TT100K 데이터셋

Q: What is the TT100K dataset used for?

칭화-텐센트 100K (TT100K) 데이터셋은 실제 환경에서의 교통 표지판 detect 및 분류를 위해 특별히 설계되었습니다. 주로 다음 용도로 사용됩니다: 100,000개의 다양한 거리 뷰 이미지와 221개의 교통 표지판 카테고리를 포함하여, 실제 환경 교통 표지판 detect를 위한 포괄적인 테스트베드를 제공합니다.

Q: How many traffic sign categories are in TT100K?

TT100K 데이터셋은 다음을 포함하여 221개의 다양한 교통 표지판 카테고리를 포함합니다: 이 포괄적인 범위는 중국 도로망에서 발견되는 대부분의 교통 표지판을 포함합니다.

Q: What makes TT100K challenging compared to other datasets?

TT100K는 몇 가지 고유한 과제를 제시합니다: 이러한 과제들은 TT100K를 강력한 detect 알고리즘 개발을 위한 귀중한 벤치마크로 만듭니다.

칭화-텐센트 100K (TT100K)는 100,000개의 텐센트 스트리트 뷰 파노라마에서 생성된 대규모 교통 표지판 벤치마크 데이터셋입니다. 이 데이터셋은 실제 환경에서의 교통 표지판 detect 및 분류를 위해 특별히 설계되었으며, 연구원과 개발자에게 견고한 교통 표지판 인식 시스템을 구축하기 위한 포괄적인 리소스를 제공합니다.

이 데이터셋에는 221개의 주석 범주에 걸쳐 30,000개 이상의 교통 표지판 인스턴스가 포함된 100,000장의 이미지가 수록되어 있습니다. 원본 논문에서는 지도 학습을 위해 클래스당 100개 인스턴스 기준을 적용하여 흔히 사용되는 45개 클래스 하위 집합을 도출했으나, 제공된 Ultralytics 구성은 주석이 달린 221개 카테고리 전부를 유지하고 있으며, 이 중 상당수는 데이터가 매우 드문 편입니다. 이 이미지들은 조도, 기상 조건, 시야각, 거리 측면에서 광범위한 변동을 포착하고 있어, 다양한 실제 환경에서 안정적으로 작동해야 하는 모델 훈련에 이상적입니다.

이 데이터셋은 특히 다음 용도로 유용합니다:

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

주요 기능

TT100K 데이터셋은 몇 가지 주요 장점을 제공합니다:

규모: 100,000개의 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 및 픽셀 마스크가 포함됩니다.
포괄적인 범위: 금지, 경고, 의무 및 정보 표지판 포함
훈련/테스트 분할: 일관된 평가를 위한 사전 정의된 분할

데이터 세트 구조

TT100K 데이터셋은 세 가지 하위 집합으로 나뉩니다:

훈련 세트: 다양한 유형의 교통 표지판을 detect하고 classify하기 위한 모델 훈련에 사용되는 교통 장면 이미지의 주요 컬렉션입니다.
검증 세트: 모델 개발 중 성능을 모니터링하고 하이퍼파라미터를 튜닝하는 데 사용되는 서브셋입니다.
테스트 세트: 실제 시나리오에서 교통 표지판을 detect하고 classify하는 최종 모델의 능력을 평가하는 데 사용되는 별도로 보관된 이미지 컬렉션입니다.

TT100K 데이터셋은 몇 가지 주요 그룹으로 구성된 221개의 교통 표지판 카테고리를 포함합니다:

속도 제한 표지판 (pl, pm)

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

금지 표지판 (p, pn, pr_)

p1-p28: 일반 금지 표지판 (진입 금지, 주차 금지, 정차 금지 등)
pn/pne: 진입 금지 및 주차 금지 표지판
pr: 다양한 제한 표지판 (pr10, pr20, pr30, pr40, pr50 등)

경고 표지판 (w_)

w1-w66: 다양한 도로 위험, 조건 및 상황에 대한 경고 표지판
횡단보도, 급커브, 미끄러운 도로, 동물, 공사 등이 포함됩니다.

높이/폭 제한 표지판 (ph, pb)

ph_: 높이 제한 표지판 (ph2, ph2.5, ph3, ph3.5, ph4, ph4.5, ph5 등)
pb_: 폭 제한 표지판

안내 표지판 (i, il, io, ip)

i1-i15: 일반 안내 표지판
il_: 속도 제한 정보 (il60, il80, il100, il110)
io: 기타 안내 표지판
ip: 정보판

데이터세트 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 파일에는 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: pl5
  1: pl10
  2: pl15
  3: pl20
  4: pl25
  5: pl30
  6: pl40
  7: pl50
  8: pl60
  9: pl70
  10: pl80
  11: pl90
  12: pl100
  13: pl110
  14: pl120
  15: pm5
  16: pm10
  17: pm13
  18: pm15
  19: pm20
  20: pm25
  21: pm30
  22: pm35
  23: pm40
  24: pm46
  25: pm50
  26: pm55
  27: pm8
  28: pn
  29: pne
  30: ph4
  31: ph4.5
  32: ph5
  33: ps
  34: pg
  35: ph1.5
  36: ph2
  37: ph2.1
  38: ph2.2
  39: ph2.4
  40: ph2.5
  41: ph2.8
  42: ph2.9
  43: ph3
  44: ph3.2
  45: ph3.5
  46: ph3.8
  47: ph4.2
  48: ph4.3
  49: ph4.8
  50: ph5.3
  51: ph5.5
  52: pb
  53: pr10
  54: pr100
  55: pr20
  56: pr30
  57: pr40
  58: pr45
  59: pr50
  60: pr60
  61: pr70
  62: pr80
  63: pr90
  64: p1
  65: p2
  66: p3
  67: p4
  68: p5
  69: p6
  70: p7
  71: p8
  72: p9
  73: p10
  74: p11
  75: p12
  76: p13
  77: p14
  78: p15
  79: p16
  80: p17
  81: p18
  82: p19
  83: p20
  84: p21
  85: p22
  86: p23
  87: p24
  88: p25
  89: p26
  90: p27
  91: p28
  92: pa8
  93: pa10
  94: pa12
  95: pa13
  96: pa14
  97: pb5
  98: pc
  99: pg
  100: ph1
  101: ph1.3
  102: ph1.5
  103: ph2
  104: ph3
  105: ph4
  106: ph5
  107: pi
  108: pl0
  109: pl4
  110: pl5
  111: pl8
  112: pl10
  113: pl15
  114: pl20
  115: pl25
  116: pl30
  117: pl35
  118: pl40
  119: pl50
  120: pl60
  121: pl65
  122: pl70
  123: pl80
  124: pl90
  125: pl100
  126: pl110
  127: pl120
  128: pm2
  129: pm8
  130: pm10
  131: pm13
  132: pm15
  133: pm20
  134: pm25
  135: pm30
  136: pm35
  137: pm40
  138: pm46
  139: pm50
  140: pm55
  141: pn
  142: pne
  143: po
  144: pr10
  145: pr100
  146: pr20
  147: pr30
  148: pr40
  149: pr45
  150: pr50
  151: pr60
  152: pr70
  153: pr80
  154: ps
  155: w1
  156: w2
  157: w3
  158: w5
  159: w8
  160: w10
  161: w12
  162: w13
  163: w16
  164: w18
  165: w20
  166: w21
  167: w22
  168: w24
  169: w28
  170: w30
  171: w31
  172: w32
  173: w34
  174: w35
  175: w37
  176: w38
  177: w41
  178: w42
  179: w43
  180: w44
  181: w45
  182: w46
  183: w47
  184: w48
  185: w49
  186: w50
  187: w51
  188: w52
  189: w53
  190: w54
  191: w55
  192: w56
  193: w57
  194: w58
  195: w59
  196: w60
  197: w62
  198: w63
  199: w66
  200: i1
  201: i2
  202: i3
  203: i4
  204: i5
  205: i6
  206: i7
  207: i8
  208: i9
  209: i10
  210: i11
  211: i12
  212: i13
  213: i14
  214: i15
  215: il60
  216: il80
  217: il100
  218: il110
  219: io
  220: ip

# 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

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

훈련 예제

PythonCLI

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)

# Start training from a pretrained *.pt model
# Dataset will auto-download and convert on first run
yolo detect train data=TT100K.yaml model=yolo26n.pt epochs=100 imgsz=640

샘플 이미지 및 주석

TT100K 데이터셋의 일반적인 예시는 다음과 같습니다:

도시 환경: 다양한 거리에 여러 교통 표지판이 있는 거리 풍경
고속도로 장면: 속도 제한 및 방향 지시를 포함한 고속도로 표지판
복잡한 교차로: 다양한 방향으로 근접하게 위치한 다수의 표지판
까다로운 조건: 다양한 조명(주간/야간), 날씨(비/안개) 및 시야각 조건의 표지판

이 데이터셋에는 다음이 포함됩니다:

클로즈업 표지판: 이미지 영역의 상당 부분을 차지하는 크고 명확하게 보이는 표지판
원거리 표지판: 정밀한 detect 능력이 필요한 작은 표지판
부분적으로 가려진 표지판: 차량, 나무 또는 기타 물체에 의해 부분적으로 가려진 표지판
이미지당 여러 표지판: 여러 가지 다른 표지판 유형을 포함하는 이미지

인용 및 감사의 말씀

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

BibTeX

@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 생성하고 유지 관리한 칭화대학교와 텐센트의 협력에 감사드립니다. TT100K 데이터셋에 대한 자세한 정보는 공식 데이터셋 웹사이트를 방문하십시오.

FAQ