TT100K Veri Kümesi
Tsinghua-Tencent 100K (TT100K), 100.000 Tencent Street View panoramasından oluşturulan büyük ölçekli bir trafik işareti karşılaştırma veri setidir. Bu veri seti, gerçek dünya koşullarında trafik işaretlerinin algılanması ve sınıflandırılması için özel olarak tasarlanmıştır ve araştırmacılara ve geliştiricilere sağlam trafik işareti tanıma sistemleri oluşturmak için kapsamlı bir kaynak sağlar.
Veri seti, 221 farklı kategoride 30.000'den fazla trafik işareti örneği içeren 100.000 görüntüden oluşmaktadır. Bu görüntüler, aydınlatma, hava koşulları, görüş açıları ve mesafelerdeki büyük farklılıkları yakalamaktadır, bu da çeşitli gerçek dünya senaryolarında güvenilir bir şekilde çalışması gereken modellerin eğitimi için idealdir.
Bu veri seti özellikle aşağıdakiler için değerlidir:
- Otonom sürüş sistemleri
- Gelişmiş sürücü destek sistemleri (ADAS)
- Trafik izleme uygulamaları
- Kentsel planlama ve trafik analizi
- Gerçek dünya koşullarında bilgisayar görme araştırması
Temel Özellikler
TT100K veri seti birkaç önemli avantaj sunar:
- Ölçek: 100.000 yüksek çözünürlüklü görüntü (2048×2048 piksel)
- Çeşitlilik: Çin trafik işaretlerini kapsayan 221 trafik işareti kategorisi
- Gerçek dünya koşulları: Hava durumu, aydınlatma ve görüş açıları açısından büyük farklılıklar
- Zengin açıklamalar: Her işaret sınıf etiketi, sınırlayıcı kutu ve piksel maskesi içerir.
- Kapsamlı kapsam: Yasak, uyarı, zorunlu ve bilgilendirici işaretleri içerir.
- Eğitim/Test bölünmesi: Tutarlı değerlendirme için önceden tanımlanmış bölünmeler
Veri Seti Yapısı
TT100K veri kümesi üç alt kümeye ayrılmıştır:
- Eğitim Seti: Farklı türdeki trafik işaretlerini algılama ve sınıflandırma modellerini eğitmek için kullanılan trafik sahnesi görüntülerinin birincil koleksiyonu.
- Doğrulama Kümesi: Model geliştirme sırasında performansı izlemek ve hiperparametreleri ayarlamak için kullanılan bir alt küme.
- Test Seti: Gerçek dünya senaryolarında classify işaretlerini detect classify konusunda nihai modelin yeteneğini değerlendirmek için kullanılan, ayrılmış bir görüntü koleksiyonu.
TT100K veri seti, birkaç ana gruba ayrılmış 221 trafik işareti kategorisini içerir:
Hız Sınırı İşaretleri (pl, pm)
- pl_: Yasak hız sınırları (pl5, pl10, pl20, pl30, pl40, pl50, pl60, pl70, pl80, pl100, pl120)
- pm_: Minimum hız sınırları (pm5, pm10, pm20, pm30, pm40, pm50, pm55)
Yasak İşaretleri (p, pn, pr_)
- p1-p28: Genel yasak işaretleri (giriş yasak, park yasak, durmak yasak vb.)
- pn/pne: Giriş ve park yasağı işaretleri
- pr: Çeşitli kısıtlama işaretleri (pr10, pr20, pr30, pr40, pr50 vb.)
Uyarı İşaretleri (w_)
- w1-w66: Çeşitli yol tehlikeleri, koşulları ve durumları için uyarı işaretleri
- Yaya geçitleri, keskin virajlar, kaygan yollar, hayvanlar, inşaatlar vb. dahil.
Yükseklik/Genişlik Sınırı İşaretleri (ph, pb)
- ph_: Yükseklik sınır işaretleri (ph2, ph2.5, ph3, ph3.5, ph4, ph4.5, ph5 vb.)
- pb_: Genişlik sınır levhaları
Bilgilendirici İşaretler (i, il, io, ip)
- i1-i15: Genel bilgilendirme işaretleri
- il_: Hız sınırı bilgisi (il60, il80, il100, il110)
- io: Diğer bilgilendirici işaretler
- ip: Bilgi plakaları
Veri Seti YAML
YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgiler içerir. TT100K veri kümesi için, TT100K.yaml dosya otomatik indirme ve dönüştürme işlevini içerir.
ultralytics.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)
Kullanım
TT100K veri setinde 640 piksel boyutlu bir görüntü ile 100 dönem boyunca YOLO11 eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Veri seti ilk kullanımda otomatik olarak indirilecek ve YOLO dönüştürülecektir.
Eğitim Örneği
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640
Örnek Görüntüler ve Açıklamalar
TT100K veri setinden tipik örnekler şunlardır:
- Kentsel ortamlar: Çeşitli mesafelerde çok sayıda trafik işareti bulunan sokak manzaraları
- Otoyol sahneleri: Hız sınırları ve yön göstergeleri dahil olmak üzere yüksek hızlı yol işaretleri
- Karmaşık kavşaklar: Yakın mesafede farklı yönlere bakan birden fazla işaret
- Zorlu koşullar: Farklı aydınlatma (gündüz/gece), hava koşulları (yağmur/sis) ve görüş açıları altında işaretler
Veri seti şunları içerir:
- Yakın plan işaretler: Görüntü alanının önemli bir bölümünü kaplayan, büyük ve açıkça görülebilen işaretler
- Uzak işaretler: İnce ayrıntıları algılama yeteneği gerektiren küçük işaretler
- Kısmen engellenmiş işaretler: Araçlar, ağaçlar veya diğer nesneler tarafından kısmen engellenen işaretler
- Görüntü başına birden fazla işaret: Birkaç farklı işaret türü içeren görüntüler
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda TT100K veri setini kullanıyorsanız, lütfen aşağıdaki makaleyi kaynak gösteriniz:
@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}
}
Bilgisayar görme ve otonom sürüş toplulukları için bu değerli kaynağı oluşturup sürdüren Tsinghua Üniversitesi ve Tencent işbirliğine teşekkür ederiz. TT100K veri seti hakkında daha fazla bilgi için resmi veri seti web sitesini ziyaret edin.
SSS
TT100K veri seti ne için kullanılır?
Tsinghua-Tencent 100K (TT100K) veri seti, gerçek dünya koşullarında trafik işareti algılama ve sınıflandırma için özel olarak tasarlanmıştır. Başlıca kullanım alanları şunlardır:
- Otonom sürüş algılama sistemlerinin eğitimi
- Gelişmiş Sürücü Destek Sistemleri (ADAS) Geliştirme
- Değişen koşullar altında sağlam nesne algılama araştırması
- Trafik işareti tanıma algoritmalarının karşılaştırmalı değerlendirmesi
- Büyük görüntülerdeki küçük nesneler üzerinde model performansını test etme
100.000 farklı sokak görüntüsü ve 221 trafik işareti kategorisi ile gerçek dünya trafik işareti algılama için kapsamlı bir test ortamı sağlar.
TT100K'da kaç tane trafik işareti kategorisi vardır?
TT100K veri seti, aşağıdakiler dahil olmak üzere 221 farklı trafik işareti kategorisi içerir:
- Hız sınırları: pl5 ile pl120 arası (yasak sınırları) ve pm5 ile pm55 arası (minimum hızlar)
- Yasak işaretleri: 28'den fazla genel yasak türü (p1-p28) ve kısıtlamalar (pr*, pn, pne)
- Uyarı işaretleri: 60'tan fazla uyarı kategorisi (w1-w66)
- Yükseklik/genişlik sınırları: fiziksel kısıtlamalar için ph ve pb serileri
- Bilgilendirici işaretler: i1-i15, il*, io, ip rehberlik ve bilgi amaçlı
Bu kapsamlı içerik, Çin karayolu ağlarında bulunan çoğu trafik işaretini içermektedir.
TT100K veri setini kullanarak YOLO11n modelini nasıl eğitebilirim?
YOLO11n modelini TT100K veri setinde 100 dönem boyunca 640 piksel boyutunda bir görüntü ile eğitmek için aşağıdaki örneği kullanın.
Eğitim Örneği
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="TT100K.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=TT100K.yaml model=yolo11n.pt epochs=100 imgsz=640
Ayrıntılı eğitim yapılandırmaları için Eğitim belgelerine bakın.
TT100K'yı diğer veri kümelerine kıyasla zorlu kılan nedir?
TT100K birkaç benzersiz zorluk sunar:
- Ölçek değişimi: İşaretler çok küçük (uzaktaki otoyol işaretleri) ile büyük (yakın mesafedeki şehir işaretleri) arasında değişir.
- Gerçek dünya koşulları: Aydınlatma, hava durumu ve görüş açıları açısından aşırı değişiklikler
- Yüksek çözünürlük: 2048×2048 piksel görüntüler önemli ölçüde işlem gücü gerektirir.
- Sınıf dengesizliği: Bazı işaret türleri diğerlerinden çok daha yaygındır.
- Yoğun sahneler: Tek bir görüntüde birden fazla işaret görünebilir.
- Kısmi tıkanma: İşaretler araçlar, bitki örtüsü veya yapılar tarafından kısmen engellenebilir.
Bu zorluklar, TT100K'yi sağlam algılama algoritmaları geliştirmek için değerli bir referans noktası haline getiriyor.
TT100K'da büyük boyutlu görüntüleri nasıl işleyebilirim?
TT100K veri kümesi, kaynak yoğun olabilen 2048×2048 piksel görüntüler kullanır. Önerilen stratejiler şunlardır:
Eğitim için:
# Option 1: Resize to standard YOLO size
model.train(data="TT100K.yaml", imgsz=640, batch=16)
# Option 2: Use larger size for better small object detection
model.train(data="TT100K.yaml", imgsz=1280, batch=4)
# Option 3: Multi-scale training
model.train(data="TT100K.yaml", imgsz=640, scale=0.5) # trains at varying scales
Öneriler:
- Şununla başlayın
imgsz=640ilk deneyler için - Kullanım
imgsz=1280Yeterli GPU varsa (24 GB+) - Çok küçük işaretler için döşeme stratejilerini düşünün
- Daha büyük parti boyutlarını simüle etmek için gradyan birikimini kullanın
