TT100K Veri Kümesi#
The Tsinghua-Tencent 100K (TT100K) veri seti, Zhu ve diğerleri tarafından CVPR 2016 makalesi Traffic-Sign Detection and Classification in the Wild için oluşturulmuş, object detection için bir trafik işareti kıyaslama (benchmark) setidir. Ultralytics TT100K yapılandırması, 221 trafik işareti kategorisi altında 16.817 görüntü (6.105 eğitim / 7.641 doğrulama / 3.071 test) sunar ve kaynak kıyaslama seti 30.000'den fazla işaret örneği bildirir. İsmin içerisindeki "100K", indirip üzerinde eğittiğin görüntü sayısını değil, kıyaslama setinin oluşturulduğu yaklaşık 100.000 Tencent Street View görüntüsünü ifade eder. Orijinal makale yalnızca en az 100 eğitim örneğine sahip kategorileri tuttuğundan, yaygın olarak kullanılan bir 45 sınıflı alt küme bulunur, ancak Ultralytics yapılandırması (birçoğu seyrek olan) 100ün üzerinde etiketlenmiş kategorinin tamamını korur.
Yüksek çözünürlüklü street-view görüntüleri; aydınlatma, hava koşulları, görüş açısı ve mesafedeki büyük değişimleri yakalayarak TT100K'yı gerçek dünyadaki sürüş sahnelerinde small-object detection için zorlu bir kıyaslama seti haline getirir.
Temel Özellikler#
- Çok sınıflı algılama: Çin hız sınırı, yasaklayıcı, uyarıcı, yükseklik/genişlik sınırı ve bilgilendirici işaretleri kapsayan 221 trafik işareti kategorisi.
- Yüksek çözünürlük: 2048×2048 piksel görseller; bu nedenle işaretler, büyük yakın çekimlerden, ince detaylı algılamayı zorlayan minik uzak işaretlere kadar çeşitlilik gösterir.
- Gerçek dünya koşulları: Hava durumu, aydınlatma, görüş açısı ve tıkanıklıkta büyük farklılıklar.
- Bounding-box annotations: Her işaret, otomatik dönüştürme sonrasında YOLO formatında bir sınıf ve bir bounding box ile etiketlenir.
- Önceden tanımlanmış bölünmeler: Tutarlı değerlendirme için sabit eğitim / doğrulama / test bölünmeleri (6.105 / 7.641 / 3.071 görsel).
Veri Kümesi Yapısı#
Ultralytics TT100K yapılandırması, hepsi aynı 221 kategoriyi paylaşan üç alt kümeye ayrılmıştır:
| Bölüm | Görüntüler | Açıklama |
|---|---|---|
| Eğit (Train) | 6,105 | Dedektörü eğitmek için kullanılan etiketli trafik sahnesi görselleri |
| Doğrulama | 7,641 | evaluation için kullanılan veri setinin orijinal "other" bölümü |
| Test | 3,071 | Eğitilmiş modelin nihai değerlendirmesi için ayrılmış görseller |
221 kategori birkaç ana gruba ayrılmıştır:
- Hız sınırı işaretleri — yasaklayıcı sınırlar
pl*(ör. pl5–pl120) ve minimum hızlarpm*(ör. pm5–pm55). - Yasaklayıcı işaretler — genel yasaklar
p1–p29, girişi olmayan/park edilmezpn/pneve kısıtlamalarpr*(pr10–pr100). - Uyarı işaretleri — kavşaklar, keskin virajlar, kaygan yollar ve inşaat gibi yol tehlikeleri için
w1–w67. - Yükseklik/genişlik sınırı işaretleri — yükseklik sınırları
ph*(ör. ph2–ph5.5) ve genişlik sınırlarıpb/pw*. - Bilgilendirici işaretler — genel bilgi
i1–i15, hız sınırı bilgisiil*(il50–il110), diğerleriiove bilgi levhalarıip.
Uygulamalar#
TT100K, gerçek dünya koşullarında trafik işareti tanımayı oluşturmak ve kıyaslamak için yaygın olarak kullanılır. Yaygın uygulamalar şunlardır:
- Otonom sürüş algılama sistemleri
- Gelişmiş sürücü destek sistemleri (ADAS)
- Trafik izleme ve yol altyapısı analizi
- Şehir planlama ve trafik akışı çalışmaları
- Yüksek çözünürlüklü görüntülerdeki küçük nesneler üzerine Computer vision araştırması
Veri Kümesi YAML#
TT100K.yaml dosyası veri seti yapılandırmasını tanımlar; veri seti yolları, sınıf adları ve otomatik indirme ve dönüştürme betiği. Bu dosya, https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/TT100K.yaml adresindeki Ultralytics deposunda barındırılmaktadır.
# 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)Kullanım#
TT100K, ilk kez eğitim yaptığında otomatik olarak indirilir ve yaklaşık 18 GB boş disk alanı gerektirir. İlk kullanımda indirme betiği orijinal verileri getirir ve açıklamaları YOLO formatına dönüştürür, bu işlem birkaç dakika sürebilir.
TT100K veri seti üzerinde 640 görüntü boyutuyla 100 epochs boyunca bir YOLO26n modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Training sayfasına göz at.
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)Ek trafik işareti görüntülerini etiketlemek ve tarayıcında TT100K eğitim çalıştırmalarını yönetmek için Ultralytics Platform kullan.
Örnek Veriler ve Etiketler#
TT100K görselleri, trafik işaretlerinin genellikle karenin sadece küçük bir kısmını kapladığı 2048×2048 sokak sahneleridir. Tek bir görsel, farklı ölçeklerde ve mesafelerde birden fazla işaret içerebilir, bazıları araçlar, bitki örtüsü veya yapılar tarafından kısmen gizlenmiş olabilir ve gündüz/gece ve açık/yağmurlu koşullarda çekilmiş olabilir. Bu küçük nesneler ve zorlu koşullar karışımı, veri setini dedektör sağlamlığı için güçlü bir test haline getirir.
Alıntılar ve Teşekkür#
TT100K veri kümesini araştırmanda veya geliştirme çalışmalarında kullanırsan, lütfen şu makaleye atıfta bulun:
@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}
}Bilgisayarlı görü ve otonom sürüş toplulukları için bu değerli kaynağı oluşturdukları ve sürdürdükleri için Tsinghua Üniversitesi ve Tencent iş birliğine teşekkür ederiz. TT100K veri seti hakkında daha fazla bilgi edinmek için official dataset website adresini ziyaret et.
SSS#
Tsinghua-Tencent 100K (TT100K) veri seti, gerçek dünya koşullarında trafik işareti algılama ve sınıflandırma için kullanılır. 221 kategorisi ve yüksek çözünürlüklü sokak görünümü görüntüleri, onu otonom sürüş algısı, gelişmiş sürücü destek sistemleri (ADAS) ve küçük nesne algılama araştırmaları için ortak bir kıyaslama aracı haline getirir.
Ultralytics TT100K yapılandırması 16.817 görüntü içerir: Eğitim için 6.105, doğrulama için 7.641 (veri setinin orijinal "other" bölümü) ve test için 3.071. Tam döküm için Dataset Structure bölümüne bakın.
"100K", orijinal kıyaslama aracının oluşturulduğu yaklaşık 100.000 Tencent Street View görseline atıfta bulunur. Ultralytics algılama yapılandırması, bu görsellerin 16.817'sini YOLO formatlı etiketlerle sunar; isim, eğitim seti boyutunu değil, kaynak koleksiyonu yansıtır.
TT100K; hız sınırı, yasaklayıcı, uyarı, yükseklik/genişlik sınırı ve bilgilendirici işaretleri kapsayan 221 kategori tanımlar. Orijinal makale yalnızca en az 100 eğitim örneğine sahip 45 kategoriyi tutar, ancak Ultralytics yapılandırması 221 kategorinin tümünü korur. Grup dökümü için Dataset Structure bölümüne bakın.
TT100K yaklaşık 18 GB boyutundadır ve
data="TT100K.yaml"ile ilk eğitim yapışında otomatik olarak indirilir; manuel indirme gerekmez. Betik ayrıca ilk çalıştırmada orijinal etiketleri YOLO formatına dönüştürür.TT100K üzerinde 640 görsel boyutunda 100 dönem boyunca bir YOLO26n modeli eğit:
Eğitim Örneğifrom 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)Ayrıntılı yapılandırmalar için Eğitim sayfasına ve model eğitimi ipuçları bölümüne göz at.
İlk denemeler için
imgsz=640ile başla, yeterli GPU belleğin varsa daha yüksek çözünürlük küçük ve uzaktaki işaretlerin tespit edilmesine yardımcı olduğundan, ardından (daha küçük birbatchile)imgsz=1280değerine yükselt:model.train(data="TT100K.yaml", imgsz=1280, batch=4) # higher resolution for small signsAyrıca data augmentation ayarını yapabilir ve çok küçük nesneler için döşeme (tiling) stratejilerini değerlendirebilirsin. Daha fazla bilgi için Tips for Model Training sayfasına göz at.