-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.4 2023-06-20 라벨링데이터 수정 1.3 2022-12-12 원천데이터, 라벨링데이터 수정 1.2 2022-11-23 원천데이터, 라벨링데이터 수정 1.1 2022-09-28 라벨링데이터 수정 Training, Validation > 라벨링데이터_0928_add 개방 1.0 2022-07-14 데이터 최초 개방 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2022-11-07 데이터셋 담당자 정보 변경 2022-10-21 AI 모델 수정 2022-10-20 신규 샘플데이터 개방 2022-10-20 샘플데이터 및 AI 모델 수정 2022-07-14 콘텐츠 최초 등록 소개
총 7곳의 상권으로부터 CCTV 화각을 고려하여 수집된 데이터셋으로, 촬영 시간 및 촬영 장소의 다양성을 추구하며 비식별화를 통해 개인정보 문제를 해결한 학습용 데이터셋
구축목적
상권으로부터 유동인구의 특징 분석 인공지능 학습을 위한 데이터셋 구축
-
메타데이터 구조표 데이터 영역 영상이미지 데이터 유형 비디오 , 이미지 데이터 형식 jpg, mp4 데이터 출처 직접 수집 라벨링 유형 바운딩박스(이미지/동영상), 세그멘테이션 라벨링 형식 JSON 데이터 활용 서비스 특정 인상착의 인물 또는 그룹 탐색 서비스, 유동인구 분석을 통한 버스 노선 등의 도시개혁 정책 개정에 활용 가능 데이터 구축년도/
데이터 구축량2021년/3분 클립 6,600개(330시간) -
데이터 통계
데이터 통계 구분 분류 항목 시간 비율 구분 분류 항목 시간 비율 1 장소 자갈치시장 49.5H 15% 1 시간대 새벽(0~9시) 65.1H 19.70% 2 서면영광도서 앞 33H 10% 2 오전(9~12시) 81.8H 24.80% 3 사직구장 주변 상권 66H 20% 3 오후(12~16시) 55.4H 16.80% 4 중구 중앙동 주변 66H 20% 4 저녁(16~20시) 65.2H 19.80% 5 동래역 근처 16.5H 5% 5 야간(20~24시) 62.5H 18.90% 6 사상 시외버스 터미널 66H 20% 7 연산동 막걸리 골목 33H 10% 데이터 통계 구분 분류 항목 수량 비율 1 성별 분포 남자 53,723 63% 2 여자 31,524 37% 3 연령대 분포 미취학아동 1,015 1% 4 청소년 1,393 2% 5 청년 34,343 40% 6 중장년 48,496 57% 7 상의 유형 분포 상의_긴팔 1,826,233 28% 8 상의_반팔 4,434,147 68% 9 상의_민소매 50,187 1% 10 상의_원피스 209,241 3% 11 상의 색상 분포 상의_빨간색 242,019 4% 12 상의_주황색 86,841 1% 13 상의_노란색 191,406 3% 14 상의_초록색 215,466 3% 15 상의_파란색 1,016,220 16% 16 상의_보라색 84,739 1% 17 상의_분홍색 205,707 3% 18 상의_갈색 204,656 3% 19 상의_흰색 1,157,862 18% 20 상의_회색 916,885 14% 21 상의_검은색 2,198,007 34% 22 하의 유형 분포 하의_긴바지 5,017,387 77% 23 하의_반바지 1,165,135 18% 24 하의_치마 127,446 2% 25 하의_해당없음 209,840 3% 26 하의 색상 분포 하의_빨간색 48,573 0.70% 27 하의_주황색 14,395 0.20% 28 하의_노란색 57,746 0.90% 29 하의_초록색 73,911 1.10% 30 하의_파란색 798,183 12.20% 31 하의_보라색 15,029 0.20% 32 하의_분홍색 15,499 0.20% 33 하의_갈색 206,173 3.20% 34 하의_흰색 274,255 4.20% 35 하의_회색 938,482 14.40% 36 하의_검은색 3,868,460 59.30% 37 하의_해당 없음 209,102 3.20% 38 소지품 유형 분포 캐리어 5,205 0.10% 39 우산 303,552 4.70% 40 가방 1,081,869 16.60% 41 모자 813,428 12.50% 42 안경 119,146 1.80% 43 해당 없음 4,196,608 64.40% 44 애완동물 동행 여부 분포 동행하지 않음 6,500,015 99.70% 45 동행 19,793 0.30% -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드활용 모델
- PAR(Pedestrian-Attribute-Recognition) : Input 이미지로부터 CNN을 통해 특징을 추출하고 레이어별로 속성의 위치 예측 모듈을 통해 객체의 속성값을 예측하는 모델
활용 모델 데이터명 AI 모델 모델 성능 지표 응용서비스(예시) 유동인구 CCTV 영상 데이터 PAR, PAR-MD mA : 82% 이상 객체 속성기반 탐색 서비스 제작
서비스 활용 시나리오
- 상가의 CCTV는 24시간 상가 내 객체에 대하여 감시하며, 영상 데이터를 통합관제센터로 전송
- 전송된 영상 데이터를 인공지능 모델을 통해 분석하고 이미지를 질의하여 여러 CCTV로부터 특정 인물 혹은 그룹을 검색
- 분석된 결과를 통해 실종신고내역과 비교하여 특정 실종자의 최종확인 위치를 파악하고 유관 기관에 신고하여 조치
- 또한, 특정 그룹(같은 성별, 같은 연령대 등)의 선호 상점 및 자주 통행하는 골목 등의 분석에도 활용 가능
- PAR(Pedestrian-Attribute-Recognition) : Input 이미지로부터 CNN을 통해 특징을 추출하고 레이어별로 속성의 위치 예측 모듈을 통해 객체의 속성값을 예측하는 모델
-
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 사람 속성 탐지 모델(person attribute recognition) Object Detection PAR mA 82 % 84.59 %
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드1. 데이터 포맷
1. 데이터 포맷 과제명 주요 내용 수집 방법 데이터 구축량 데이터 형식 유동인구 분석을 위한 CCTV 영상 데이터 유동인구 분석을 위한 CCTV 영상 데이터 구축 직접 촬영 330시간 분량 영상/Json 맵핑 1. 데이터 포맷 사람 상점 자동차 예시 
속성값 성별, 연령대, 상·하의 유형 및 색상, 소지품, 애완동물 동행여부 공실, 주차장, 층수, 엘리베이터, 화장실 유무 이동방향, 상태 포맷 mp4, json mp4, json mp4, json 2. 어노테이션 포맷
2. 어노테이션 포맷 분류 속성명 속성 설명 데이터 필수여부 예시 타입 info year 촬영연도 int O 2021 (CCTV) version 버전정보 String O 1.1 date_created 촬영일자 String O 2021-01-01 15:00 day 촬영요일 String O fri weather 날씨 String X sunny username 사용자 ID String O admin video file_name 파일명 String O sample.mp4 (CCTV) resolution 비디오 해상도 및 컬러 Array[int] O [1920, 1080, 3] fps 촬영 프레임 int O 3 total_frame 영상 총프레임 int O 540 play_time 영상 시간 String O 0:03:00 in_out 실내·외 String O out location 촬영장소 String O seomyeon_yk_front location_type 촬영장소 상권 유형 String O downtown total_person 영상내 유동인구수 int O 1 annotations id 객체 ID String O person_1 frame_no 현재 프레임 int O 25 bbox 바운딩 박스 Array[int] O [100, 200, 100, 200] direction 이동방향 String O N top_type 상의 유형 String O long_sleeve top_color 상의 색상 String O white bottom_type 하의 유형 String O long_pants bottom_color 하의 색상 String O blue accessories 소지품 String O backpack pet 애완동물 동행 여부 int O 0 actor actor_id 연기자 ID String X actor_0 objects id 객체 ID String X car_1 frame_no 현재 프레임 int X 25 bbox 바운딩 박스 Array[int] X [100, 200, 100, 200] direction 이동방향 String X N state 상태 String X parking events id 객체 ID String X person_1 start_frame 이벤트 시작 프레임 int X 45 end_frame 이벤트 끝 프레임 int X 70 action 액션 유형 String X store_in action_position 액션 위치 Array[int] X store_2 categories person supercategory 객체 유형 String O person id 객체 ID String O person_1 gender 성별 String O male age 연령대 String O adult cam_in 객체 입장 프레임 Array[int] O [15] cam_in_direction 객체 입장 방향 Array[String] O [N] cam_out 객체 퇴장 프레임 Array[int] O [500] cam_out_direction 객체 퇴장 방향 Array[String] O [E] background store supercategory 객체 유형 String O store id 객체 ID String O store_2 empty 공실 여부 int X 0 category 객체 유형 String X restaurant segmentation 객체 위치좌표 Array[int][int] X [100,200], [200,300], [300,400], [400,500], [500,600] parking 주차장 유무 int X 1 toilet 화장실 유무 int X 0 floor 층수 int X 2 elevator 엘리베이터 유무 int X 1 car supercategory 객체 유형 String O car id 객체 ID String O car_3 cam_in 객체 입장 프레임 Array[int] X [20] cam_in_direction 객체 입장 방향 Array[String] X [N] cam_out 객체 퇴장 프레임 Array[int] X [90] cam_out_direction 객체 퇴장 방향 Array[String] X [E] 3. 실제 예시
- 원천데이터(영상) : 3fps, FHD(1920x1080px) 해상도의 비식별화 처리된 3분 클립
- 라벨링 데이터 : 원천데이터와 동일한 이름으로 매칭되는 Json 포맷의 라벨
4. 데이터 저장구조- 상권의 영상 데이터는 상위 분류(촬영 상권)에 따른 하위분류(시간대)로 분류하여 폴더를 구성하고 저장
- 촬영 상권은 do-sa(동래역), ja-ma(자갈치 시장), ju-ja(중앙동), sa-bt(사상 터미널), sa-st(사직 야구장), se-yk(서면 영광도서), ye-ma(연산동 막걸리 골목) 총 7 곳으로 구성
- 촬영 시간대는 새벽(0-9시), 오전(9-12시), 오후(12-16시), 저녁(16-20시), 야간(20-24시)로 5개의 시간대로 구성
- 파일명은 (촬영일)_(촬영시간)_(요일)_(날씨)_(실내외)_(장소)_(카메라번호).mp4 / JSON으로 1set 구성
-
데이터셋 구축 담당자
수행기관(주관) : ㈜디아이솔루션
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 하석주 051-717-2503 [email protected] · 사업 총괄 · 데이터 검수 · AI 모델 개발 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜나래솔루션 · 데이터 수집 ㈜일주지앤에스 · 데이터 가공
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 [email protected] 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.