개 이상인 45개 카테고리만 유지하지만, Ultralytics 구성에서는 221개 전체를 유지합니다. 그룹별 내역은 데이터셋 구조를 참조하세요.
TT100K는 약 18GB이며
data="TT100K.yaml"으로 처음 학습할 때 자동으로 다운로드되므로 수동 다운로드가 필요하지 않습니다. 스크립트는 첫 실행 시 원본 주석도 YOLO 형식으로 변환합니다.