ThankGod/mapillary_traffic_sign_dataset_recommended

--- dataset_info: features: - name: image_id dtype: int64 - name: image dtype: image - name: width dtype: int64 - name: height dtype: int64 - name: objects sequence: - name: bbox_id dtype: int64 - name: category dtype: class_label: names: '0': category_0 '1': category_1 '2': category_2 '3': category_3 '4': category_4 '5': category_5 '6': category_6 '7': category_7 '8': category_8 '9': category_9 '10': category_10 '11': category_11 '12': category_12 '13': category_13 '14': category_14 '15': category_15 '16': category_16 '17': category_17 '18': category_18 '19': category_19 '20': category_20 '21': category_21 '22': category_22 '23': category_23 '24': category_24 '25': category_25 '26': category_26 '27': category_27 '28': category_28 '29': category_29 '30': category_30 '31': category_31 '32': category_32 '33': category_33 '34': category_34 '35': category_35 '36': category_36 '37': category_37 '38': category_38 '39': category_39 '40': category_40 '41': category_41 '42': category_42 '43': category_43 '44': category_44 '45': category_45 '46': category_46 '47': category_47 '48': category_48 '49': category_49 '50': category_50 '51': category_51 '52': category_52 '53': category_53 '54': category_54 '55': category_55 '56': category_56 '57': category_57 '58': category_58 '59': category_59 '60': category_60 '61': category_61 '62': category_62 '63': category_63 '64': category_64 '65': category_65 '66': category_66 '67': category_67 '68': category_68 '69': category_69 '70': category_70 '71': category_71 '72': category_72 '73': category_73 '74': category_74 '75': category_75 '76': category_76 '77': category_77 '78': category_78 '79': category_79 '80': category_80 '81': category_81 '82': category_82 '83': category_83 '84': category_84 '85': category_85 '86': category_86 '87': category_87 '88': category_88 '89': category_89 '90': category_90 '91': category_91 '92': category_92 '93': category_93 '94': category_94 '95': category_95 '96': category_96 '97': category_97 '98': category_98 '99': category_99 '100': category_100 '101': category_101 '102': category_102 '103': category_103 '104': category_104 '105': category_105 '106': category_106 '107': category_107 '108': category_108 '109': category_109 '110': category_110 '111': category_111 '112': category_112 '113': category_113 '114': category_114 '115': category_115 '116': category_116 '117': category_117 '118': category_118 '119': category_119 '120': category_120 '121': category_121 '122': category_122 '123': category_123 '124': category_124 '125': category_125 '126': category_126 '127': category_127 '128': category_128 '129': category_129 '130': category_130 '131': category_131 '132': category_132 '133': category_133 '134': category_134 '135': category_135 '136': category_136 '137': category_137 '138': category_138 '139': category_139 '140': category_140 '141': category_141 '142': category_142 '143': category_143 '144': category_144 '145': category_145 '146': category_146 '147': category_147 '148': category_148 '149': category_149 '150': category_150 '151': category_151 '152': category_152 '153': category_153 '154': category_154 '155': category_155 '156': category_156 '157': category_157 '158': category_158 '159': category_159 '160': category_160 '161': category_161 '162': category_162 '163': category_163 '164': category_164 '165': category_165 '166': category_166 '167': category_167 '168': category_168 '169': category_169 '170': category_170 '171': category_171 '172': category_172 '173': category_173 '174': category_174 '175': category_175 '176': category_176 '177': category_177 '178': category_178 '179': category_179 '180': category_180 '181': category_181 '182': category_182 '183': category_183 '184': category_184 '185': category_185 '186': category_186 '187': category_187 '188': category_188 '189': category_189 '190': category_190 '191': category_191 '192': category_192 '193': category_193 '194': category_194 '195': category_195 '196': category_196 '197': category_197 '198': category_198 '199': category_199 '200': category_200 '201': category_201 '202': category_202 '203': category_203 '204': category_204 '205': category_205 '206': category_206 '207': category_207 '208': category_208 '209': category_209 '210': category_210 '211': category_211 '212': category_212 '213': category_213 '214': category_214 '215': category_215 '216': category_216 '217': category_217 '218': category_218 '219': category_219 '220': category_220 '221': category_221 '222': category_222 '223': category_223 '224': category_224 '225': category_225 '226': category_226 '227': category_227 '228': category_228 '229': category_229 '230': category_230 '231': category_231 '232': category_232 '233': category_233 '234': category_234 '235': category_235 '236': category_236 '237': category_237 '238': category_238 '239': category_239 '240': category_240 '241': category_241 '242': category_242 '243': category_243 '244': category_244 '245': category_245 '246': category_246 '247': category_247 '248': category_248 '249': category_249 '250': category_250 '251': category_251 '252': category_252 '253': category_253 '254': category_254 '255': category_255 '256': category_256 '257': category_257 '258': category_258 '259': category_259 '260': category_260 '261': category_261 '262': category_262 '263': category_263 '264': category_264 '265': category_265 '266': category_266 '267': category_267 '268': category_268 '269': category_269 '270': category_270 '271': category_271 '272': category_272 '273': category_273 '274': category_274 '275': category_275 '276': category_276 '277': category_277 '278': category_278 '279': category_279 '280': category_280 '281': category_281 '282': category_282 '283': category_283 '284': category_284 '285': category_285 '286': category_286 '287': category_287 '288': category_288 '289': category_289 '290': category_290 '291': category_291 '292': category_292 '293': category_293 '294': category_294 '295': category_295 '296': category_296 '297': category_297 '298': category_298 '299': category_299 '300': category_300 '301': category_301 '302': category_302 '303': category_303 '304': category_304 '305': category_305 '306': category_306 '307': category_307 '308': category_308 '309': category_309 '310': category_310 '311': category_311 '312': category_312 '313': category_313 '314': category_314 '315': category_315 '316': category_316 '317': category_317 '318': category_318 '319': category_319 '320': category_320 '321': category_321 '322': category_322 '323': category_323 '324': category_324 '325': category_325 '326': category_326 '327': category_327 '328': category_328 '329': category_329 '330': category_330 '331': category_331 '332': category_332 '333': category_333 '334': category_334 '335': category_335 '336': category_336 '337': category_337 '338': category_338 '339': category_339 '340': category_340 '341': category_341 '342': category_342 '343': category_343 '344': category_344 '345': category_345 '346': category_346 '347': category_347 '348': category_348 '349': category_349 '350': category_350 '351': category_351 '352': category_352 '353': category_353 '354': category_354 '355': category_355 '356': category_356 '357': category_357 '358': category_358 '359': category_359 '360': category_360 '361': category_361 '362': category_362 '363': category_363 '364': category_364 '365': category_365 '366': category_366 '367': category_367 '368': category_368 '369': category_369 '370': category_370 '371': category_371 '372': category_372 '373': category_373 '374': category_374 '375': category_375 '376': category_376 '377': category_377 '378': category_378 '379': category_379 '380': category_380 '381': category_381 '382': category_382 '383': category_383 '384': category_384 '385': category_385 '386': category_386 '387': category_387 '388': category_388 '389': category_389 '390': category_390 '391': category_391 '392': category_392 '393': category_393 '394': category_394 '395': category_395 '396': category_396 '397': category_397 '398': category_398 '399': category_399 - name: bbox sequence: float64 length: 4 - name: area dtype: float64 splits: - name: train num_bytes: 22353044061.764 num_examples: 25956 download_size: 21817596628 dataset_size: 22353044061.764 configs: - config_name: default data_files: - split: train path: data/train-* license: mit ---This dataset is a training set containing images and boundary box information for multiple object categories within those images. The dataset includes 256 different object categories and provides image ID, width, and height information.

搜集汇总

数据集介绍

构建方式

在智能交通与自动驾驶领域，精准的交通标志检测是环境感知的核心环节。Mapillary交通标志数据集（推荐版）由Mapillary社区采集并整理，汇聚了全球多样化的真实道路场景图像。该数据集以结构化格式构建，每条样本包含唯一的图像标识符（image_id）、原始图像数据（image）、图像尺寸（width与height），以及目标对象列表（objects）。每个对象详细记录了边界框编号（bbox_id）、类别标签（category，涵盖0至399共400种细粒度交通标志类别）、边界框坐标（bbox，由四个浮点数构成）及其面积（area）。数据仅划分训练集，包含25,956张图像，总数据量约21.8GB，以Parquet格式分片存储于data/train-*路径下，采用MIT开源许可协议发布。

特点

该数据集最显著的特点在于其超细粒度的类别体系，囊括了从常见禁令、警告标志到区域性特定标识的400种交通标志类别，为高精度识别模型提供了丰富的标注信息。每张图像均附带完整的元数据，包括唯一ID与分辨率，便于数据管理与检索。目标对象的边界框采用标准化四维坐标表示，并附带面积属性，支持直接用于目标检测任务的训练与评估。数据集仅提供训练集，暗示其设计初衷是作为预训练或迁移学习的核心资源，用户可自行划分验证集。此外，图像来源的全球多样性赋予了数据集强大的泛化能力，能够有效应对不同国家、光照与天气条件下的交通标志识别挑战。

使用方法

研究人员可通过Hugging Face Datasets库便捷加载该数据集，指定config_name为'default'并选择'train'分片即可获取迭代器。加载后的数据可直接用于训练基于深度学习的交通标志检测模型，例如YOLO、Faster R-CNN或DETR等架构。使用时需将category字段的整数标签映射至对应的语义类别名称，或借助预定义的类别索引表进行转换。边界框坐标通常需根据图像尺寸进行归一化处理，以适配不同模型的输入要求。建议将训练集按8:2比例随机拆分为训练与验证子集，以监控过拟合现象。该数据集亦支持与数据增强库（如Albumentations）结合，通过随机翻转、色彩抖动等手段提升模型鲁棒性，最终在测试集上评估检测精度。

背景与挑战

背景概述

交通标志识别作为自动驾驶与智能交通系统的核心技术模块，其性能直接关系到行车安全与路径决策的可靠性。Mapillary交通标志数据集（Mapillary Traffic Sign Dataset）由Mapillary团队于2017年前后发布，旨在为复杂城市环境下的交通标志检测与分类提供大规模、高多样性的基准资源。该数据集收录了来自全球多地的街景图像，涵盖超过300种细粒度类别，如限速牌、禁令标志、指示标志等，极大地丰富了模型训练中的类别覆盖度与场景复杂度。其核心研究问题聚焦于如何在光照变化、遮挡、视角畸变及背景杂乱等真实世界条件下实现鲁棒的交通标志识别。凭借其庞大的标注规模与精细的类别体系，该数据集已成为推动交通标志感知算法从实验室走向实际部署的关键里程碑，显著提升了领域内模型对长尾类别与极端场景的泛化能力。

当前挑战

该数据集所解决的领域问题在于，现有交通标志数据集普遍存在类别数量有限、场景单一、标注粒度粗放等局限，难以支撑高等级自动驾驶对感知系统严苛的可靠性要求。Mapillary数据集通过引入数百种细粒度类别与海量真实街景图像，迫使模型必须应对极端类别不平衡、类间相似性高（如不同限速值的标识牌）以及多尺度目标检测等核心难题。在构建过程中，团队面临了跨地域标注一致性控制的挑战——不同国家的交通标志设计风格与视觉元素存在显著差异，需设计统一的标注协议以消除歧义。此外，大规模图像中微小标志的精确边界框标注、遮挡与模糊实例的语义判别，以及多视角下标志的几何畸变校正，均对标注质量与效率构成了严峻考验。这些挑战共同推动了半自动标注策略与数据增强技术的创新，为后续研究者提供了宝贵的实践经验。

常用场景

经典使用场景

在智能交通系统与自动驾驶技术的飞速演进中，Mapillary交通标志数据集（推荐版）以其精细的标注与丰富的场景多样性，成为目标检测与图像分类领域不可或缺的基准资源。该数据集涵盖超过三百种交通标志类别，每张图像均配有精确的边界框与类别标签，为训练高鲁棒性的深度学习模型提供了坚实的数据基础。研究者常将其用于评估卷积神经网络在复杂城市与乡村环境下的泛化能力，尤其是在光照变化、遮挡以及视角畸变等挑战性条件下的表现。

解决学术问题

该数据集的核心学术价值在于解决了大规模交通标志识别中类别极度不均衡与细粒度分类难题。通过提供涵盖全球各地标志风格的标准化标注，它有效缓解了跨地域数据迁移学习中的领域漂移问题，推动了多标签分类与少样本学习算法的突破。其意义在于为计算机视觉领域树立了一个可重复验证的评估基准，使学者得以量化分析模型在真实交通场景中的感知精度，进而推动了弱监督学习与注意力机制在道路标志理解中的理论创新。

衍生相关工作

围绕该数据集衍生了一系列具有影响力的学术工作，包括基于YOLOv5与Faster R-CNN的交通标志检测优化框架，以及针对小目标识别的特征金字塔网络改进方案。部分研究还将其与生成对抗网络结合，探索了数据增强策略在标志分类中的效能，并催生了诸如Mapillary Vistas全景分割数据集等扩展资源。这些工作不仅深化了领域自适应与模型压缩的理论实践，也为后续的开放世界感知与终身学习研究铺设了实验基石。