Link to this sectionTT100K 数据集#

Tsinghua-Tencent 100K (TT100K) 是一个大规模交通标志基准数据集，由 100,000 张腾讯街景全景图构建而成。该数据集专为真实场景下的交通标志检测与分类而设计，为研究人员和开发者构建稳健的交通标志识别系统提供了综合资源。

该数据集包含 100,000 张图像，拥有超过 30,000 个交通标志实例，涵盖 221 个标注类别。原始论文对每类应用了 100 个实例的阈值进行监督学习，得出了常用的 45 类子集；然而，Ultralytics 提供的相关数据集配置保留了全部 221 个标注类别，其中许多类别的样本非常稀疏。这些图像捕捉了光照、天气条件、视角和距离上的巨大差异，非常适合用于训练需要在多样化真实场景中可靠运行的模型。

该数据集特别适用于：

自动驾驶系统
高级驾驶辅助系统 (ADAS)
交通监控应用
城市规划与交通分析
真实场景下的计算机视觉研究

Link to this section主要特性#

TT100K 数据集具有几个核心优势：

规模：100,000 张高分辨率图像 (2048×2048 像素)
多样性：221 个涵盖中国交通标志的类别
真实场景：天气、光照和视角差异巨大
丰富标注：每个标志都包含类别标签、边界框 (BBox) 和像素掩码
全面覆盖：包括禁令、警告、指示和指路标志
训练/测试集划分：预定义的划分便于一致性评估

Link to this section数据集结构#

TT100K 数据集分为三个子集：

训练集：用于训练模型以检测和分类各类交通标志的主要交通场景图像集合。
验证集：在模型开发期间用于监控性能和调整超参数的子集。
测试集：用于评估最终模型在真实场景中检测和分类交通标志能力的独立图像集合。

TT100K 数据集包含 221 个交通标志类别，分为几个主要组别：

限速标志 (pl, pm)**

pl_：限制速度禁止标志（例如 pl5, pl10, pl20, pl30, pl40, pl50, pl60, pl70, pl80, pl100, pl120）
pm_：最低限速标志（例如 pm5, pm10, pm20, pm30, pm40, pm50, pm55）

禁令标志 (p, pn, pr_)**

p1-p29：常规禁令标志（禁止通行、禁止停车、禁止停放等）
pn/pne：禁止通行和禁止停车标志
pr：各类限制标志（例如 pr10, pr20, pr30, pr40, pr50）

警告标志 (w_)

w1-w67：针对各类道路危险、状况和情形的警告标志
包括人行横道、急转弯、路滑、动物、施工等。

限高/限宽标志 (ph, pb, pw*)**

ph_：限高标志（例如 ph2, ph2.5, ph3, ph3.5, ph4, ph4.5, ph5）
pb/pw_：限宽标志

指路标志 (i, il, io, ip)**

i1-i15：常规指路标志
il_：限速信息标志（il50, il60, il70, il80, il90, il100, il110）
io：其他指路标志
ip：信息板

Link to this section数据集 YAML#

YAML (Yet Another Markup Language) 文件用于定义数据集配置。它包含关于数据集路径、类别及其他相关信息。对于 TT100K 数据集，TT100K.yaml 文件包含了自动下载和转换功能。

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#

若要使用 YOLO26 模型在 TT100K 数据集上训练 100 个 epochs，且图像大小为 640，你可以使用以下代码片段。数据集将在首次使用时自动下载并转换为 YOLO 格式。

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)

Link to this section样本图像和标注#

以下是来自 TT100K 数据集的典型示例：

城市环境：在不同距离处具有多个交通标志的街道场景
高速公路场景：包括限速和方向指示在内的高速公路标志
复杂交叉路口：在近距离内具有不同朝向的多个标志
挑战性条件：处于不同光照（昼/夜）、天气（雨/雾）和视角下的标志

该数据集包括：

近景标志：占据大量图像区域、清晰可见的标志
远景标志：需要细粒度检测能力的小型标志
部分遮挡标志：被车辆、树木或其他物体部分遮挡的标志
每张图像多个标志：包含多个不同标志类型的图像

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#