vertical-signage

Vertical Signage 是一个用于垂直交通标志检测与质量分类的公开数据集。数据集包含两个独立任务：一是基于边界框的检测任务，采用YOLO格式，分为训练、验证和测试集，检测类别包括四种葡萄牙语标识类型：regulamentacao（禁令标志）、advertencia（警告标志）、indicacao（指示标志）和percurso（路线标志）；二是质量分类任务，将标志图像分为“boa”（好）和“ruim”（差）两类，数据同样按训练、验证和测试集划分。此外，数据集中还提供了原始标注文件（JSON格式），存放于annotations/json_abril/目录下。该数据集适用于交通标志检测、分类及质量评估等计算机视觉任务。Vertical Signage is a publicly available dataset for vertical traffic sign detection and quality classification. The dataset comprises two independent tasks: the first is the bounding box-based detection task, which adopts the YOLO format and is split into training, validation and test sets, with detection categories covering four Portuguese sign types: regulamentacao (prohibition signs), advertencia (warning signs), indicacao (indicative signs) and percurso (route signs); the second is the quality classification task, which categorizes sign images into two classes: "boa" (good) and "ruim" (bad), and the data is also divided into training, validation and test sets. In addition, the raw annotation files in JSON format are provided in the dataset and stored under the directory annotations/json_abril/. This dataset is applicable to computer vision tasks such as traffic sign detection, classification and quality assessment.

原始信息汇总

数据集概述

Vertical Signage 是一个专注于垂直标牌（señalización vertical）的数据集，包含两个独立的任务：目标检测（bounding boxes）和质量分类（calidad）。

目录结构

数据集的根目录下包含以下主要部分：

• detection/：用于目标检测的YOLO格式数据集，包含图像、标签和数据集划分文件。
• quality/：质量分类数据，包含boa（好）和ruim（差）两个类别，并按train、val、test进行划分。
• annotations/json_abril/：原始标注文件，以JSON格式存储（名为json_abril）。

任务一：边界框检测

检测数据位于detection/目录下，具体结构如下：

• detection/images/：图像文件。
• detection/labels/：标签文件（YOLO格式）。
• detection/splits/train.txt、detection/splits/val.txt、detection/splits/test.txt：训练、验证和测试集的划分文件。
• detection/dataset.yaml：数据集配置文件。

检测类别包括4类：

• regulamentacao（法规）
• advertencia（警告）
• indicacao（指示）
• percurso（路径/路线）

任务二：质量分类

质量分类数据位于quality/目录下，分为两个类别：

• boa（好）
• ruim（差）

数据同样按train、val、test进行了划分。

原始标注

原始标注文件存放在annotations/json_abril/目录下，以JSON格式提供。

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，垂直标志牌的精准识别成为环境感知的关键环节。该数据集通过整合多源采集的图像数据，构建了涵盖检测与分类的双任务标注体系。原始数据经由专业标注人员处理，生成边界框坐标与质量标签，并按照训练、验证与测试需求划分数据子集。标注文件采用YOLO格式存储于detection目录，同时保留JSON原始标注于annotations目录，确保数据可追溯与复用。

特点

数据集的核心特点在于其双任务独立性与多类别划分。检测任务包含regulamentacao、advertencia、indicacao和percurso四类垂直标志，覆盖了常见交通标志的主要功能范畴。质量分类任务则区分boa与ruim两个等级，为模型鲁棒性评估提供依据。数据组织采用模块化结构，检测图像、标签、划分文件与配置文件各自独立，便于灵活调用。原始JSON标注的保留进一步增强了数据集的透明度和扩展潜力。

使用方法

使用该数据集时，研究者可依据任务需求分别加载检测或分类模块。检测任务中，通过detection/dataset.yaml配置类别与路径，利用splits目录下的train.txt、val.txt和test.txt进行模型训练与评估。分类任务则直接访问quality目录下按train、val、test划分的图像子集。如需原始标注信息，可解析annotations/json_abril中的JSON文件。整个流程支持标准深度学习框架的数据加载接口，适配YOLO系列及其他检测或分类模型。

背景与挑战

背景概述

垂直标志作为交通基础设施的关键要素，其自动化识别在智能交通系统与自动驾驶领域具有重要应用价值。vertical-signage数据集于近年构建，旨在同时支持垂直标志的边界框检测与质量分类两项独立任务。该数据集由研究人员创建，核心研究问题在于解决多类别交通标志检测与标志状态评估的联合需求。数据集涵盖regulamentacao、advertencia、indicacao和percurso四类标志，并提供boa与ruim两种质量标签及原始JSON标注。该数据集为交通标志检测算法提供了多任务基准，对推动鲁棒感知模型的发展具有积极影响。

当前挑战

该数据集所解决的领域问题——垂直标志检测与质量分类——面临多重挑战。在检测任务中，标志类别间视觉相似性高、尺度变化大及复杂背景干扰导致定位与分类精度难以提升；质量分类任务需区分boa与ruim，细微的退化差异对模型特征提取能力构成考验。构建过程中，原始JSON标注到YOLO格式的转换需保持标注一致性，质量标签的划分依赖主观判断，可能引入标注偏差。此外，数据集的场景多样性、光照条件及遮挡情况尚未明确，可能限制模型的泛化能力，这些因素共同构成了该数据集在实际应用中的主要挑战。

常用场景

经典使用场景

在智能交通系统与自动驾驶环境感知领域，垂直标志牌（vertical signage）的自动识别长期被视为道路场景理解的关键环节。该数据集以双任务架构同时支撑目标检测与质量分类，其中检测任务通过YOLO格式标注了规章、警告、指示及路线四类标志，质量任务则对标志图像进行良好与破损的二分类判定。研究者通常将其作为基准，评估模型在复杂光照、遮挡及视角变化下对垂直标志的定位与类别判别能力，并借助预设的训练、验证与测试划分进行可复现的对比实验。这一经典使用范式有效衔接了底层视觉感知与高层语义解析，为交通标志分析提供了标准化的实验平台。

解决学术问题

该数据集直面交通标志研究中长期存在的类别不均衡、标注标准不一以及质量退化干扰等学术难题。通过提供精细的边界框标注与独立的质量标签，它使研究者能够系统探究标志破损对检测精度的影响，并推动鲁棒性算法的发展。其多类别设定覆盖了规章、警告、指示与路线等关键语义，有助于揭示不同功能标志在视觉特征上的差异性。该数据集的公开填补了垂直标志领域缺乏统一评测基准的空白，为可解释性研究、域适应方法以及小样本学习提供了可靠的实证基础，对提升道路安全监测的自动化水平具有积极意义。

衍生相关工作

围绕该数据集，后续研究衍生出一系列具有影响力的工作。部分学者将其扩展至多模态融合领域，结合激光雷达点云与图像特征提升垂直标志的三维定位精度；另一些工作则利用质量标签探索半监督与自监督学习策略，以减轻人工标注负担。在算法层面，基于该数据集训练的轻量化检测网络被移植至嵌入式车载平台，推动了边缘计算在交通标志识别中的落地。此外，该数据集还激发了跨域迁移研究，例如将巴西交通标志的模型适应至欧洲或亚洲场景，相关成果发表于智能交通与计算机视觉领域的会议与期刊，持续拓展着垂直标志分析的研究边界。