AI-Hub

데이터 변경이력

데이터 히스토리

소개

특수 차량(특수차, 화물차, 건설기계) 67종 외관 분류 및 형상을 인식할 수 있는 학습데이터셋

구축목적

주행차량 관점에서 특수 차량 객체를 식별할 수 있는 학습데이터 구축

1. 데이터 구축 규모

• 차종 67종 1,155대 수집, 특수 차량 형상 데이터 1,035,341장 구축 
• 특수 차량 외관 분류 2D Bounding Box 1,035,341장 구축
• 특수 차량 객체 인식 2.5D Bounding Box(Cuboid) 517,671장 구축

2. 데이터 분포

• 구축 데이터 분포

  1. 데이터 구축 규모

  대분류	중분류	소분류ID	소분류	수집량	주행컷	정지컷	합계
  특수차	견인식	M03	견인차 10톤 이상	37	31,102	13,072	44,174
  	구난형	M04	구난차(붐방식)	10	5,598	2,520	8,118
  		M05	구난차(줄렉카방식)	9	5,535	2,485	8,020
  		M06	구난차(언더리프트 방식)	27	22,272	10,072	32,344
  		M07	구난차(플랫베드 방식)	10	7,966	3,480	11,446
  		M08	구난차(잭리프트 방식)	7	4,000	1,800	5,800
  	특수	M09	1톤 고소작업차	9	3,197	3,120	6,317
  	용도형	M10	3.5톤 고소작업차	5	2,398	1,800	4,198
  		M11	고가사다리차(이삿짐차)	12	9,666	4,106	13,772
  		M12	고가사다리소방차	9	0	3,239	3,239
  		M13	오가크레인	27	18,810	8,362	27,172
  		M67	철스크랩	26	21,620	9,354	30,974
  		M68	리프트게이트	17	13,412	6,120	19,532
  		M69	포장탑차	23	17,877	8,262	26,139
  	승합	M14	구급차	16	0	5,722	5,722
  	특수형	M15	장의차	15	10,549	5,042	15,591
  		M16	헌혈차	7	0	2,758	2,758
  		M17	보도용차	14	800	4,080	4,880
  		M70	캠핑카	11	4,753	3,960	8,713
  화물차	덤프형	M18	화물덤프형 1톤 이하	6	3,996	1,800	5,796
  		M19	화물덤프형 5톤 미만	19	15,892	5,969	21,861
  		M20	화물덤프형 12톤 미만	10	8,924	2,880	11,804
  		M21	화물덤프형 12톤 이상	22	18,208	7,920	26,128
  	벤형	M22	화물탑차 1톤 이하	50	39,931	17,895	57,826
  		M23	화물탑차 5톤 미만	35	29,182	11,940	41,122
  		M24	화물윙바디 5톤 미만	36	29,626	12,118	41,744
  		M25	화물탑차 5톤 이상	11	9,610	3,895	13,505
  		M26	화물윙바디 5톤 이상	29	24,555	10,108	34,663
  	특수	M27	청소차(집게차)	11	8,848	3,895	12,743
  	용도형	M28	청소차(압축식)	21	17,057	7,380	24,437
  		M29	청소차(압롤트럭)	13	9,570	4,320	13,890
  		M30	노면청소차	13	9,865	3,540	13,405
  		M31	살수차	15	8,999	3,840	12,839
  		M32	소방차	14	796	5,037	5,833
  		M33	제설차	7	0	2,179	2,179
  		M34	냉장, 냉동차	43	35,463	15,381	50,844
  		M35	곡물, 사료운반	5	0	1,800	1,800
  		M36	유조차	21	16,911	7,199	24,110
  		M37	탱크로리	42	33,833	14,640	48,473
  		M38	피견인차(적재함형)	6	4,258	2,007	6,265
  		M39	피견인차(저상형)	7	3,626	2,270	5,896
  		M40	피견인차(평판형)	5	2,418	1,686	4,104
  		M41	피견인차(카라반)	4	0	1,919	1,919
  	화물	M71	화물카고1톤이하	38	30,221	13,630	43,851
  	카고	M72	화물카고5톤미만	43	34,001	15,109	49,110
  		M73	화물카고25톤미만	25	20,595	9,349	29,944
  		M74	화물카고25톤이상	13	10,277	4,288	14,565
  건설	자주식	M42	굴착기(타이어식)	28	0	11,122	11,122
  기계		M43	로더	31	0	11,425	11,425
  		M44	지게차	45	0	15,199	15,199
  		M46	기중기	16	0	6,884	6,884
  		M47	모터그레이더	13	0	5,640	5,640
  		M48	로울러	32	0	11,720	11,720
  		M51	콘크리트믹서트럭	15	10,345	5,400	15,745
  		M52	콘크리트펌프(붐 펌프)	10	11,074	4,751	15,825
  		M54	아스팔트피니셔	14	0	5,777	5,777
  		M55	특수건설기계(도로보수트럭)	2	800	740	1,540
  		M56	특수건설기계(노면파쇄기)	6	0	2,331	2,331
  		M57	특수건설기계	3	0	1,120	1,120
  			(터널용 고소작업차)
  		M58	불도저(타이어식)	3	0	1,320	1,320
  	견인식	M59	굴착기(무한궤도식)	43	0	16,005	16,005
  		M60	불도저(무한궤도식)	12	0	4,289	4,289
  		M63	공기압축기	14	0	5,040	5,040
  		M64	천공기	12	0	4,434	4,434
  		M65	항타 및 항발기	1	0	360	360
  합 계				1,155	628,436	406,905	1,035,341

• 대분류별 구축 수량

  대분류별 구축 수량

  구분	특수차	화물차	건설기계	합계
  수집량(대)	291	564	300	1,155
  데이터셋	278,909	620,656	135,776	1,035,341

• 중분류별 구축 수량

  중분류별 구축 수량

  특수차	견인식	구난형	승합특수형	특수용도형	합계
  수집량(대)	37	63	63	128	291
  데이터셋	44,174	65,728	37,664	131,343	278,909
  화물차	덤프형	벤형	특수용도형	화물카고	합계
  수집량(대)	57	161	227	119	564
  데이터셋	65,589	188,860	137,470	228,737	620,656
  건설기계	견인식	자주식			합계
  수집량(대)	82	218			300
  데이터셋	30,128	105,648			135,776

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

1. 모델학습

• 특수차량 종류 구분
  • 학습모델 구조: 머신러닝의 전형적인 지도학습(supervised learning) 설정을 따름 
    • 입력: 1장의 특수 차량 사진
    • 출력: 해당 차량의 종류에 대한 label 정보
  • 이미지 분류 모델 학습을 위해 다양한 계열의 딥러닝 알고리즘 적용 가능
    • 컨벌루션 신경망(CNN) 기반: VGGNet, GoogLeNet, ResNet, EfficientNet, DenseNet 등
    • 트랜스포머(Transformer) 기반:  Vision Transformer (ViT), Data-efficient Image Transformer (DeiT), TransFG 등.
  • 선택한 알고리즘에 데이터를 적용하여 모델 학습 :
    데이터는 취득된 데이터를 다음과 같이 세 그룹으로 구분하여 활용하며, 데이터 구분 시 각 그룹에 포함된 차량 종류 비율이 모두 유사해야 함(stratified 요건)

    1. 모델학습

    	학습(Training)	검증(Validation)	시험(Test)
    개요	– 모델 성능 지표를 올리기 위해 입력한 사진과 이에 해당하는 정답 출력값으로 구성된 데이터를 반복적으로 학습하는 과정 – 일반적으로 데이터를 2의 제곱 단위로 조금씩 묶어서(mini batch, 단위는 4,8,16, 32, ...) 학습에 적용하며, 학습에 사용하는 계산 자원이 클수록 큰 단위를 적용 – 반복 학습을 통해 성능 개선 – 딥러닝 모델은 일반적으로 데이터가 많을수록 성능이 개선됨	– 학습 도중 모델 성과 평가 및 비교 – 모델의 성과 지표는 알고리즘별로 설정된 학습 가이드 함수(loss function)과 실제 응용에서 고려할 평가 척도를 함께 살펴본다 – 모델의 학습이 더 필요한지(과소적합), 너무 학습을 많이 하였는지(과적합)를 성과 지표들을 통해 확인 – 일반적으로 과적합이 시작되는 시점 또는 성과 지표가 수렴하기 시작하는 시점의 모델을 선택	– 학습 완료된 모델 성능 시험 – 학습에 사용하지 않은 별개 데이터 적용 – 검증 단계에서 확인한 모델의 성과 지표뿐만 아니라, 실제 응용 단계에서 고려할 다양한 특성을 만족하는지 확인
    필요 데이터	– 취득 데이터의 80%	– 취득 데이터의 10% – 차량 종류의 비율이 학습 데이터와 유사해야 함	– 취득 데이터 10% – 차량 종류 비율이 학습 데이터와 유사해야 함

    * ResNet 알고리즘의 파라미터
    * TransFG 알고리즘의 파라미터 
• 특수차량 큐보이드 탐지
  • 학습모델 구조 : 다음과 같은 설정이 필요함
    • 입력 : 1장의 특수차량 포함 사진
    • 필수 전처리 : 사물 탐지를 통해 다음 경계상자를 인식하여 추가로 입력해야 함. 해당 사진에서 특수 차량 전체에 대한 경계상자(bbox-B), 전문에 대한 경계상자(bbox-F), 후면에 대한 경계상자(bbox-R)
    • 출력 : 특수 차량에 대한 큐보이드 정보
      (3차원 bbox에 준하는 2차원 사진 상의 꼭지점 좌표 정보) 
  • 이러한 모델 학습을 위 차량 전면 및 후면 경게상자 인식을 위한 탐지(object detection) 알고리즘과, 큐보이드 예측을 위한 알고리즘 필요
    • 사물 탐지(object detection) 알고리즘: Yolo 계열 알고리즘(Yolo v3, v5 등), SSD 계열 알고리즘, Faster R-CNN 계열 알고리즘, 트랜스포머 계열(DETR) 알고리즘 등 다양한 선택지 존재
    • 큐보이드 좌표 예측 알고리즘 : 전면 및 후면 경계상자 좌표 정보를 이용하여 물체 vanishing point 계산 후 전체/전면/후면 경계상자와 vanishing point 정보를 바탕으로 최종적으로 객체의 큐보이드 꼭지점 좌표 계산
  • 선택한 알고리즘 데이터를 적용하여 모델 학습:
    데이터는 취득된 데이터를 다음과 같이 세 그룹으로 구분하여 활용하며, 데이터 구분 시 각 그룹에 포함된 차량 종류 비율이 모두 유사해야 함(stratified 요건)

    1. 모델학습

    	학습(Training)	검증(Validation)	시험(Test)
    개요	– 모델 성능 지표를 올리기 위해 입력한 사진과 이에 해당하는 정답 출력값으로 구성된 데이터를 반복적으로 학습하는 과정 – 일반적으로 데이터를 2의 제곱 단위로 조금씩 묶어서(mini batch, 단위는 4,8,16, 32, ...) 학습에 적용하며, 학습에 사용하는 계산 자원이 클수록 큰 단위를 적용 – 반복 학습을 통해 성능 개선 – 딥러닝 모델은 일반적으로 데이터가 많을수록 성능이 개선됨	– 학습 도중 모델 성과 평가 및 비교 – 모델의 성과 지표는 알고리즘별로 설정된 학습 가이드 함수(loss function)과 실제 응용에서 고려할 평가 척도를 함께 살펴본다 – 모델의 학습이 더 필요한지(과소적합), 너무 학습을 많이 하였는지(과적합)를 성과 지표들을 통해 확인 – 일반적으로 과적합이 시작되는 시점 또는 성과 지표가 수렴하기 시작하는 시점의 모델을 선택	– 학습 완료된 모델 성능 시험 – 학습에 사용하지 않은 별개 데이터 적용 – 검증 단계에서 확인한 모델의 성과 지표뿐만 아니라, 실제 응용 단계에서 고려할 다양한 특성을 만족하는지 확인
    필요 데이터	– 취득 데이터의 80%	– 취득 데이터의 10% – 차량 종류의 비율이 학습 데이터와 유사해야 함	– 취득 데이터 10% – 차량 종류 비율이 학습 데이터와 유사해야 함

2. 서비스 활용 시나리오

• 자율 주행 차량을 위한 전용 모델
  • 도로 주행 차량 중 적은 비율이지만 반드시 구분할 필요가 있는 특수차량을 위한 전용 프로그램에 활용
  • 자율 주행 찰야에 연계된 도로 위 사물 인식 시스템의 한 모듈로서 포함됨
• CCTV 연동 전용 모델
  • 도로 주행 차량 중 적은 비율이지만 반드시 구분할 필요가 있는 특수차량을 위한 전용 프로그램에 활용
  • 자동차 주행 도로에 설치된 CCTV와 연계된 도로 위 사물 인식 시스템의 한 모듈로서 포함됨
• 블랙박스 영상 자동 분석 전용 모델
  • 사용자 요청에 따라 주행 차량의 블랙박스 자동으로 분석하는 솔루션에 적용

데이터 성능 점수

설명서 및 활용가이드 다운로드

1. 데이터 소개

• 현재 국내 자율주행을 위한 주행 영상 관점의 이동 객체 학습데이터 구축 현황을 기준으로 보면 차량에 대한 객체 분류에서 특수 차량이 차지하고 있는 비중이 낮은 편이며, 특수 차량의 다양한 형태에 대한 속성 정의 가 미비한 상황. 특히, 자율주행 객체 인식 관점에서 특수 차량은 차제가 크기 때문에 정확히 인식하지 못하는 경우 대형사고로 이어질 수 있음. 따라서 다양한 특수 차량 종류와 객체를 인식할 수 있는 자율주행 알고리즘 개발이 필요함. 이에 주행 차량 관점에서 특수 차량(특수차, 화물차, 건설기계) 67종의 1,000대 이상의 외관을 분류하고, 형상을 인식할 수 있는 학습데이터를 구축함

2. 대표도면

1. 데이터 소개

구분	원천데이터	라벨링데이터
2D
Bounding Box
2.5D
Bounding
Box
(Cuboid)
형식	jpg	json

• 원천데이터
  • 특수차량 외관 360도를 촬영한 원시데이터(mp4)에서 추출한 이미지(jpg) 데이터
• 라벨링데이터
  • 원천데이터(jpg)에 특수차량 외관 분류를 위해 2D Bounding Box 처리 데이터
  • 원천데이터(jpg)에 특수차량 형상인식을 위해 2.5D Bounding Box(Cuboid) 처리 데이터

3. 라벨링 데이터 구성

4. 라벨링 데이터 예시

•  {
      "rawDataInfo": {
          "rawDataID": "P_210810_P_01_M03_11_01_D",
          "copyrighter": "㈜미디어그룹사람과숲",
          "resolution": "1920*1080",
          "date": "2021-08-10",
          "StartTime": "11:37:47",
          "EndTime": "11:54:55",
          "length": 1028,
          "season": "Summer",
          "weather": "Sunny",
          "precip": 0,
          "temp": 29,
          "condition": "Driving",
          "fps": 10,
          "fStop": "F/13",
          "exposureTime": "10/600",
          "ISO": 200,
          "LargeCategoryId": "특수차",
          "MediumCategoryId": "견인식(특수차)",
          "SmallCategoryId": "견인차 10톤 이상",
          "fileExtension": "mp4"
      },
      "sourceDataInfo": {
          "sourceDataID": "P_210810_P_01_M03_11_01_D_0066",
          "fileExtension": "jpg"
      },
      "learningDataInfo": {
          "path": null,
          "LearningDataId": "P_210810_P_01_M03_11_01_D_0066",
          "fileExtension": "json",
          "objects": [
              {
                  "annotation": "cuboid",
                  "front": {
                      "points": [
                          {
                              "x": 1336.0551053622298,
                              "y": 316.75915511374444
                          },
                          {
                              "x": 1575.3170384346786,
                              "y": 316.75915511374444
                          },
                          {
                              "x": 1575.3170384346786,
                              "y": 594.2373346008391
                          },
                          {
                              "x": 1336.0551053622298,
                              "y": 594.2373346008391
                          }
                      ]
                  },
                  "back": {
                      "points": [
                          {
                              "x": 1224.9132507821223,
                              "y": 317.6759883997338
                          },
                          {
                              "x": 1463.4432507821225,
                              "y": 317.6759883997338
                          },
                          {
                              "x": 1463.4432507821225,
                              "y": 673.2859883997338
                          },
                          {
                              "x": 1224.1431807321214,
                              "y": 668.8337598960768
                          }
                      ]
                  }
              },
              {
                  "annotation": "bbox",
                  "coords": {
                      "tl": {
                          "x": 1227.073258081839,
                          "y": 321.90999999999997
                      },
                      "tr": {
                          "x": 1573.5713625536132,
                          "y": 321.90999999999997
                      },
                      "bl": {
                          "x": 1227.073258081839,
                          "y": 642.4699999999999
                      },
                      "br": {
                          "x": 1573.5713625536132,
                          "y": 642.4699999999999
                      }
                  },
                  "left": 1227.073258081839,
                  "top": 321.90999999999997,
                  "width": 346.49810447177407,
                  "height": 320.56,
                  "angle": 0
              }
          ]
      }
  }
   

데이터셋 구축 담당자

수행기관(주관) : ㈜미디어그룹사람과숲

수행기관(참여)

데이터 관련 문의처