AI 기반 아동 미술심리 진단을 위한 그림 데이터 구축
- 분야영상이미지
- 유형 이미지
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-12-15 데이터 최종 개방 1.0 2023-05-26 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2023-12-15 산출물 전체 공개 2023-05-31 데이터 관련 문의처 수정 소개
□ 다양한 연령대(7~13)와 성별의 아동 7,000명으로부터 수집한 4개 HTP 분류(집, 나무, 여자사람, 남자사람) 그림 56,000건과 그림 내 주요 객체에 대한 바운딩박스 라벨링을 시행한 라벨링 데이터 56,000건으로 구성 □ 심리 해석이 포함된 의료 데이터가 아닌 객체 인식을 위한 그림 데이터로서 법적 문제가 없는 데이터를 확보
구축목적
AI 기반의 아동 미술 심리 진단을 하기 위해, HTP 검사 (House-Tree-Person test) 그림 데이터와 바운딩박스 라벨링을 통해 객체 인식 모델 학습용 데이터를 구축
-
메타데이터 구조표 데이터 영역 영상이미지 데이터 유형 이미지 데이터 형식 jpg 데이터 출처 자체 수집 라벨링 유형 바운딩박스(이미지) 라벨링 형식 JSON 데이터 활용 서비스 AI를 기반으로 아동 그림으로부터 주요 객체를 인식하고, 이를 기반으로 아동 심리 분석 결과를 제공하는 서비스 데이터 구축년도/
데이터 구축량2022년/이미지, 라벨 각 56,000건 -
1. 데이터 구축 규모
-이미지 총 56,000건, 라벨 56,000건2. 데이터 분포
2. 데이터 분포 클래스 수량 비율 집 14,000건 25% 나무 14,000건 25% 여자사람 14,000건 25% 남자사람 14,000건 25%
3. 클래스별 라벨 구성3. 클래스별 라벨 구성 클래스 라벨 집 집전체 지붕 집벽 문 창문 굴뚝 연기 울타리 길 연못 산 나무 꽃 잔디 태양 나무 나무전체 기둥 수관 가지 뿌리 나뭇잎 꽃 열매 그네 새 다람쥐 구름 달 별 클래스 라벨 여자사람 사람전체 머리 얼굴 눈 코 입 귀 머리카락 목 상체 팔 손 다리 발 단추 주머니 운동화 여자구두 남자사람 사람전체 머리 얼굴 눈 코 입 귀 머리카락 목 상체 팔 손 다리 발 단추 주머니 운동화 남자구두 -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드1. 학습 모델 선정
- HTP 객체 인식 모델 개발을 위해 후보 4종(Faster R-CNN, SSD, YOLOv5, EfficientDet) 중 [email protected] 기준으로 성능이 가장 우후한 YOLOv5 모델을 선정2. 개발 모델
- YOLOv5 알고리즘을 활용하여 구축한 4개 분류 데이터 별 객체 인식 모델 4종을 개발3. 개발 모델 개요
4. 학습 데이터 유형 및 클래스 정의
- 집: 15개 객체
- 나무: 14개 객체
- 여자사람: 18개 객체
- 남자사람: 18개 객체
5. 성능 평가 결과5. 성능 평가 결과 성능 지표 목표 검증 결과 달성여부 집 나무 여자사람 남자사람 Accuracy 82% 이상 86 87 92 91 달성 mAP 75% 이상 96 96 97 97 달성 Top-1-err 17% 이하 14 13 8 9 달성 -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 객체 탐지 성능 Object Detection YOLO v5 mAP@IoU 0.5 75 % 95.43 %
※ 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 다운로드데이터셋 구성
1. 원천데이터- 아동 그림 데이터를 1280x1280으로 리사이징 한 이미지 데이터
2 라벨링 데이터- 라벨 항목 구성
2 라벨링 데이터- 라벨 항목 구성 구분 속성명 타입 필수여부 설명 범위 1 meta object Y 메타 정보 1-1 meta.img_id string Y 이미지 ID 1-2 meta.contributor string Y 원시데이터 수집 기관명 1-3 meta.date_created string Y 원시데이터 수집일 1-4 meta.img_path string Y 이미지 파일 경로 1-5 meta.label_path string Y 라벨 파일 경로 1-6 meta.img_size number Y 이미지 파일 크기 1-7 meta.img_resolution string Y 이미지 파일 해상도 1-8 meta.age number Y 아동 나이 7~13 1-9 meta.sex string Y 아동 성별 2 annotations object Y 어노테이션 정보 2-1 annotations·anno_id string Y 어노테이션 고유 ID 2-2 annotations.class string Y 객체 분류명 2-3 annotations.bbox_count number Y 이미지 내 Bounding Box 개수 2-4 annotations.bbox array Y Bounding Box 정보 2-4-1 annotations.bbox.{} object Y 개별 Bounding Box 정보 2-4-1-1 annotations.bbox.{}.label string Y 객체 라벨명 2-4-1-2 annotations.bbox.{}.x number Y Bounding Box 좌상단 x축 좌표 0~1280 2-4-1-3 annotations.bbox.{}.y number Y Bounding Box 좌상단 y축 좌표 0~1280 2-4-1-4 annotations.bbox.{}.w number Y Bounding Box 가로 길이 0~1280 2-4-1-5 annotations.bbox.{}.h number Y Bounding Box 세로 길이 0~1280 3 shape_description object Y 객체 크기, 개수, 위치 정보 3-1 shape_description.prop_obj_img array Y 그림 영역 대비 각 객체 비율 3-1-1 shape_description.prop_obj_img.[] array Y 3-1-1-1 shape_description.prop_obj_img.[].[] number N 항목값 0~1 3-2 shape_description.prop_obj_cls array Y 집, 나무, 사람 객체 대비 각 객체의 비율 3-2-1 shape_description.prop_obj_cls.[] array Y 3-2-1-1 shape_description.prop_obj_cls.[].[] number N 항목값 0 3-3 shape_description.prop_obj_face array N 머리 대비 눈, 코, 입, 귀 비율 3-3-1 shape_description.prop_obj_face.[] array N 3-3-1-1 shape_description.prop_obj_face.[].[] number N 항목값 0 3-4 shape_description.num_obj array Y 객체별 개수 3-4-1 shape_description.prop_obj_face.[] number Y 항목값 3-5 shape_description.centroid_cls array Y 집, 나무, 사람 객체 중심점 좌표 3-5-1 shape_description.centroid_cls.[] number Y 0~1 3. 라벨링데이터 실제예시
4. 구축 데이터 시각화
-
데이터셋 구축 담당자
수행기관(주관) : 고양시
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 안동수 031-8075-2570 [email protected] 총괄 책임 수행기관(참여)
수행기관(참여) 기관명 담당업무 고양시학원연합회 데이터 수집 및 정제 ㈜대가들이사는마을 데이터 가공 ㈜마음의숲 데이터 검수 및 품질 관리 ㈜메이팜소프트 AI모델 및 응용서비스 개발 ㈜아이웹 홍보 및 데이터 활용 경진대회 운영 ㈜인사이터 데이터 정제 및 가공 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 남성전 1833-5676 [email protected]
-
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.