中国交通标志目标检测数据集：58类别 | 目标检测

原创于 2026-07-07 21:37:23 发布 · 41 阅读

2 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

中国交通标志目标检测数据集：58类别 | 目标检测

源码数据分享

通过网盘分享的文件：中国交通58类标志识别-中文标签对应数据集
链接: https://pan.baidu.com/s/1jXW_ABRIYhJGQCjtGg_oKA?pwd=akdv
提取码: akdv

在这里插入图片描述

一、交通标志识别技术的战略意义

1.1 自动驾驶感知系统的核心模块

交通标志识别（Traffic Sign Recognition, TSR）是自动驾驶感知系统中不可或缺的核心模块。在SAE定义的L0到L5六个自动驾驶等级中，TSR在L2及以上等级中均为必需功能。从技术架构上看，TSR模块位于感知层，负责从图像中定位和识别交通标志，为决策规划模块提供道路规则信息。

一个完整的TSR系统包含两个子任务：

交通标志检测（TSD）：在图像中定位交通标志的位置，输出边界框
交通标志分类（TSC）：对检测到的标志进行细粒度分类

本数据集同时支持这两个子任务，且以目标检测为主，分类可通过裁剪检测区域后进行二次识别实现。

1.2 中国交通标志体系的独特性

中国交通标志严格遵循国家标准GB 5768系列，与欧洲的维也纳公约标志体系和美国的MUTCD标志体系存在显著差异：

颜色编码系统：

红色：禁令标志（禁止、限制）
蓝色：指示标志（指令、指引）
黄色：警告标志（注意、危险）
绿色：指路标志（方向、距离）

形状编码系统：

圆形：禁令和指示
三角形：警告
矩形：指路和辅助

文字与符号：

中国标志使用中文文字，如"限速5km/h"
特有的标志类型，如"禁止鸣喇叭"、"注意儿童"等

这种独特性意味着，直接使用国外数据集（如德国GTSRB、比利时BTSD）训练的模型，在中国道路上的表现会显著下降，必须有本土化的数据集支撑。

1.3 交通标志识别的难点分析

实际道路场景中的交通标志识别面临多重挑战：

环境因素：

光照变化：日出、正午、黄昏、夜间光照差异极大
天气干扰：雨、雪、雾、强光、逆光等降低图像质量
季节变化：植被遮挡程度随季节变化

标志状态：

老化褪色：长期暴露导致颜色衰减
损坏变形：事故或自然因素导致变形
遮挡覆盖：树枝、建筑物、其他车辆遮挡
临时标志：施工区域的临时标志与正式标志差异大

拍摄条件：

远距离小目标：高速行驶中远处标志在图像中仅占几个像素
运动模糊：车辆高速行驶导致图像模糊
透视畸变：斜角度拍摄导致标志变形

二、数据集深度解析

2.1 核心规格总览

参数项	具体数值/描述
图像总量	12000张
类别数量	58类
标注方式	YOLO格式边界框标注
标注类型	全人工精细化标注
数据划分	train / val / test
分辨率	多尺度（适配不同模型输入）
适配模型	YOLOv5/v8/v11、Faster R-CNN、SSD等

在这里插入图片描述

2.2 58类标志体系详解

数据集共包含58类交通标志，按照国家标准分为四大类别：

限速标志（8类，ID 0-7）

ID	标志名称	典型场景
0	限速5km/h	小区内部道路、停车场
1	限速15km/h	学校区域、小区道路
2	限速30km/h	城市支路、村庄道路
3	限速40km/h	城市次干道
4	限速50km/h	城市主干道
5	限速60km/h	城市快速路
6	限速70km/h	郊区道路
7	限速80km/h	高速公路匝道

限速标志的识别精度直接影响自动驾驶系统的速度控制决策，是最关键的安全相关标志类型。

禁令标志（约17类，ID 8-24）

涵盖禁止直行和左转、禁止直行和右转、禁止掉头、禁止鸣喇叭、禁止超车、禁止停车、禁止驶入等常见禁令标志。禁令标志通常为红色边框圆形，识别的关键在于文字和符号的区分。

指示标志（约15类，ID 25-39）

包括直行、向左转、向右转、直行和左转、直行和右转、靠右侧行驶等指示标志。指示标志通常为蓝色背景圆形或矩形，识别的关键在于箭头方向的判定。

警告标志（约18类，ID 40-57）

包含注意行人、注意儿童、注意施工、注意信号灯、注意危险、停车检查等警告标志。警告标志通常为黄色背景三角形，识别的关键在于内部图案的区分。

2.3 数据分布分析

58类的数据分布需要关注以下关键指标：

类别均衡性：各类别样本数是否均衡，避免长尾分布导致少数类别检测效果差
场景多样性：同一标志在不同场景下的变体是否充分覆盖
尺度分布：小目标（远距离标志）与中/大目标的比例是否合理

2.4 标注质量保障

全人工精细化标注是本数据集的核心优势之一：

边界框紧贴度：标注框紧贴标志边缘，留白不超过5像素
类别映射准确性：每条标注的类别编号与实际标志严格对应
无漏标保证：图像中所有可见标志均被标注
多轮校验：标注结果经过至少两轮独立审核

三、模型训练全流程实战

3.1 数据集配置文件

# traffic_sign_58.yaml
path: datasets/中国交通标志识别数据集
train: images/train
val: images/val
test: images/test

nc: 58
names:
  0: 限速5km/h
  1: 限速15km/h
  2: 限速30km/h
  3: 限速40km/h
  4: 限速50km/h
  5: 限速60km/h
  6: 限速70km/h
  7: 限速80km/h
  8: 禁止直行和左转
  9: 禁止直行和右转
  10: 禁止掉头
  11: 禁止鸣喇叭
  12: 禁止超车
  13: 禁止停车
  14: 禁止驶入
  # ... 其余类别
  57: 停车检查

3.2 基线模型训练

from ultralytics import YOLO

# 使用YOLOv8s作为基线模型
model = YOLO('yolov8s.pt')

results = model.train(
    data='traffic_sign_58.yaml',
    epochs=150,
    imgsz=640,
    batch=32,
    patience=30,
    lr0=0.01,
    mosaic=1.0,
    mixup=0.1,
    hsv_h=0.015,
    hsv_s=0.7,
    hsv_v=0.4,
    project='traffic_sign',
    name='yolov8s_baseline'
)

在这里插入图片描述

3.3 针对交通标志的优化策略

颜色保持增强：

交通标志的颜色信息对识别至关重要（红色=禁令，蓝色=指示，黄色=警告），过度的颜色增强可能破坏这一关键特征：

# 适度HSV增强参数
hsv_h: 0.01   # 色调变化极小，保持颜色信息
hsv_s: 0.3    # 饱和度适度变化
hsv_v: 0.4    # 明度可较大范围变化，模拟不同光照

小目标检测优化：

高速场景中的远距离交通标志属于小目标，通常小于32×32像素。优化策略：

增加输入分辨率至1280×1280
添加P2检测头（步长4），增加小目标感受野
使用自适应训练采样，提高小目标的训练比例
在损失函数中增加小目标权重

类别不均衡处理：

58类标志在现实中出现频率差异很大（限速60远多于限速5），处理策略：

使用Focal Loss降低简单样本权重
对少数类别进行过采样或Copy-Paste增强
调整各类别的损失权重

3.4 高级训练技巧

知识蒸馏：

使用大模型（YOLOv8x）作为教师模型，小模型（YOLOv8n）作为学生模型，通过知识蒸馏在保持精度的同时大幅降低模型尺寸，适合边缘部署。

多尺度推理：

在推理阶段使用多尺度测试（TTA），可以提升小目标的检测精度：

results = model.val(
    data='traffic_sign_58.yaml',
    augment=True,  # 启用TTA
    imgsz=640
)

模型集成：

训练多个模型并集成预测结果，可以进一步提升检测稳定性：

不同架构的模型（YOLOv8 + RT-DETR）
不同尺度的模型（YOLOv8s + YOLOv8m）
不同训练策略的模型（不同随机种子）

四、部署方案与系统集成

4.1 车载部署方案

交通标志识别系统的车载部署面临严格约束：

约束项	要求	应对策略
实时性	>30FPS	轻量级模型 + TensorRT加速
功耗	<10W	量化推理 + NPU加速
可靠性	>99.9%	多模型冗余 + 置信度过滤
延迟	<50ms	端侧推理 + 流水线并行

4.2 边缘设备选型

设备	算力	功耗	推荐模型	适用场景
Jetson Orin Nano	40 TOPS	15W	YOLOv8s	量产车型
Jetson AGX Orin	275 TOPS	60W	YOLOv8m	研发测试
地平线征程5	128 TOPS	30W	YOLOv8s	国产量产
瑞芯微RK3588	6 TOPS	10W	YOLOv8n	后装方案

4.3 系统集成接口

class TrafficSignDetector:
    def __init__(self, model_path, conf_thres=0.5):
        self.model = YOLO(model_path)
        self.conf_thres = conf_thres
        # 限速值映射
        self.speed_limit_map = {
            0: 5, 1: 15, 2: 30, 3: 40, 
            4: 50, 5: 60, 6: 70, 7: 80
        }
    
    def detect(self, frame):
        """单帧检测"""
        results = self.model(frame, conf=self.conf_thres)
        signs = []
        for result in results:
            for box in result.boxes:
                cls_id = int(box.cls)
                conf = float(box.conf)
                bbox = box.xyxy.tolist()[0]
                signs.append({
                    'class_id': cls_id,
                    'class_name': result.names[cls_id],
                    'confidence': conf,
                    'bbox': bbox
                })
        return signs
    
    def get_speed_limit(self, signs):
        """提取当前限速值"""
        for sign in signs:
            if sign['class_id'] in self.speed_limit_map:
                return self.speed_limit_map[sign['class_id']]
        return None

在这里插入图片描述

五、业务应用场景

5.1 高级驾驶辅助系统（ADAS）

在L2级ADAS中，交通标志识别用于：

限速提示：检测到限速标志后在仪表盘/HUD上显示
超速警告：当前车速超过检测到的限速值时发出警告
禁止提示：检测到禁行/禁转标志时提醒驾驶员

5.2 自动驾驶感知模块

在L3+级自动驾驶中，TSR是感知模块的必要组件：

行为规划约束：限速值约束速度规划，禁令约束路径选择
规则遵守验证：验证规划轨迹是否违反交通规则
地图更新验证：与高精地图中的标志信息交叉验证

5.3 智能交通监控

在交通管理领域，TSR技术用于：

违章检测：识别闯红灯、违规变道等行为
标志完好性检查：检测损坏或遮挡的标志，安排维护
交通流量统计：基于标志位置关联分析交通流量

5.4 驾驶员培训与考核

在驾培领域，TSR技术可以辅助：

标志知识教学：实时识别并讲解当前标志含义
驾驶行为评估：判断驾驶员是否遵守标志指示
模拟考试评分：自动评判科目三考试中的标志遵守情况

六、性能评估与对比

6.1 评估指标体系

交通标志检测的评估应从多个维度进行：

评估维度	指标	说明
整体精度	mAP50	IoU=0.5时的平均精度
严格精度	mAP50-95	IoU从0.5到0.95的平均精度
实时性	FPS	每秒处理帧数
参数量	Params	模型参数量（影响存储）
计算量	FLOPs	模型计算量（影响推理速度）