TT100K中国交通标志数据集：VOC与YOLO双格式实战指南

简介中国交通标志TT100K检测数据集面向从事智能交通、自动驾驶与计算机视觉研究的开发者及学生提供交通标志识别与检测任务的训练与测试素材。资源包共2000个文件以1999个XML标注文件为主另含1个使用说明txt压缩包约401.64MB图片与标注一一对应兼容Pascal VOC与YOLO两种主流格式可直接接入常见检测框架。数据集覆盖45类中国常见交通标志共7962张交通场景图片每张均配有VOC格式XML与YOLO格式TXT标注便于开展卷积神经网络特征提取、分类与实时检测算法实验也适合大规模深度学习模型训练以提升泛化能力。目前已有1337人学习下载配套博文提供使用指南与问题解答帮助读者快速上手并减少排错成本为智能交通相关技术研发提供扎实的数据支撑。1. 7962 张中国交通标志图VOC 与 YOLO 双格式到底怎么落地做交通标志检测的同行大概都有过这种体验公开数据集要么是国外路况要么类别少得可怜想训一个能认中国路牌的模型光找数据就得耗掉大半天。这份 TT100K 检测数据集把 7962 张交通场景 jpg 图片、7962 个 Pascal VOC 格式 xml、7962 个 YOLO 格式 txt 一次性打包齐了45 个中国常见交通标志类别图片和标注一一对应不用自己再去做格式转换的脏活。它适合三类人刚入门目标检测想找个真实场景练手的新手、要快速验证 YOLO 系列模型效果的老手、以及做智能交通或辅助驾驶原型需要现成标注数据的开发者。压缩包解压后就是图片加标注的平铺结构没有多余的目录层级拿到手就能直接喂给训练脚本省掉的是最枯燥也最容易出错的那段准备工作。2. 双格式标注拆解VOC 的 xml 和 YOLO 的 txt 各管什么2.1 两种格式的定位差异Pascal VOC 格式用 xml 描述每张图里每个目标的类别和边界框坐标是绝对像素值结构清晰、可读性强适合做数据审查、可视化验证和需要精确坐标回算的场景。YOLO 格式用 txt 描述每行一个目标格式是类别索引 中心x 中心y 宽 高坐标全部归一化到 0 到 1 之间直接对应 YOLO 系列训练时的标签读取逻辑。这份数据集同时给了两套意味着你不需要在训练前跑转换脚本VOC 那套可以用来核对标注质量YOLO 那套直接进 dataloader。实际用的时候有个细节要注意YOLO 的类别索引是从 0 开始的整数而 VOC 的 xml 里写的是类别名称字符串。两者之间的映射关系必须自己维护一份否则训练出来的模型类别会对不上。常见做法是先从所有 xml 里把类别名提取出来排好序生成一个classes.txtYOLO 的索引就按这个顺序来。2.2 从 xml 提取类别清单并生成映射下面这段脚本遍历所有 xml统计类别出现次数并输出排序后的类别列表同时生成 YOLO 训练需要的classes.txtimport os import glob import xml.etree.ElementTree as ET from collections import Counter # 指向解压后存放 xml 的目录 xml_dir ./TT100K/annotations xml_files glob.glob(os.path.join(xml_dir, *.xml)) counter Counter() for xf in xml_files: tree ET.parse(xf) root tree.getroot() for obj in root.findall(object): name obj.find(name).text.strip() counter[name] 1 # 按类别名排序保证索引稳定 classes sorted(counter.keys()) print(f共 {len(classes)} 类) for i, c in enumerate(classes): print(i, c, counter[c]) # 写出 classes.txtYOLO 训练时按行读取 with open(classes.txt, w, encodingutf-8) as f: for c in classes: f.write(c \n)逻辑说明ET.parse逐个解析 xmlfindall(object)拿到所有标注目标find(name).text取类别名。用Counter统计每类出现次数方便判断有没有长尾类别。排序是为了让索引固定避免每次跑出来顺序不一样导致标签错位。参数上唯一要改的是xml_dir指向你实际解压的路径。跑完会得到一份classes.txt45 行每行一个类别名这个文件后面训练和推理都要用。2.3 校验图片与标注的一一对应数据集号称 7962 张图对应 7962 个 xml 和 7962 个 txt但实际解压后偶尔会因为文件名大小写、扩展名不一致导致对不上。训练前花两分钟校验一遍比训到一半报错强import os img_dir ./TT100K/images xml_dir ./TT100K/annotations txt_dir ./TT100K/labels imgs {os.path.splitext(f)[0] for f in os.listdir(img_dir) if f.endswith(.jpg)} xmls {os.path.splitext(f)[0] for f in os.listdir(xml_dir) if f.endswith(.xml)} txts {os.path.splitext(f)[0] for f in os.listdir(txt_dir) if f.endswith(.txt)} print(图片数:, len(imgs)) print(xml 数:, len(xmls)) print(txt 数:, len(txts)) print(图片有但 xml 缺:, imgs - xmls) print(xml 有但图片缺:, xmls - imgs) print(图片有但 txt 缺:, imgs - txts)逻辑说明用集合做差集能直接定位到缺失的文件名。如果三个集合完全相等说明数据完整。如果有差异优先检查是不是扩展名大小写问题比如.JPG和.jpg。这一步不涉及复杂参数纯粹是数据完整性检查建议每次拿到新数据集都跑一遍。3. 把数据集接进 YOLO 训练流程目录结构与配置文件3.1 整理成 YOLO 要求的目录树YOLO 系列训练时对目录结构有固定要求图片和标签要分开放且路径要能对应上。推荐整理成下面这样TT100K_YOLO/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── tt100k.yaml图片放images/train和images/val对应的 txt 放labels/train和labels/val文件名保持一致只是扩展名不同。划分比例常见做法是 8:2 或 9:1交通标志场景下类别分布可能不均匀建议按类别分层抽样避免某些稀有类别在验证集里一个都没有。3.2 编写数据集配置文件YOLO 训练需要一个 yaml 文件告诉它数据在哪、有几类、类别名是什么# tt100k.yaml path: ./TT100K_YOLO train: images/train val: images/val nc: 45 names: 0: 限速40 1: 限速50 # ... 按 classes.txt 的顺序补全 45 行逻辑说明path是数据集根目录train和val是相对路径。nc是类别数必须和classes.txt行数一致。names是索引到类别名的映射顺序必须和生成classes.txt时的排序完全一致否则模型学到的类别会张冠李戴。参数上唯一容易错的是nc写多了或写少了训练时不会立刻报错但推理结果会乱。3.3 启动训练与关键参数以 YOLOv8 为例一条命令就能跑起来yolo detect train \ datatt100k.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ projectruns/tt100k \ nameexp1逻辑说明data指向刚写的 yamlmodel用预训练权重起步交通标志这种中等规模数据集从yolov8n或yolov8s开始比较稳。epochs设 100 是常见起点如果验证集 mAP 还在涨可以加到 200。imgsz设 640 是 YOLO 的默认输入尺寸交通标志在图中占比通常不大如果发现小目标漏检多可以提到 960 或 1280但显存占用会明显上升。batch根据显存调16 在 8G 显存上跑 640 尺寸基本够用。device0指定第一块 GPU没有 GPU 就改成cpu但训练时间会拉长很多。训练过程中重点看三个指标box_loss是否稳定下降、mAP50是否在涨、mAP50-95是否跟着动。如果box_loss震荡厉害先把batch调小或学习率降一档。如果mAP50早早卡住不动检查类别映射有没有错位。4. 避坑与排查标注、类别和训练里最容易翻车的地方4.1 类别索引错位导致模型学偏现象训练 loss 正常下降但推理时所有标志都被识别成同一类或者类别完全对不上。原因classes.txt的排序和 yaml 里names的顺序不一致。比如classes.txt是按拼音排序yaml 里手写时按别的顺序填了索引就对不上了。解决生成classes.txt后直接用它来生成 yaml 的names段不要手动敲。写个小脚本把classes.txt转成 yaml 格式保证两边同源。4.2 图片和标签文件名不匹配现象训练启动后报No labels found或者大量图片被跳过。原因图片是.jpg标签是.txt但有些文件名里带了空格或特殊字符或者大小写不一致。Windows 解压时有时会把文件名转成小写而标注文件保留原大小写。解决跑一遍第 2.3 节的校验脚本把差集里的文件名列出来统一改成小写或统一去掉特殊字符。批量重命名用 Python 的os.rename几行就能搞定。4.3 小目标漏检严重现象大标志能检出远处的小标志基本漏掉mAP 上不去。原因TT100K 里不少图片是广角交通场景标志在图中只占几十个像素640 输入尺寸下经过多次下采样后特征几乎消失。解决把imgsz提到 960 或 1280同时开 YOLO 的多尺度训练multi_scaleTrue。如果显存不够改用yolov8s或更小的模型或者把batch降到 8。另一个思路是在数据增强里加mosaic和copy_paste增加小目标的出现频率。4.4 验证集类别分布不均导致指标虚高现象mAP50 看着不错但实际跑视频发现某些类别几乎检不出来。原因随机划分验证集时稀有类别可能全被分到训练集验证集里没有样本指标只反映了常见类别的表现。解决划分时按类别分层抽样保证每个类别在验证集里至少有几十个样本。用sklearn的train_test_split加stratify参数或者自己写个按类别分组的划分逻辑。4.5 训练中途 BN 层崩溃现象loss 突然变成 NaN训练中断。原因学习率太大或者 batch 太小导致 BatchNorm 的统计量不稳定。交通标志数据集里有些图片对比度很高梯度容易炸。解决把初始学习率降到0.001或更低开warmup_epochs3让模型先稳几轮。如果 batch 只能设到 4 或 8考虑用yolov8n这种小模型或者把imgsz降到 512 换取更大的 batch。5. 进阶用法用这份数据做迁移学习和效果验证5.1 从 TT100K 预训练到自定义场景微调如果你手头有自己采集的交通标志数据但量不大可以先用这份 7962 张的数据集训一个基础模型再在自己的小数据集上微调。具体做法是先用tt100k.yaml跑 100 到 200 轮得到一个best.pt然后把自己的数据整理成同样的 YOLO 格式新建一个 yaml把model指向best.pt学习率调到0.0001跑 30 到 50 轮。这样比从 COCO 预训练权重起步更贴近交通标志的域收敛更快。# 第一步在 TT100K 上预训练 yolo detect train datatt100k.yaml modelyolov8s.pt epochs150 imgsz960 batch8 # 第二步在自定义小数据集上微调 yolo detect train datamy_signs.yaml modelruns/tt100k/exp1/weights/best.pt \ epochs50 lr00.0001 imgsz960 batch8逻辑说明第一步的imgsz960是为了让模型适应小目标第二步保持一致避免尺寸跳变。lr00.0001是微调时的常见学习率比从头训练低一个数量级防止把预训练学到的特征冲掉。5.2 用验证集做一轮完整的效果核查训练完不能只看 mAP 数字建议跑一遍验证并导出混淆矩阵和 PR 曲线yolo detect val modelruns/tt100k/exp1/weights/best.pt datatt100k.yaml imgsz960跑完会在runs/tt100k/exp1/下生成confusion_matrix.png和PR_curve.png。重点看混淆矩阵里哪些类别之间互相误判比如限速 40 和限速 50 容易混说明模型对数字区域的细节分辨不够可以考虑在数据增强里加随机裁剪和缩放或者换更大的输入尺寸。5.3 一个我踩过的坑有次我图省事直接把classes.txt里的类别名按字母序排了yaml 里names却按中文拼音顺序手写的结果训练完模型把所有圆形标志都认成同一类。排查了半天才定位到是索引错位。从那以后我每次生成classes.txt和 yaml 都强制走同一个脚本绝不手动敲类别名。另外验证集划分我固定用stratify按类别分层跑完第一轮先看混淆矩阵再决定要不要调参不盲目加 epoch。希望这些经验能帮你少走点弯路这份数据集本身质量不错把格式和类别映射这两步做扎实后面训练基本就是调参的事了。本文还有配套的精品资源点击获取