交通信号灯检测数据集 | 3200张YOLO自动驾驶数据集
适用于自动驾驶感知、智能交通管控与目标检测研究
一、数据集概述
本数据集面向 计算机视觉 目标检测任务，专为交通信号灯状态 识别模型 训练、验证与测试设计，共包含约3200张高质量标注图像，覆盖8类交通信号灯状态（颜色×箭头方向组合）。该数据集可广泛应用于自动驾驶感知、智能交通管控、辅助驾驶与车路协同等场景，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。
随着自动驾驶技术和智能交通系统的快速发展，利用计算机视觉技术实现交通信号灯状态的精准识别已成为保障自动驾驶安全、提升交通管控效率的重要手段。本数据集针对交通信号灯检测场景中颜色区分、箭头方向细粒度识别、光照与天气变化等问题进行专项构建，可为自动驾驶感知系统与智能交通设备提供高质量数据支撑。
数据集下载
通过网盘分享的文件：交通信号灯检测-8类
链接: https://pan.baidu.com/s/14W5f-NGXZxxsOzqwbTLFIg?pwd=s9sj
提取码: s9sj
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 交通信号灯检测数据集 |
| 数据规模 | 约3200张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 8类交通信号灯状态 |
| 类别数量（nc） | 8类 |
| 标注方式 | Bounding Box目标框标注 |
| 数据格式 | YOLO标准格式 |
| 数据来源 | 真实道路场景采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等 |
三、数据集类别说明
本数据集为多类别细粒度目标检测数据集，共设置8个检测类别，以颜色（红/绿）×箭头方向（圆形/左转/右转/直行）的组合方式划分，覆盖交通信号灯的主要状态类型，类别划分精细，贴合自动驾驶感知实际需求。
类别配置
nc: 8
names:
- green_circle
- green_left
- green_right
- green_straight
- red_circle
- red_left
- red_right
- red_straight
类别详情
| 类别ID | 类别名称 | 英文名称 | 颜色 | 箭头方向 | 类别说明 |
|---|---|---|---|---|---|
| 0 | 绿灯-圆形 | green_circle | 绿色 | 圆形 | 绿色圆形信号灯，允许通行 |
| 1 | 绿灯-左转 | green_left | 绿色 | 左转箭头 | 绿色左转箭头信号灯 |
| 2 | 绿灯-右转 | green_right | 绿色 | 右转箭头 | 绿色右转箭头信号灯 |
| 3 | 绿灯-直行 | green_straight | 绿色 | 直行箭头 | 绿色直行箭头信号灯 |
| 4 | 红灯-圆形 | red_circle | 红色 | 圆形 | 红色圆形信号灯，禁止通行 |
| 5 | 红灯-左转 | red_left | 红色 | 左转箭头 | 红色左转箭头信号灯 |
| 6 | 红灯-右转 | red_right | 红色 | 右转箭头 | 红色右转箭头信号灯 |
| 7 | 红灯-直行 | red_straight | 红色 | 直行箭头 | 红色直行箭头信号灯 |
八类设计以颜色（红/绿）×箭头方向（圆形/左转/右转/直行） 的二维组合方式，完整覆盖交通信号灯的主要状态类型。颜色与箭头方向的细粒度区分是检测的核心挑战，适合多类别目标检测与细粒度分类研究。
四、数据集结构说明
数据集采用标准YOLO 目录结构 组织，已按训练集、验证集、测试集进行科学划分，结构清晰，便于直接接入主流检测框架。
交通信号灯检测-8类/
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
├── test
│ ├── images
│ └── labels
└── data.yaml
各数据集作用如下：
- train/images & labels：训练集图像与标签，用于模型参数学习与特征提取；
- valid/images & labels：验证集图像与标签，用于超参数调优、早停监控及防止过拟合；
- test/images & labels：测试集图像与标签，用于最终模型性能评估与泛化能力测试。
标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，配套 data .yaml已配置好类别名称与数量，可直接适配YOLO系列等目标检测框架。
五、数据集核心优势
1. 专注交通信号灯细粒度识别
本数据集以交通信号灯状态识别为核心任务，所有图像聚焦于真实道路场景下的信号灯目标采集，以颜色×箭头方向的组合方式划分8个细粒度类别。类别设计贴合自动驾驶感知与智能交通管控实际需求，更利于训练出针对信号灯的高精度识别模型。
覆盖场景包括：
- 城市道路交叉路口
- 不同信号灯安装高度与角度
- 不同距离（近景/中景/远景）
- 不同天气条件
- 不同光照条件
能够有效提升模型的实际部署效果。
2. 完整的信号灯状态覆盖
8类标签以二维组合方式形成完整覆盖：
颜色维度： 红色（禁止）、绿色（通行）
箭头维度： 圆形（通用）、左转、右转、直行
组合覆盖了交通信号灯的主要状态类型，为自动驾驶路口通行决策提供全面的信号灯感知基础。
3. 丰富的环境条件覆盖
数据覆盖：
- 天气条件：晴天、阴天、雨天、雾天等
- 光照条件：白天强光、黄昏、夜间低照度、逆光等
- 拍摄距离：近距离信号灯特写、中距离、远距离小目标
- 信号灯形态：不同型号、不同尺寸、不同安装方式
- 背景环境：城市道路、路口、不同建筑与植被背景
对颜色与箭头细粒度区分有一定挑战，有效提升模型泛化能力。
4. 高质量人工标注
所有图像均经过高质量人工精准标注：
- 边界框规整、无漏标/错标
- 以信号灯整体为目标进行框选标注
- 8类状态（颜色+箭头）判别标准统一清晰
- 满足高精度细粒度检测模型训练需求
有效保证模型训练质量。
5. 即用型数据组织
标准目录结构+多类别配置，无需复杂预处理，下载即可直接用于模型训练，降低使用门槛。配套data.yaml已配置好类别名称与数量，一键启动训练。
6. 专为自动驾驶感知设计
信号灯状态识别是自动驾驶环境感知的核心能力之一。数据集在类别设计、场景覆盖、标注精度等方面均针对自动驾驶感知需求进行专项优化，可直接支撑自动驾驶感知系统的模型训练与算法验证。
六、适用场景
自动驾驶信号灯状态感知
为自动驾驶车辆提供交通信号灯的实时检测与状态识别能力，支撑路口通行决策。
智能交通信号管控
在智能交通系统中自动检测信号灯状态，辅助交通流优化与信号配时管理。
辅助驾驶与车路协同
为辅助驾驶系统提供信号灯状态信息，实现车路协同场景下的信号灯状态推送与预警。
路口通行决策支持
为路口场景下的车辆通行决策提供信号灯状态依据，提升通行安全与效率。
交通数据采集与分析
在交通调查中自动识别信号灯状态，辅助交通流量分析与路口运行评估。
教学科研
用于多类别目标检测、细粒度分类研究等科研场景。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 交通信号灯检测与识别研究（8类）
- 细粒度目标检测研究（颜色+箭头）
- 自动驾驶环境感知研究
- 智能交通系统（ITS）研究
- 低光照环境目标检测研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
- 域适应与跨场景泛化研究
- 多类别目标检测研究
- 车路协同与辅助驾驶研究
八、总结
交通信号灯检测数据集包含约3200张高质量标注图像，采用标准YOLO格式构建，专注于交通信号灯的状态检测与识别任务。数据集以颜色（红/绿）×箭头方向（圆形/左转/右转/直行）的组合方式覆盖绿灯-圆形、绿灯-左转、绿灯-右转、绿灯-直行、红灯-圆形、红灯-左转、红灯-右转、红灯-直行8类核心状态，具有类别精细、场景多样、标注精准等特点，可广泛应用于自动驾驶感知、智能交通管控、辅助驾驶与车路协同等领域，是开展交通信号灯检测算法研发与自动驾驶感知系统建设的优质数据资源。
