Link to this sectionTT100K 数据集#

清华-腾讯 100K (TT100K) 数据集是一个用于目标检测的交通标志基准测试数据集，由 Zhu 等人为 CVPR 2016 的论文 Traffic-Sign Detection and Classification in the Wild 创建。Ultralytics TT100K 配置提供了 16,817 张图像（6,105 张训练 / 7,641 张验证 / 3,071 张测试），涵盖 221 个交通标志类别，原始基准测试报告显示有超过 30,000 个标志实例。名称中的“100K”指的是该基准测试所源自的约 100,000 张腾讯街景图像，而非你下载和用于训练的图像数量。由于原始论文仅保留了至少包含 100 个训练实例的类别，因此存在一个常用的 45 类子集，但 Ultralytics 配置保留了所有 221 个标注类别（其中许多类别较为稀疏）。

这些高分辨率的街景图像捕捉到了光照、天气、视角和距离上的巨大差异，使 TT100K 成为真实驾驶场景中小目标检测的严苛基准。

Link to this section主要特性#

多类别检测：221 个交通标志类别，涵盖中国限速、禁令、警告、限高/限宽及指路标志。
高分辨率：2048×2048 像素的图像，因此标志从大型特写到微小的远距离标记不等，这对细粒度检测提出了挑战。
真实世界条件：天气、光照、视角和遮挡情况均存在巨大差异。
边界框标注：每个标志都标有类别，并已自动转换为 YOLO 格式的边界框。
预定义拆分：固定的训练 / 验证 / 测试集拆分（6,105 / 7,641 / 3,071 张图像），以进行一致的评估。

Link to this section数据集结构#

Ultralytics TT100K 配置分为三个子集，它们都共享相同的 221 个类别：

拆分	图像	描述
训练	6,105	用于训练检测器的带标注交通场景图像
验证	7,641	数据集原始的“其他”拆分，用于评估
测试	3,071	用于对训练好的模型进行最终评估的保留图像

这 221 个类别被划分为几个主要组别：

限速标志 — 禁令限速 pl*（例如 pl5–pl120）和最低限速 pm*（例如 pm5–pm55）。
禁令标志 — 一般禁令 p1–p29，禁止通行/禁止停车 pn/pne，以及限制类 pr* (pr10–pr100)。
警告标志 — w1–w67，用于道路危险警示，如交叉路口、急转弯、湿滑路面和施工区域。
限高/限宽标志 — 限高 ph*（例如 ph2–ph5.5）和限宽 pb/pw*。
指路标志 — 一般信息 i1–i15，限速信息 il* (il50–il110)，其他 io 以及辅助信息牌 ip。

Link to this section应用#

TT100K 被广泛用于构建和评估真实世界条件下的交通标志识别系统。常见应用包括：

自动驾驶感知系统
高级驾驶辅助系统 (ADAS)
交通监控和道路基础设施分析
城市规划和交通流研究
关于高分辨率图像中小目标的计算机视觉研究

Link to this section数据集 YAML#

TT100K.yaml 文件定义了数据集配置，包括数据集路径、类别名称以及自动下载和转换脚本。它维护在 Ultralytics 代码库中：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/TT100K.yaml。

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 section用法#

~18 GB 下载量

TT100K 会在你首次训练时自动下载，需要约 18 GB 的可用磁盘空间。首次使用时，下载脚本会获取原始数据并将标注转换为 YOLO 格式，这可能需要几分钟时间。

要在 TT100K 数据集上训练 YOLO26n 模型 100 个轮次，图像尺寸为 640，你可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。

训练示例

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)

要标注额外的交通标志图像并在浏览器中管理 TT100K 训练任务，请使用 Ultralytics Platform。

Link to this section示例数据与标注#

TT100K 图像是 2048×2048 的街景场景，其中交通标志通常只占画面的一小部分。单张图像可能包含不同比例和距离的多个标志，有些会被车辆、植被或建筑物部分遮挡，并且是在白天/夜晚以及晴天/雨天条件下拍摄的。这种小目标与挑战性环境的组合，使得该数据集成为检验检测器稳健性的强大测试。

Link to this section引用与致谢#

如果你在研究或开发工作中使用了 TT100K 数据集，请引用以下论文：

引用

@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}
}

我们感谢清华大学和腾讯的合作，共同创建并维护了这一对计算机视觉和自动驾驶社区具有重要价值的资源。有关 TT100K 数据集的更多信息，请访问官方数据集网站。

Link to this section常见问题解答#

Link to this sectionTT100K 数据集有什么用？#

清华-腾讯 100K (TT100K) 数据集用于真实世界条件下的交通标志检测与分类。其 221 个类别和高分辨率街景图像使其成为自动驾驶感知、高级驾驶辅助系统 (ADAS) 和小目标检测研究的常用基准。

Link to this sectionTT100K 数据集中有多少张图像？#

Ultralytics TT100K 配置包含 16,817 张图像：6,105 张用于训练，7,641 张用于验证（数据集原始的“其他”拆分），以及 3,071 张用于测试。有关详细分解，请参阅数据集结构部分。

Link to this section为什么只有约 16,800 张图像却被称为 100K？#

“100K”指的是原始基准测试所源自的约 100,000 张腾讯街景图像。Ultralytics 检测配置提供了其中的 16,817 张带有 YOLO 格式标签的图像；名称反映的是来源集合，而非训练集的大小。

Link to this sectionTT100K 中有多少个交通标志类别？#

TT100K 定义了 221 个类别，涵盖限速、禁令、警告、限高/限宽及指路标志。原始论文仅保留了至少包含 100 个训练实例的 45 个类别，但 Ultralytics 配置保留了全部 221 个。有关分组细分，请参阅数据集结构。

Link to this sectionTT100K 数据集下载包有多大？#

TT100K 大约 18 GB，在你首次使用 data="TT100K.yaml" 进行训练时会自动下载——无需手动下载。脚本还会在首次运行时将原始标注转换为 YOLO 格式。

Link to this section如何使用 YOLO26 模型在 TT100K 数据集上进行训练？#

在 TT100K 上训练 YOLO26n 模型 100 个轮次，图像尺寸为 640：