TT100K Veri Kümesi#
Tsinghua-Tencent 100K (TT100K) veri kümesi, Zhu ve arkadaşları tarafından CVPR 2016 kapsamında yayımlanan Traffic-Sign Detection and Classification in the Wild makalesi için oluşturulmuş bir nesne algılama kıyaslama veri kümesidir. Ultralytics TT100K yapılandırması, 221 trafik işareti kategorisinde 16.817 görüntü (6.105 eğitim / 7.641 doğrulama / 3.071 test) sunar; kaynak kıyaslama çalışmasında 30.000'den fazla işaret örneği bildirilmiştir. Adındaki "100K", kıyaslamanın oluşturulduğu yaklaşık 100.000 Tencent Street View görüntüsünü ifade eder; indirip üzerinde eğitim yaptığın görüntü sayısını değil. Özgün makale yalnızca en az 100 eğitim örneğine sahip kategorileri tuttuğundan, yaygın olarak kullanılan 45 sınıflı bir alt küme bulunur; ancak Ultralytics yapılandırması açıklanmış 221 kategorinin tamamını korur (bunların çoğunda az sayıda örnek vardır).
Yüksek çözünürlüklü sokak görünümü görüntüleri aydınlatma, hava durumu, görüş açısı ve mesafe bakımından büyük farklılıklar içerir. Bu da TT100K'yı gerçek dünyadaki sürüş sahnelerinde küçük nesne algılama için zorlu bir kıyaslama veri kümesi hâline getirir.
Temel Özellikler#
- Çok sınıflı algılama: Çin'e özgü hız sınırı, yasaklayıcı, uyarı, yükseklik/genişlik sınırı ve bilgilendirici işaretleri kapsayan 221 trafik işareti kategorisi.
- Yüksek çözünürlük: 2048×2048 piksel görüntüler; işaretler büyük yakın planlardan, ince ayrıntılı algılamayı zorlayan uzaktaki küçük işaretlere kadar çeşitlilik gösterir.
- Gerçek dünya koşulları: Hava durumu, aydınlatma, görüş açısı ve örtülme bakımından büyük farklılıklar.
- Sınırlayıcı kutu açıklamaları: Her işaret, otomatik dönüştürme sonrasında YOLO biçiminde bir sınıf ve sınırlayıcı kutu ile etiketlenir.
- Önceden tanımlanmış bölmeler: Tutarlı değerlendirme için sabit eğitim / doğrulama / test bölmeleri (6.105 / 7.641 / 3.071 görüntü).
Veri Kümesi Yapısı#
Ultralytics TT100K yapılandırması, tümü aynı 221 kategoriyi paylaşan üç alt kümeye ayrılır:
| Bölüm | Görüntüler | Açıklama |
|---|---|---|
| Eğit | 6,105 | Algılayıcıyı eğitmek için kullanılan etiketli trafik sahnesi görüntüleri |
| Doğrulama | 7,641 | Veri kümesinin değerlendirme için kullanılan özgün "other" bölmesi |
| Test | 3,071 | Eğitilmiş modelin son değerlendirmesi için ayrılan görüntüler |
221 kategori birkaç ana grup altında düzenlenmiştir:
- Hız sınırı işaretleri — yasaklayıcı sınırlar
pl*(ör. pl5–pl120) ve asgari hızlarpm*(ör. pm5–pm55). - Yasaklayıcı işaretler — genel yasaklar
p1–p29, giriş yasaklama/park etme yasağıpn/pneve kısıtlamalarpr*(pr10–pr100). - Uyarı işaretleri — yol geçişleri, keskin dönüşler, kaygan yollar ve yol çalışmaları gibi yol tehlikeleri için
w1–w67. - Yükseklik/genişlik sınırı işaretleri — yükseklik sınırları
ph*(ör. ph2–ph5.5) ve genişlik sınırlarıpb/pw*. - Bilgilendirici işaretler — genel bilgiler
i1–i15, hız sınırı bilgileriil*(il50–il110), diğer bilgileriove bilgi levhalarıip.
Uygulamalar#
TT100K, gerçek dünya koşullarında trafik işareti tanıma sistemleri oluşturmak ve kıyaslamak için yaygın olarak kullanılır. Yaygın uygulamalar şunlardır:
- Otonom sürüş algı sistemleri
- Gelişmiş sürücü destek sistemleri (ADAS)
- Trafik izleme ve yol altyapısı analizi
- Kentsel planlama ve trafik akışı çalışmaları
- Yüksek çözünürlüklü görüntülerde küçük nesneler üzerine bilgisayarlı görü araştırmaları
Veri Kümesi YAML'i#
TT100K.yaml dosyası, veri kümesi yapılandırmasını — veri kümesi yollarını, sınıf adlarını ve otomatik indirme ve dönüştürme betiğini — tanımlar. Bu dosya, Ultralytics deposunda https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/TT100K.yaml adresinde tutulur.
# 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 eğitim yaptığında otomatik olarak indirilir ve yaklaşık 18 GB boş disk alanı gerektirir. İlk kullanımda indirme betiği özgün verileri alır ve açıklamaları YOLO biçimine dönüştürür; bu işlem birkaç dakika sürebilir.
TT100K veri kümesi üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için model Eğitimi sayfasına bakabilirsin.
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 TT100K eğitim çalışmalarını tarayıcında yönetmek için Ultralytics Platform kullanabilirsin.
Örnek Veriler ve Açıklamalar#
TT100K görüntüleri, trafik işaretlerinin genellikle karenin yalnızca küçük bir bölümünü kapladığı 2048×2048 boyutunda sokak sahneleridir. Tek bir görüntü, farklı ölçek ve mesafelerde birden fazla işaret içerebilir; bu işaretlerin bazıları araçlar, bitki örtüsü veya yapılar tarafından kısmen örtülmüş olabilir ve görüntüler gündüz/gece ile açık/yağmurlu koşullarda çekilmiş olabilir. Küçük nesneler ile zorlu koşulların bu birleşimi, veri kümesini algılayıcı sağlamlığı için güçlü bir test hâline getirir.
Atıflar ve Teşekkürler#
TT100K veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki 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 oluşturan ve sürdüren Tsinghua University ile Tencent iş birliğini takdirle anıyoruz. TT100K veri kümesi hakkında daha fazla bilgi için resmî veri kümesi web sitesini ziyaret edebilirsin.
SSS#
Tsinghua-Tencent 100K (TT100K) veri kümesi, gerçek dünya koşullarında trafik işareti algılama ve sınıflandırma için kullanılır. Veri kümesindeki 221 kategori ve yüksek çözünürlüklü sokak görünümü görüntüleri, onu otonom sürüş algısı, gelişmiş sürücü destek sistemleri (ADAS) ve küçük nesne algılama araştırmaları için yaygın bir kıyaslama veri kümesi hâline getirir.
Ultralytics TT100K yapılandırması 16.817 görüntü içerir: eğitim için 6.105, doğrulama için 7.641 (veri kümesinin özgün "other" bölmesi) ve test için 3.071 görüntü. Ayrıntılı dağılım için Veri Kümesi Yapısı bölümüne bakabilirsin.
"100K", özgün kıyaslama çalışmasının oluşturulduğu yaklaşık 100.000 Tencent Street View görüntüsünü ifade eder. Ultralytics algılama yapılandırması, bu görüntülerin 16.817 tanesini YOLO biçiminde etiketlerle sunar; ad, eğitim kümesinin boyutunu değil, kaynak koleksiyonu yansıtır.
TT100K; hız sınırı, yasaklayıcı, uyarı, yükseklik/genişlik sınırı ve bilgilendirici işaretleri kapsayan 221 kategori tanımlar. Özgün makale, en az 100 eğitim örneğine sahip 45 kategoriyi tutar; ancak Ultralytics yapılandırması 221 kategorinin tamamını korur. Grup dağılımı için Veri Kümesi Yapısı bölümüne bakabilirsin.
TT100K yaklaşık 18 GB boyutundadır ve
data="TT100K.yaml"ile ilk kez eğitim yaptığında otomatik olarak indirilir — elle indirme gerekmez. Betik ayrıca ilk çalıştırmada özgün açıklamaları YOLO biçimine dönüştürür.TT100K üzerinde 640 görüntü boyutuyla 100 epoch 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 ipuçlarına bakabilirsin.
İlk denemeler için
imgsz=640ile başla; ardından yeterli GPU belleğin varsa, daha küçük birbatchile birlikteimgsz=1280değerini artırabilirsin. Daha yüksek çözünürlük, uzaktaki küçük işaretlerin yeniden elde edilmesine yardımcı olur:model.train(data="TT100K.yaml", imgsz=1280, batch=4) # higher resolution for small signsAyrıca veri artırmayı ayarlayabilir ve çok küçük nesneler için döşeme stratejilerini değerlendirebilirsin. Daha fazla bilgi için Model Eğitimi İpuçları sayfasına bakabilirsin.