-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2024-01-24 데이터 최종 개방 1.0 2023-07-31 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2024-01-24 산출물 전체 공개 소개
o 교통사고 발생 시간 기준으로 보았을 때, 야간 발생사고의 대부분이 도시에서 발생하고 있으며 대형사고 건수는 퇴근 시간대인 16-20 사이가 가장 많은 것으로 집계됐다. 교통사고 현황을 바탕으로 자율 주행 개발에 있어 야간 자동차 전용 도로 환경에 대한 데이터 수집 및 관련한 하드웨어적, 소프트웨어적 처리를 위한 기술 개발을 위해 한국 도심도로에서의 다양한 주행환경에 맞는 자율주행 학습을 위한 2D, 3D 데이터셋을 구축합니다.
구축목적
특히 야간 환경에서는 라이트를 켜지 않고 달리는 차량, 스텔스 차량을 도로에서 마주한다면 차량을 피하는 것은 인간 운전자에게도 쉽지 않은 일이기 때문에 Camera, LiDAR와 같은 비전 센서를 이용하여 해결해야 할 필요성이 있습니다. 따라서 대용량의 고품질 야간 환경에서의 자동차 전용 도로 데이터의 수집 및 가공을 통한 데이터셋 구축의 필요성이 대두되어 기존의 시스템을 개선하는 것을 목표로 2D 및 3D 데이터셋을 제공하고자 합니다.
-
메타데이터 구조표 데이터 영역 교통물류 데이터 유형 3D , 이미지 데이터 형식 이미지 : JPG, 기타 센서 정보 : JSON, LiDAR : PCD 데이터 출처 자체 수집 라벨링 유형 바운딩박스(이미지), 세그멘테이션(이미지) 라벨링 형식 이미지 : JSON, 포인트클라우드 : JSON 데이터 활용 서비스 자율주행 학습 및 연구, 객체 인지를 통한 거리 판단, 주행 환경에서 발생할 수 있는 돌발 상황을 대비하여 정지 또는 회피 동작의 판단 근거로 활용 데이터 구축년도/
데이터 구축량2022년/이미지 : 160,480장 -
◌ 데이터통계
- 구축 데이터 수량
데이터통계 - 구축 데이터 수량 구분 목표 구축 달성률 2D segmentation 160,480 160,480 100% 2D/3D 160,480 160,480 100% - 2D 세그멘테이션 객체 수량 분포
데이터통계 - 2D 세그멘테이션 객체 수량 분포 클래스 수량 비율 ambulance 85 0.00% background 155,569 8.78% bicycle 7 0.00% bus 6,754 0.38% constructionGuide 172 0.01% crossWalk 166 0.01% curb 215 0.01% eogVehicle 401 0.02% fense 546,513 30.86% freespace 127,062 7.17% motorcycle 24 0.00% otherCar 299 0.02% pedestrian 49 0.00% policeCar 33 0.00% rider 4 0.00% roadMark 114,825 6.48% rubberCone 369 0.02% safetyZone 8,187 0.46% schoolBus 2,135 0.12% sideWalk 130 0.01% speedBump 54 0.00% stopLane 203 0.01% trafficDrum 24 0.00% trafficLight 1,292 0.07% trafficSign 90,947 5.13% truck 15,128 0.85% twoWheeler 8 0.00% vehicle 162,904 9.20% warningTriangle 10 0.00% whiteLane 431,315 24.35% yellowLane 106,334 6.00% 합계 1,771,218 100% - 2D/3D 객체 수량 분포
데이터통계 - 2D/3D 객체 수량 분포 클래스 수량 비율 pedestrian 39 0.02% trafficLight 1,275 0.50% trafficSign 58,684 23.04% twoWheeler 11 0.00% vehicle 194,718 76.44% 합계 254,727 100% -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드활용 AI 모델 학습모델 항목 주간도심도로 SwinV2 선정사유 효과적으로 Transformer를 활용하여 Object Detection에서 뛰어난 성능을 보여주며 ObjectDetection관련 벤치마크 상당수가 Swin계열일 정도로 많이 활용됨 (2D box) PonitRCNN 선정사유 3차원 데이터를 3차원 학습 네트워크에 바로 활용하는 알고리즘으로 데이터 유실이 적다는 점에서 장점을 갖고 있으며 최근 발표되고 있는 3차원 객체 인식 알고리즘 관련 논문에서의 대표적인 비교 대상 알고리즘임 (3D cuboid) ConvNeXt 선정사유 Downstream task에서 Swin Transformer와 같은 FLOPs 대비 높은 성능 및 다양한 robustness 평가 데이터에서 좋은 성능을 갖는 모델, 다양한 클래스의 데이터셋에서 상대적으로 높은 성능을 나타냄 (2D segmentation) -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 2D Object Detection 성능 Object Detection convnext, swin, swinv2 mAP@IoU 0.5 46 % 54.17 % 2 3D Object Detection 성능 Detection PV-RCNN mAP 60 % 90.391 % 3 2D semantic segmentation 성능 Object Detection ConvNeXt mIoU 50 % 63.35 %
※ 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 다운로드◌ 어노테이션 포맷
- 2D 이미지어노테이션 포맷 - 2D 이미지/caption> 분류 속성명 속성 설명 구문 타입 필수 여부 information filename 파일명 string Y (기본 정보) resolution 이미지 해상도 array Y scene_meta section 데이터 분류 string Y (scene 정보) location 수집 지역 string Y case 시나리오 종류 string Y scene_number scene 번호 string Y environment_meta wether 날씨 string Y (환경 정보) date 날짜 integer Y time 시간대 string Y car_type 수집차량 종류 string Y traffic 교통량 string Y speed 차량 속도 string Y road_type 차선 폭 string Y annotations class 클래스명 string Y (가공 정보) polygon 가공 정보 array Y - 3D 이미지
어노테이션 포맷 - 3D 이미지/caption> 분류 속성명 속성 설명 구문 타입 필수 여부 information filename 파일명 string Y (기본 정보) resolution 이미지 해상도 array Y scene_meta section 데이터 분류 string Y (scene 정보) location 수집 지역 string Y case 시나리오 종류 string Y scene_number scene 번호 string Y environment_meta wether 날씨 string Y (환경 정보) date 날짜 integer Y time 시간대 string Y car_type 수집차량 종류 string Y traffic 교통량 string Y speed 차량 속도 string Y road_type 차선 폭 string Y annotations class 클래스명 string Y (가공 정보) location 위치 정보 array Y dimension 크기 정보 array Y yaw 회전축 정보 float Y bbox 가공 정보 array Y track_id 트랙킹 ID integer Y ◌ 실제 예시
- 이미지
"information": {
"filename": "18_201614_220907_40.jpg",
"resolution": [
1920,
1080
]
},
"Scene_meta": {
"zone": "울산-이예로",
"edge_case": [
"선행차 주행",
"정속 주행 유지"
],
"scene_number": "18_201614_220907"
},
"Environment_meta": {
"weather": "맑음",
"date": "2022-09-07",
"time": "20:16:14",
"car_type": "DN8",
"traffic_Type": 0,
"speed_type": 3,
"road_type": "자동차전용도로"
},
"annotations": [
{
"polygon": [
1,
1,
1920,
1,
1920,
1080,
542,
1080,
1,
1080
],
"class": "background"
},
{
"polygon": [
0,
728,
632,
662,
765,
662,
769,
669,
788,
669,
831,
672,
866,
679,
914,
687,
1047,
711,
1920,
832,
1920,
890,
1833,
886,
1795,
904,
1779,
934,
1822,
975,
1920,
1022,
1920,
1080,
0,
1080
],
"class": "freespace"
},
{
"polygon": [
991,
748,
1053,
747,
1102,
746,
1132,
769,
1017,
753
],
"class": "roadMark"
},
{
"polygon": [{ 610,
701,
604,
704,
658,
702,
661,
699,
628,
700
],
"class": "roadMark"
},
{
"polygon": [
257,
716,
257,
747,
267,
746,
267,
714
],
"class": "fense"
}
⋮
]
}{
"information": {
"filename": "18_201614_220907_40.jpg",
"resolution": [
1920,
1080
]
},
"Scene_meta": {
"zone": "울산-이예로",
"edge_case": [
"선행차 주행",
"정속 주행 유지"
],
"scene_number": "18_201614_220907"
},
"Environment_meta": {
"weather": "맑음",
"date": "2022-09-07",
"time": "20:16:14",
"car_type": "DN8",
"traffic_Type": 0,
"speed_type": 3,
"road_type": "자동차전용도로"
},
"annotations": [
{
"bbox": [
693,
652,
772,
714
],
"attribute": {
"occluded": 0,
"truncated": 0,
"track_id": 1,
"group": 0,
"type": "vehicle"
},
"class": "vehicle",
"dimension": [
1.7995,
1.4486,
3.4989
],
"location": [
44.0033,
5.4221,
-3.3709
],
"distance": 42.46,
"yaw": -0.12
},
{
"bbox": [
972,
641,
1108,
744
],
"attribute": {
"occluded": 0,
"truncated": 0,
"track_id": 7,
"group": 0,
"type": "vehicle"
},
"class": "vehicle",
"dimension": [
1.9996,
1.5497,
4.0997
],
"location": [
30.9084,
-1.103,
-2.4298
],
"distance": 29.07,
"yaw": -0.06
}
⋮
]
} -
데이터셋 구축 담당자
수행기관(주관) : ㈜인피닉
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 정지현 02-525-2202 [email protected] 데이터 설계, 가공, 검수 수행기관(참여)
수행기관(참여) 기관명 담당업무 대구경북과학기술원 데이터 수집, 정제 ㈜모빌테크 데이터 설계 ㈜미디어그룹사람과숲 데이터 검수 ㈜비젼인 데이터 검수 성균관대학교 산학협력단 데이터 유효성 검증 ㈜오토노머스에이투지 데이터 수집, 정제 웨이즈원(주) 데이터 설계 인하대학교 산학협력단 데이터 검수 충북대학교 산학협력단 데이터 유효성 검증 ㈜퓨처드라이브 데이터 설계, 수집 한국과학기술원 데이터 유효성 검증 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 정지현 02-525-2202 [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.