GTSIGN-220

GTSIGN-220(德国交通标志)是一个包含75,541张德国交通标志图像的综合数据集。该数据集专门设计为细粒度识别的基准，严格遵循德国道路交通法规(StVO)。数据集来源于Mapillary的街景图像，图像文件命名方式使得第一个下划线前的数字对应于Mapillary完整图像的ID，从而可以通过API下载完整图像。数据集包含220个类别(与StVO对齐)，按类别标签组织成文件夹，并分为训练集、验证集和测试集。数据集主要用于图像分类和物体检测任务，支持德语和英语，标签包括交通标志识别、自动驾驶、计算机视觉等。

原始信息汇总

GTSIGN-220: 德国交通标志数据集概述

数据集基本信息

• 数据集名称: GTSIGN-220 (German Traffic SIGNs)
• 数据量: 75,541 张图像
• 类别数量: 220 个类别（与德国道路交通法规 StVO 严格对齐）
• 地理范围: 德国
• 数据格式: 按类别标签组织的文件夹
• 数据划分: 包含训练集、验证集和测试集
• 缩略图: https://huggingface.co/datasets/miriamcarnot/GTSIGN-220/resolve/main/teaser_image.png

任务与领域

• 主要任务类别: 图像分类、目标检测
• 应用领域: 交通标志识别、自动驾驶、计算机视觉、智慧城市
• 语言相关: 德语、英语
• 核心特点: 专为细粒度识别设计的基准数据集

数据来源与构成

• 数据来源: 该数据集是街景图像平台 Mapillary 的衍生作品。
• 图像命名规则: 图像文件名的第一个下划线前的数字对应于 Mapillary 完整图像的 ID，可通过 API 下载完整图像。

许可与归属

• 许可证: 知识共享署名-相同方式共享 4.0 国际许可协议 (CC BY-SA 4.0)
• 归属要求:
  1. 创建者: Miriam Louise Carnot, ScaDS.AI (莱比锡大学)。
  2. 原始来源: 必须包含声明：“This work uses a dataset derived from street-level imagery from Mapillary (www.mapillary.com), originally contributed by Mapillary contributors and licensed under CC BY-SA 4.0.”

引用信息

若在研究中使用此数据集，请引用以下论文： bibtex @inproceedings{carnot_GTSIGN_2025, author = {Carnot, Miriam Louise and Fastermann, Erik and Kunze, Jonas and Peukert, Eric and Ludwig, André and Franczyk, Bogdan}, title = {GTSIGN-220: A Crowd-Sourced, StVO-Aligned Benchmark for Fine-Grained German Traffic Sign Recognition}, booktitle = {Intelligent Vehicles Symposium (IV)}, year = {2026} }

搜集汇总

数据集介绍

构建方式

在智能交通系统与自动驾驶技术蓬勃发展的背景下，GTSIGN-220数据集的构建体现了对德国道路交通标志精细化识别的迫切需求。该数据集源自Mapillary平台提供的街景级图像，通过众包方式收集并经过系统化处理，最终形成了包含75,541张图像的大规模集合。其构建过程严格遵循德国道路交通法规（StVO）的分类标准，确保了类别定义的规范性与法律一致性。图像文件采用特定的命名规则，使得每张标志图像都能与Mapillary的原始全景图像ID关联，为后续的数据溯源与扩展分析提供了便利。

特点

作为德国交通标志识别领域的重要资源，GTSIGN-220数据集展现出多方面的显著特点。数据集囊括了220个与StVO严格对齐的细粒度类别，覆盖了德国境内多样化的交通标志类型，为模型训练提供了丰富的语义信息。其地理范围限定于德国，保证了数据在特定法规与文化语境下的纯粹性与代表性。数据集已预先划分为训练集、验证集和测试集，并以按类别标签组织的文件夹格式呈现，极大简化了数据加载与实验流程。总计超过七万五千张的图像规模，为深度学习模型提供了充足的训练样本。

使用方法

在计算机视觉与自动驾驶研究领域，GTSIGN-220数据集为交通标志识别任务提供了标准化的评估基准。研究者可直接利用其预设的数据划分进行模型训练与性能验证，专注于算法开发与优化。数据集支持图像分类与目标检测两类核心任务，用户可根据研究目标选择相应的处理流程。使用该数据集时，需遵循CC BY-SA 4.0许可协议，在相关出版物中引用指定的学术论文，并明确标注数据集创建者及Mapillary原始数据来源，以符合知识共享的规范要求。

背景与挑战

背景概述

在自动驾驶与智能交通系统蓬勃发展的时代背景下，高精度交通标志识别技术成为保障道路安全与实现全场景环境感知的核心环节。GTSIGN-220数据集由莱比锡大学ScaDS.AI研究中心的Miriam Louise Carnot等人于2025年构建并发布，旨在为德国交通标志的细粒度识别提供一个严格遵循德国道路交通法规（StVO）的标准化基准。该数据集源自Mapillary平台众包的街景图像，共包含75,541张图像，覆盖220个精细类别，其构建紧密对接实际法规要求，显著提升了模型在复杂真实场景下的泛化能力与合规性，为自动驾驶感知模块的研发与评估提供了关键数据支撑。

当前挑战

GTSIGN-220数据集致力于解决自动驾驶领域中交通标志细粒度识别的核心挑战，包括在多变光照、天气条件及部分遮挡下对众多相似标志进行精准分类与检测。数据构建过程面临多重困难：一方面，需要从海量众包街景图像中人工筛选并标注符合StVO标准的标志实例，确保类别划分与法规严格对齐，这项工作耗时且依赖领域专业知识；另一方面，原始图像存在视角差异、分辨率不均及背景复杂等问题，需进行大量清洗与归一化处理以保障数据质量与一致性，为后续模型训练带来显著预处理负担。

常用场景

经典使用场景

在自动驾驶与智能交通系统领域，交通标志识别是保障车辆环境感知安全性与合规性的核心任务。GTSIGN-220数据集凭借其严格遵循德国道路交通法规（StVO）的精细类别划分，为细粒度图像分类与目标检测研究提供了标准化的基准平台。研究者通常利用该数据集训练深度神经网络模型，以实现在复杂道路场景中对多达220类德国交通标志的高精度识别与定位，从而推动自动驾驶视觉系统的鲁棒性提升。

衍生相关工作

自发布以来，GTSIGN-220已成为德国乃至欧洲交通标志识别研究的重要基石，催生了一系列聚焦于细粒度识别与域适应性的经典工作。相关研究不仅围绕提升模型在GTSIGN-220测试集上的准确率展开，还延伸至跨国家交通标志的迁移学习、模型在合成数据与真实数据间的泛化能力比较，以及利用其结构化标注探索更高效的检测架构。这些衍生工作共同深化了人们对复杂现实场景下视觉感知挑战的理解，并持续推动着相关技术向产业应用的转化。

数据集最近研究

最新研究方向

在自动驾驶与智能交通系统领域，交通标志识别作为环境感知的关键环节，其精度与鲁棒性直接影响行车安全。GTSIGN-220数据集凭借其与德国道路交通法规（StVO）严格对齐的220个细粒度类别，为学术界提供了高度结构化的基准。当前研究前沿聚焦于利用该数据集推动小样本学习与域自适应方法的发展，以应对真实场景中光照变化、遮挡及天气干扰等挑战。同时，结合生成式人工智能进行数据增强，提升模型在复杂城市场景下的泛化能力，已成为热点方向。该数据集的推出不仅促进了德国本土交通标志识别技术的标准化评估，也为全球智能驾驶系统的合规性验证提供了重要参考，具有显著的工程应用价值与学术影响力。