Link to this sectionНабор данных TT100K#
Набор данных Tsinghua-Tencent 100K (TT100K) — это эталонный тест для обнаружения объектов, созданный Zhu и соавторами для статьи CVPR 2016 Traffic-Sign Detection and Classification in the Wild. Конфигурация Ultralytics TT100K содержит 16 817 изображений (6 105 обучающих / 7 641 валидационных / 3 071 тестовых) по 221 категории дорожных знаков, при этом в исходном бенчмарке зафиксировано более 30 000 экземпляров знаков. «100K» в названии относится к примерно 100 000 изображений Tencent Street View, на основе которых был создан этот бенчмарк, а не к количеству изображений, которые ты скачиваешь и используешь для обучения. Поскольку в оригинальной статье сохраняются только категории, содержащие не менее 100 обучающих примеров, существует общепринятое подмножество из 45 классов, но конфигурация Ultralytics сохраняет все 221 аннотированную категорию (многие из которых представлены разреженно).
Изображения высокого разрешения в street-view охватывают значительные различия в освещении, погоде, угле обзора и дистанции, что делает TT100K сложным тестом для обнаружения малых объектов в реальных дорожных условиях.
Link to this sectionКлючевые особенности#
- Многоклассовое обнаружение: 221 категория дорожных знаков, включая китайские знаки ограничения скорости, запрещающие, предупреждающие, знаки ограничения высоты/ширины и информационные знаки.
- Высокое разрешение: изображения 2048×2048 пикселей, поэтому знаки варьируются от крупных планов до крошечных удаленных маркеров, что требует точного обнаружения мелких деталей.
- Реальные условия: значительные вариации погоды, освещения, углов обзора и окклюзии.
- Аннотации в виде ограничивающих рамок: каждый знак помечен классом и bounding box в формате YOLO после автоматической конвертации.
- Предопределенные выборки: фиксированные обучающие / валидационные / тестовые выборки (6 105 / 7 641 / 3 071 изображение) для последовательной оценки.
Link to this sectionСтруктура набора данных#
Конфигурация Ultralytics TT100K разделена на три подмножества, которые используют одни и те же 221 категорию:
| Split | Изображения | Описание |
|---|---|---|
| Обучение | 6 105 | Размеченные изображения дорожных сцен, используемые для обучения детектора |
| Validation | 7 641 | Оригинальная выборка «other» из набора данных, используемая для оценки |
| Тестовый | 3 071 | Отложенные изображения для финальной оценки обученной модели |
221 категория организована в несколько основных групп:
- Знаки ограничения скорости — запрещающие ограничения
pl*(например, pl5–pl120) и минимальные скоростиpm*(например, pm5–pm55). - Запрещающие знаки — общие запреты
p1–p29, запрет въезда/парковкиpn/pneи ограниченияpr*(pr10–pr100). - Предупреждающие знаки —
w1–w67для дорожных опасностей, таких как перекрестки, крутые повороты, скользкие дороги и дорожные работы. - Знаки ограничения высоты/ширины — ограничения по высоте
ph*(например, ph2–ph5.5) и ограничения по ширинеpb/pw*. - Информационные знаки — общая информация
i1–i15, информация об ограничении скоростиil*(il50–il110), прочееioи информационные табличкиip.
Link to this sectionПрименение#
TT100K широко используется для создания и тестирования систем распознавания дорожных знаков в реальных условиях. Типичные сферы применения включают:
- Системы восприятия автономного вождения
- Усовершенствованные системы помощи водителю (ADAS)
- Мониторинг дорожного движения и анализ дорожной инфраструктуры
- Городское планирование и исследование транспортных потоков
- Компьютерное зрение — исследования малых объектов на изображениях высокого разрешения
Link to this sectionYAML набора данных#
Файл TT100K.yaml определяет конфигурацию набора данных — пути к данным, имена классов и скрипт для автоматического скачивания и конвертации. Он поддерживается в репозитории Ultralytics по адресу https://github.com/ultralytics/ultralytics/blob/main/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 sectionИспользование#
TT100K загружается автоматически при первом запуске обучения и требует около 18 ГБ свободного места на диске. При первом использовании скрипт загрузки получает исходные данные и преобразует аннотации в формат YOLO, что может занять несколько минут.
Чтобы обучить модель YOLO26n на наборе данных TT100K в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице Обучение.
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)Для разметки дополнительных изображений дорожных знаков и управления обучением на TT100K в браузере используй Ultralytics Platform.
Link to this sectionПримеры данных и разметки#
Изображения TT100K — это дорожные сцены размером 2048×2048, где дорожные знаки часто занимают лишь малую часть кадра. Одно изображение может содержать множество знаков разного масштаба и на разных расстояниях, некоторые из которых частично перекрыты транспортными средствами, растительностью или конструкциями, и сняты в дневное/ночное время и при ясной/дождливой погоде. Такое сочетание малых объектов и сложных условий делает этот набор данных отличным тестом на устойчивость детектора.
Link to this sectionЦитирование и благодарности#
Если ты используешь набор данных TT100K в своей исследовательской или разработческой работе, пожалуйста, процитируй следующую статью:
@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}
}Мы хотели бы выразить признательность университету Цинхуа и компании Tencent за сотрудничество в создании и поддержке этого ценного ресурса для сообществ компьютерного зрения и автономного вождения. Для получения дополнительной информации о наборе данных TT100K посети официальный веб-сайт набора данных.
Link to this sectionFAQ#
Link to this sectionДля чего используется набор данных TT100K?#
Набор данных Tsinghua-Tencent 100K (TT100K) используется для обнаружения и классификации дорожных знаков в реальных условиях. 221 категория и изображения уличных сцен высокого разрешения делают его популярным бенчмарком для систем восприятия автономного вождения, усовершенствованных систем помощи водителю (ADAS) и исследований в области обнаружения малых объектов.
Link to this sectionСколько изображений содержится в наборе данных TT100K?#
Конфигурация Ultralytics TT100K содержит 16 817 изображений: 6 105 для обучения, 7 641 для валидации (оригинальная выборка «other») и 3 071 для тестирования. Подробную разбивку см. в разделе Структура набора данных.
Link to this sectionПочему он называется 100K, если в нем около 16 800 изображений?#
«100K» относится к примерно 100 000 изображений Tencent Street View, из которых был создан оригинальный бенчмарк. Конфигурация обнаружения Ultralytics предоставляет 16 817 из этих изображений с разметкой в формате YOLO; название отражает исходную коллекцию, а не размер обучающего набора.
Link to this sectionСколько категорий дорожных знаков в TT100K?#
TT100K определяет 221 категорию, охватывающую знаки ограничения скорости, запрещающие, предупреждающие, знаки ограничения высоты/ширины и информационные знаки. В оригинальной статье сохраняются только 45 категорий, имеющие как минимум 100 обучающих примеров, но конфигурация Ultralytics сохраняет все 221. Смотри Структуру набора данных для разбивки по группам.
Link to this sectionКаков объем загрузки набора данных TT100K?#
TT100K весит около 18 ГБ и загружается автоматически при первом запуске обучения с параметром data="TT100K.yaml" — ручная загрузка не требуется. Скрипт также преобразует исходные аннотации в формат YOLO при первом запуске.
Link to this sectionКак обучить модель YOLO26 на наборе данных TT100K?#
Обучи модель YOLO26n на TT100K в течение 100 эпох с размером изображения 640:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="TT100K.yaml", epochs=100, imgsz=640)Для получения подробных конфигураций смотри страницу Обучение и советы по обучению моделей.
Link to this sectionКак работать с большими изображениями 2048×2048 в TT100K?#
Начни с imgsz=640 для начальных экспериментов, затем увеличь до imgsz=1280 (с меньшим значением batch), если у тебя достаточно памяти GPU, так как более высокое разрешение помогает обнаруживать маленькие, отдаленные знаки:
model.train(data="TT100K.yaml", imgsz=1280, batch=4) # higher resolution for small signsТы также можешь настроить аугментацию данных и рассмотреть стратегии тайлинга для очень маленьких объектов. Подробнее см. в разделе Советы по обучению моделей.