Meet YOLO26: next-gen vision AI.

Link to this sectionTT100K Veri Kümesi#

Tsinghua-Tencent 100K (TT100K), 100.000 Tencent Sokak Görünümü panoramik görüntüsünden oluşturulmuş, büyük ölçekli bir trafik işareti kıyaslama veri kümesidir. Bu veri kümesi, gerçek dünya koşullarında trafik işareti tespiti ve sınıflandırması için özel olarak tasarlanmıştır ve araştırmacılara ve geliştiricilere sağlam trafik işareti tanıma sistemleri oluşturmaları için kapsamlı bir kaynak sağlar.

Veri kümesi, 221 ek açıklamalı kategori genelinde 30.000'den fazla trafik işareti örneği içeren 100.000 görüntü barındırır. Orijinal makale, denetimli eğitim için sınıf başına 100 örnek eşiği uygulayarak yaygın olarak kullanılan 45 sınıflı bir alt küme oluşturur; ancak sağlanan Ultralytics veri kümesi yapılandırması, birçoğu oldukça seyrek olan 221 ek açıklamalı kategorinin tamamını korur. Bu görüntüler aydınlatma, hava koşulları, görüş açıları ve mesafelerdeki büyük değişkenlikleri yakalar, bu da onu çeşitli gerçek dünya senaryolarında güvenilir bir şekilde performans göstermesi gereken modelleri eğitmek için ideal kılar.

Bu veri kümesi özellikle aşağıdakiler için değerlidir:

  • Otonom sürüş sistemleri
  • Gelişmiş sürücü destek sistemleri (ADAS)
  • Trafik izleme uygulamaları
  • Şehir planlaması ve trafik analizi
  • Gerçek dünya koşullarında bilgisayarlı görü araştırmaları

Link to this sectionTemel Özellikler#

TT100K veri kümesi çeşitli önemli avantajlar sağlar:

  • 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 açılarında büyük değişkenlikler
  • Zengin açıklamalar: Her işaret sınıf etiketi, sınırlayıcı kutu (bbox) ve piksel maskesi içerir
  • Kapsamlı kapsama alanı: Yasaklayıcı, uyarıcı, zorunlu ve bilgilendirici işaretleri içerir
  • Eğitim/Test ayrımı: Tutarlı değerlendirme için önceden tanımlanmış ayrımlar

Link to this sectionVeri Kümesi Yapısı#

TT100K veri kümesi üç alt kümeye ayrılmıştır:

  1. Eğitim Kümesi: Farklı trafik işareti türlerini tespit etmek ve sınıflandırmak için modelleri eğitmek amacıyla kullanılan temel trafik sahnesi görüntüleri koleksiyonu.
  2. Doğrulama Kümesi: Model geliştirme sırasında performansı izlemek ve hiperparametreleri ayarlamak için kullanılan bir alt küme.
  3. Test Kümesi: Nihai modelin gerçek dünya senaryolarında trafik işaretlerini tespit etme ve sınıflandırma yeteneğini değerlendirmek için kullanılan ayrılmış bir görüntü koleksiyonu.

TT100K veri kümesi, birkaç ana gruba ayrılmış 221 trafik işareti kategorisini içerir:

Hız Sınırı İşaretleri (pl, pm)**

  1. pl_: Yasaklayıcı hız sınırları (örneğin, pl5, pl10, pl20, pl30, pl40, pl50, pl60, pl70, pl80, pl100, pl120)
  2. pm_: Asgari hız sınırları (örneğin, pm5, pm10, pm20, pm30, pm40, pm50, pm55)

Yasaklayıcı İşaretler (p, pn, pr_)**

  1. p1-p29: Genel yasaklayıcı işaretler (giriş yok, park etmek yasak, durmak yasak vb.)
  2. pn/pne: Giriş yok ve park yeri yok işaretleri
  3. pr: Çeşitli kısıtlama işaretleri (örneğin, pr10, pr20, pr30, pr40, pr50)

Uyarı İşaretleri (w_)

  1. w1-w67: Çeşitli yol tehlikeleri, koşulları ve durumları için uyarı işaretleri
  2. Yaya geçitleri, keskin virajlar, kaygan yollar, hayvanlar, inşaat vb. içerir.

Yükseklik/Genişlik Sınırı İşaretleri (ph, pb, pw*)**

  1. ph_: Yükseklik sınırı işaretleri (örneğin, ph2, ph2.5, ph3, ph3.5, ph4, ph4.5, ph5)
  2. pb/pw_: Genişlik sınırı işaretleri

Bilgilendirici İşaretler (i, il, io, ip)**

  1. i1-i15: Genel bilgilendirici işaretler
  2. il_: Hız sınırı bilgisi (il50, il60, il70, il80, il90, il100, il110)
  3. io: Diğer bilgilendirici işaretler
  4. ip: Bilgi plakaları

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. TT100K veri kümesi için TT100K.yaml dosyası, otomatik indirme ve dönüştürme işlevselliği içerir.

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 sectionKullanım#

TT100K veri kümesi üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26 modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Veri kümesi ilk kullanımda otomatik olarak indirilecek ve YOLO formatına dönüştürülecektir.

Eğitim Örneği
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)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

İşte TT100K veri kümesinden tipik örnekler:

  1. Kentsel ortamlar: Çeşitli mesafelerde birden fazla trafik işareti bulunan sokak sahneleri
  2. Otoyol sahneleri: Hız sınırları ve yön göstergeleri dahil yüksek hızlı yol işaretleri
  3. Karmaşık kavşaklar: Yakın mesafede değişen yönelimlere sahip birden fazla işaret
  4. Zorlu koşullar: Farklı aydınlatma (gündüz/gece), hava durumu (yağmur/sis) ve görüş açıları altındaki işaretler

Veri kümesi şunları içerir:

  1. Yakın çekim işaretler: Görüntü alanının önemli bir kısmını kaplayan, net bir şekilde görülebilen büyük işaretler
  2. Uzak işaretler: İnce taneli tespit yetenekleri gerektiren küçük işaretler
  3. Kısmen gizlenmiş işaretler: Araçlar, ağaçlar veya diğer nesneler tarafından kısmen engellenen işaretler
  4. Görüntü başına birden fazla işaret: Birkaç farklı işaret türü içeren görüntüler

Link to this sectionAlıntılar ve Teşekkür#

TT100K veri kümesini araştırmanda veya geliştirme çalışmalarında kullanırsan, lütfen şu makaleye atıfta bulun:

Alıntı
@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 kümesi hakkında daha fazla bilgi için resmi veri kümesi web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionTT100K veri kümesi ne için kullanılır?#

Tsinghua-Tencent 100K (TT100K) veri kümesi, gerçek dünya koşullarında trafik işareti tespiti ve sınıflandırması için özel olarak tasarlanmıştır. Temel olarak şunlar için kullanılır:

  1. Otonom sürüş algılama sistemlerini eğitmek
  2. Gelişmiş Sürücü Destek Sistemleri (ADAS) geliştirmek
  3. Değişen koşullar altında sağlam nesne tespiti araştırması
  4. Trafik işareti tanıma algoritmalarını kıyaslamak
  5. Büyük görüntülerdeki küçük nesneler üzerinde model performansını test etmek

100.000 çeşitli sokak görünümü görüntüsü ve 221 trafik işareti kategorisi ile gerçek dünya trafik işareti tespiti için kapsamlı bir test ortamı sağlar.

Link to this sectionTT100K'da kaç trafik işareti kategorisi var?#

TT100K veri kümesi 221 farklı trafik işareti kategorisi içerir, bunlar şunları kapsar:

  1. Hız sınırları: pl* yasaklayıcı sınırlar ve pm* asgari hızlar (örneğin, pl40, pl120, pm30, pm55)
  2. Yasaklayıcı işaretler: 29 genel yasaklama türü (p1-p29) artı kısıtlamalar (pr*, pn, pne)
  3. Uyarı işaretleri: 60'tan fazla uyarı kategorisi (w1-w67)
  4. Yükseklik/genişlik sınırları: Fiziksel kısıtlamalar için ph* yükseklik ve pw* genişlik serileri
  5. Bilgilendirici işaretler: Rehberlik ve bilgi için i1-i15, il*, io, ip

Bu kapsamlı içerik, Çin yol ağlarında bulunan çoğu trafik işaretini kapsar.

Link to this sectionTT100K veri kümesini kullanarak nasıl bir YOLO26n modeli eğitebilirim?#

640 görüntü boyutuyla 100 epoch boyunca TT100K veri kümesinde bir YOLO26n modeli eğitmek için aşağıdaki örneği kullan.

Eğitim Örneği
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)

Detaylı eğitim yapılandırmaları için Eğitim belgelerine başvur.

Link to this sectionTT100K'yı diğer veri kümelerine kıyasla zorlu yapan nedir?#

TT100K çeşitli benzersiz zorluklar sunar:

  1. Ölçek değişkenliği: İşaretler çok küçükten (uzak otoyol işaretleri) büyüğe (yakın kentsel işaretler) kadar çeşitlilik gösterir
  2. Gerçek dünya koşulları: Aydınlatma, hava durumu ve görüş açılarında aşırı değişkenlikler
  3. Yüksek çözünürlük: 2048×2048 piksel görüntüler önemli miktarda işlem gücü gerektirir
  4. Sınıf dengesizliği: Bazı işaret türleri diğerlerinden çok daha yaygındır
  5. Yoğun sahneler: Tek bir görüntüde birden fazla işaret görünebilir
  6. Kısmi gizlenme: İşaretler araçlar, bitki örtüsü veya yapılar tarafından kısmen engellenebilir

Bu zorluklar TT100K'yı sağlam tespit algoritmaları geliştirmek için değerli bir kıyaslama haline getirir.

Link to this sectionTT100K'daki büyük görüntü boyutlarını nasıl yönetebilirim?#

TT100K veri kümesi, kaynak kullanımı açısından yoğun olabilen 2048×2048 piksel görüntüler kullanır. İşte önerilen stratejiler:

Eğitim İçin:

# 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:

  • İlk denemeler için imgsz=640 ile başla
  • Yeterli GPU belleğin (24GB+) varsa imgsz=1280 kullan
  • Çok küçük işaretler için döşeme (tiling) stratejilerini değerlendir
  • Daha büyük yığın boyutlarını simüle etmek için gradyan birikimini (gradient accumulation) kullan
Katkıda Bulunanlar
GLglenn-jocher4RAraimbekovm1PRPrashantDixit01

Yorumlar