-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2024-10-30 데이터 최종 개방 1.0 2024-06-28 데이터 개방 Beta Version 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2024-06-28 산출물 공개 Beta Version 소개
- 아열대 작물에서 발생하는 병해충의 이미지, 개체정보, 환경데이터를 포함하는 국내 재배 아열대·열대 작물 병해충 데이터를 수집/가공하여 인공지능 학습 데이터셋을 구축
구축목적
- 인공지능 기술을 통해 실시간 병해충 진단 및 발생 예측, 병해충 예방 및 병해충 치료에 대한 처방 정보를 제공 - 병해충 진단, 발생 예측, 병해충에 대한 처방을 통해 고품질의 과실을 생산하여 수익이 증대하고, 재배 관리에 대한 비용 절감 등 농업의 경쟁력 확보
-
메타데이터 구조표 데이터 영역 농축수산 데이터 유형 이미지 데이터 형식 JPG 데이터 출처 촬영 라벨링 유형 바운딩박스(이미지) 라벨링 형식 json 데이터 활용 서비스 8개 아열대 작물(애플망고, 백향과, 올리브, 용과, 바나나, 레몬, 무화과, 한라봉), 총 22개 병해충에 대한 탐지 및 진단 서비스 데이터 구축년도/
데이터 구축량2023년/병해충 이미지, 라벨링 및 재배 환경 정보 : 274,000 세트 -
- 구축 규모
구축 규모 데이터명 내역 데이터 포맷 구축 수량 이미지 및 재배 환경 데이터 8종 작물 병해충 이미지 및
재배 환경 데이터JPG, JSON 274,000장 - 구축 분포
구축 분포 구분 성과 목표 제출 수량 달성율 애플망고 잎 검은점무늬병 20,000 8,000 100% 그을음병 3,000 총채벌레 5,000 정상 4,000 소 계 20,000 과실 그을음병 6,000 1,000 100% 총채벌레 2,000 정상 3,000 소 계 6,000 백향과 잎 노린재 17,000 9,000 100% 총채벌레 2,000 탄저병 1,000 정상 5,000 소 계 17,000 과실 총채벌레 6,000 3,000 100% 정상 3,000 소 계 6,000 올리브 잎 잎말이나방 20,000 6,000 100% 탄저병 7,000 정상 7,000 소 계 20,000 과실 탄저병 20,000 12,000 100% 정상 8,000 소 계 20,000 용과 과실 과실썩음병 17,000 5,000 100% 탄저병 5,000 정상 7,000 소 계 17,000 줄기 줄기썩음병 25,000 9,000 100% 탄저병 9,000 정상 7,000 소 계 25,000 바나나 잎 거세미나방 15,000 4,000 100% 반엽병 8,000 정상 3,000 소 계 15,000 과실 바나나곰팡이병 11,000 7,000 100% 정상 4,000 소 계 11,000 레몬 잎 그을음병 20,000 8,000 100% 귤굴나방 9,000 정상 3,000 소 계 20,000 과실 그을음병 22,000 7,000 100% 총채벌레 5,000 차먼지응애 7,000 정상 3,000 소 계 22,000 무화과 잎 흰가루병 21,000 8,000 100% 점무늬병 10,000 정상 3,000 소 계 21,000 과실 흰가루병 15,000 3,000 100% 바구미 8,000 정상 4,000 소 계 15,000 한라봉 잎 귤굴나방 28000 9,000 100% 점무늬병 10,000 궤양병 6,000 정상 3,000 소 계 28,000 과실 총채벌레 11000 8,000 100% 정상 3,000 소 계 11,000 -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드- 병해충 탐지 모델
1.1. 개요
❍ 인공지능 학습용 데이터 활용 및 학습을 통한 아열대·열대 작물의 병해충 심각도를 예측하는 인공지능 모델을 엠케이지㈜의 기술로 자체개발하여 병해충 빅데이터를 학습하고, 기존 모델을 병해충 심각도 예측에 맞도록 최적화함
❍ 바운딩박스의 객체 탐지 분류에서 우수한 성능을 보이는 YOLO 계열의 최신 V8 를 대상 모델로 선정
❍ YOLOv5와 비교했을 때 변경된 사항은 Backbone에서 첫 번째 6x6 Conv를 3x3 Conv으로 교체하였으며 앵커박스의 offset 대신에 객체의 중심을 직접 예측하는 앵커프리모델로 NMS의 속도를 높임1.2. 학습 환경 및 파라미터
학습 모델 유효성 검증 모델 학습 및 검증 조건 유효성 검증 모델 학습 및 검증 조건 개발 언어 Python(3.9.16) 프레임워크 PyTorch(1.12.1) 학습 알고리즘 CNN YOLOv8 학습 조건 epoch 100 YOLOv8n #Trainsettings--- epochs:100 # (int) number of epochs to train for patience:50 # (int) epochs to wait for no observable improvement for early stopping of training batch:16 # (int) number of images per batch (-1 for AutoBatch) imgsz:640 # (int | list) input images size as int for train and val modes, or list[w,h] for predict and export modes workers:8 # (int) number of worker threads for data loading (per RANK if DDP) #Val/Testsettings--- conf: # (float, optional) object confidence threshold for detection (default 0.25 predict, 0.001 val) iou:0.7 # (float) intersection over union (IoU) threshold for NMS max_det:300 # (int) maximum number of detections per image #Predictionsettings--- show:False # (bool) show results if possible save_txt:False # (bool) save results as .txt file save_conf:False # (bool) save results with confidence scores save_crop:False # (bool) save cropped images with results show_labels:True # (bool) show object labels in plots show_conf:True # (bool) show object confidence scores in plots #Hyperparameters--- lr0:0.01 # (float) initial learning rate (i.e. SGD=1E-2, Adam=1E-3) lrf:0.01 # (float) final learning rate (lr0 * lrf) momentum:0.937 # (float) SGD momentum/Adam beta1 weight_decay:0.0005 # (float) optimizer weight decay 5e-4 warmup_epochs:3.0 # (float) warmup epochs (fractions ok) warmup_momentum:0.8 # (float) warmup initial momentum warmup_bias_lr:0.1 # (float) warmup initial bias lr box:7.5 # (float) box loss gain cls:0.5 # (float) cls loss gain (scale with pixels) dfl:1.5 # (float) dfl loss gain pose:12.0 # (float) pose loss gain kobj:1.0 # (float) keypoint obj loss gain label_smoothing:0.0 # (float) label smoothing (fraction) nbs:64 # (int) nominal batch size hsv_h:0.015 # (float) image HSV-Hue augmentation (fraction) hsv_s:0.7 # (float) image HSV-Saturation augmentation (fraction) hsv_v:0.4 # (float) image HSV-Value augmentation (fraction) degrees:0.0 # (float) image rotation (+/- deg) translate:0.1 # (float) image translation (+/- fraction) scale:0.5 # (float) image scale (+/- gain) shear:0.0 # (float) image shear (+/- deg) perspective:0.0 # (float) image perspective (+/- fraction), range 0-0.001 flipud:0.0 # (float) image flip up-down (probability) fliplr:0.5 # (float) image flip left-right (probability) mosaic:1.0 # (float) image mosaic (probability) mixup:0.0 # (float) image mixup (probability) copy_paste:0.0 # (float) segment copy-paste (probability) 파일 형식 jpg, txt 전체 구축 데이터 대비
모델에 적용되는 비율100% 모델 학습 과정별
데이터 분류 및 비율 정보학습용 데이터셋: 219,200(80%) 검증용 데이터셋: 27,400(10%) 평가용 데이터셋: 27,400(10%)
1.3. 성능 평가
❍ 테스트 데이터 셋 측정 결과
- mAP50 : 0.882학습 모델 1.3. 성능 평가 Ultralytics YOLOv8.0.192 🚀 Python-3.9.16 torch-1.12.1+cu102 CUDA:0 (Tesla V100S-PCIE-32GB, 32510MiB)
Model summary (fused): 168 layers, 3009158 parameters, 0 gradients, 8.1 GFLOPs
val: Scanning /home/go/231208_mkg_jeju_OD/data_231212/labels/val... 27400 images, 0 backgrounds, 0 corrupt:
100%|███████
val: New cache created: /home/go/231208_mkg_jeju_OD/data_231212/labels/val.cache
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 1713/1713
[02
all 27400 27923 0.805 0.846 0.882 0.797
999 27400 7208 0.783 0.927 0.926 0.881
2 27400 378 0.97 0.928 0.981 0.938
3 27400 831 0.774 0.874 0.902 0.884
6 27400 462 0.576 0.768 0.661 0.621
7 27400 1924 0.792 0.796 0.868 0.772
8 27400 901 0.87 0.92 0.954 0.838
9 27400 687 0.976 0.977 0.991 0.93
10 27400 780 0.953 0.972 0.984 0.933
12 27400 692 0.886 0.799 0.881 0.74
13 27400 923 0.629 0.859 0.81 0.733
15 27400 2487 0.839 0.862 0.93 0.877
16 27400 3510 0.772 0.805 0.878 0.828
17 27400 1133 0.716 0.721 0.778 0.657
18 27400 1885 0.819 0.846 0.892 0.763
19 27400 696 0.682 0.838 0.816 0.739
20 27400 1990 0.863 0.87 0.929 0.811
21 27400 822 0.78 0.661 0.795 0.612
22 27400 614 0.818 0.806 0.892 0.789- 병해충 예측 모델
2.1. 개요
❍ 작물 병해충 예측을 위한 모델의 기초 알고리즘은 LSTM 모델을 활용하여 특정 시점의 병해충의 유/무를 예측할 수 있는 모델2.2. 학습 환경 및 파라미터
학습 모델 작물 병해충 예측1(한라봉, 점무늬병) 작물 병해충 예측1(한라봉, 점무늬병) 유효성 검증 모델 학습 및 검증 조건 개발 언어 Python(3.9.16) 프레임워크 PyTorch(1.12.1) 학습 알고리즘 BiLSTM 학습 조건 num_epochs = 100, seq_length = 10, selected_columns = ['co2', 'gec', 'gm', 'gt', 'm', 't', 'h3_po4', 'k', 'n', 'ph', 'label'], batch_size = 100, input_size = len(selected_columns)-1, hidden_size = 128, num_layers = 4, num_classes = 1 파일 형식 csv 전체 구축 데이터 대비
모델에 적용되는 비율100% 모델 학습 과정별
데이터 분류 및 비율 정보학습용 데이터셋: (633, 10, 10)(80%) 검증용 데이터셋: (79, 10, 10)(10%) 평가용 데이터셋: (80, 10, 10)(10%) 학습 모델 작물 병해충 예측2(애플망고, 그을음병) 작물 병해충 예측2(애플망고, 그을음병) 유효성 검증 모델 학습 및 검증 조건 개발 언어 Python(3.9.16) 프레임워크 PyTorch(1.12.1) 학습 알고리즘 BiLSTM 학습 조건 num_epochs = 100, seq_length = 10, selected_columns = ['co2', 'gec', 'gm', 'gt', 'm', 't', 'h3_po4', 'k', 'n', 'ph', 'label'], batch_size = 100, input_size = len(selected_columns)-1, hidden_size = 128, num_layers = 4, num_classes = 1 파일 형식 csv 전체 구축 데이터 대비
모델에 적용되는 비율100% 모델 학습 과정별
데이터 분류 및 비율 정보학습용 데이터셋: (5208, 10, 10)(80%) 검증용 데이터셋: (651, 10, 10)(10%) 평가용 데이터셋: (652, 10, 10)(10%) 학습 모델 작물 병해충 예측3(백향과, 탄저병) 작물 병해충 예측3(백향과, 탄저병) 유효성 검증 모델 학습 및 검증 조건 개발 언어 Python(3.9.16) 프레임워크 PyTorch(1.12.1) 학습 알고리즘 BiLSTM 학습 조건 num_epochs = 100, seq_length = 10, selected_columns = ['co2', 'gec', 'gm', 'gt', 'm', 't', 'h3_po4', 'k', 'n', 'ph', 'label'], batch_size = 100, input_size = len(selected_columns)-1, hidden_size = 128, num_layers = 4, num_classes = 1 파일 형식 csv 전체 구축 데이터 대비
모델에 적용되는 비율100% 모델 학습 과정별
데이터 분류 및 비율 정보학습용 데이터셋: (7387, 10, 10)(80%) 검증용 데이터셋: (923, 10, 10)(10%) 평가용 데이터셋: (924, 10, 10)(10%) 학습 모델 작물 병해충 예측4(올리브, 탄저병) 작물 병해충 예측4(올리브, 탄저병) 유효성 검증 모델 학습 및 검증 조건 개발 언어 Python(3.9.16) 프레임워크 PyTorch(1.12.1) 학습 알고리즘 BiLSTM 학습 조건 num_epochs = 100, seq_length = 10, selected_columns = ['co2', 'gec', 'gm', 'gt', 'm', 't', 'h3_po4', 'k', 'n', 'ph', 'label'], batch_size = 100, input_size = len(selected_columns)-1, hidden_size = 128, num_layers = 4, num_classes = 1 파일 형식 csv 전체 구축 데이터 대비
모델에 적용되는 비율100% 모델 학습 과정별
데이터 분류 및 비율 정보학습용 데이터셋: (8357, 10, 10)(80%) 검증용 데이터셋: (1044, 10, 10)(10%) 평가용 데이터셋: (1046, 10, 10)(10%) 학습 모델 작물 병해충 예측5(용과, 탄저병) 작물 병해충 예측5(용과, 탄저병) 유효성 검증 모델 학습 및 검증 조건 개발 언어 Python(3.9.16) 프레임워크 PyTorch(1.12.1) 학습 알고리즘 BiLSTM 학습 조건 num_epochs = 100, seq_length = 10, selected_columns = ['co2', 'gec', 'gm', 'gt', 'm', 't', 'h3_po4', 'k', 'n', 'ph', 'label'], batch_size = 100, input_size = len(selected_columns)-1, hidden_size = 128, num_layers = 4, num_classes = 1 파일 형식 csv 전체 구축 데이터 대비
모델에 적용되는 비율100% 모델 학습 과정별
데이터 분류 및 비율 정보학습용 데이터셋: (7087, 10, 10)(80%) 검증용 데이터셋: (885, 10, 10)(10%) 평가용 데이터셋: (887, 10, 10)(10%) 학습 모델 작물 병해충 예측6(바나나, 반엽병) 작물 병해충 예측6(바나나, 반엽병) 유효성 검증 모델 학습 및 검증 조건 개발 언어 Python(3.9.16) 프레임워크 PyTorch(1.12.1) 학습 알고리즘 BiLSTM 학습 조건 num_epochs = 100, seq_length = 10, selected_columns = ['co2', 'gec', 'gm', 'gt', 'm', 't', 'h3_po4', 'k', 'n', 'ph', 'label'], batch_size = 100, input_size = len(selected_columns)-1, hidden_size = 128, num_layers = 4, num_classes = 1 파일 형식 csv 전체 구축 데이터 대비
모델에 적용되는 비율100% 모델 학습 과정별
데이터 분류 및 비율 정보학습용 데이터셋: (7664, 10, 10)(80%) 검증용 데이터셋: (958, 10, 10)(10%) 평가용 데이터셋: (958, 10, 10)(10%)
2.3. 성능 평가
❍ Best epoch의 모델을 로드하여 최종 테스트
❍ 테스트 loss와 정확도 출력학습 모델 2.3. 성능 평가 ## path_best_model: 8_한라봉_점무늬병/best_model.pth
Test Loss/Acc: 0.1527 | 93.75
Index | Prediction | Actual Label
---------------------------------
0 | 0 | 0
1 | 1 | 0
2 | 0 | 0
3 | 0 | 0
4 | 0 | 0
5 | 0 | 0
.
.
.
46 | 0 | 0
47 | 0 | 0
48 | 1 | 1
49 | 0 | 0
50 | 0 | 0
51 | 0 | 0
52 | 0 | 0
53 | 1 | 1
54 | 0 | 0
.
.
.
68 | 0 | 0
69 | 0 | 0
70 | 0 | 0
71 | 1 | 1
72 | 0 | 0 -
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드- 데이터 포맷
데이터 포맷 항목 내용 형식 예시 이미지 데이터 아열대·열대 병해충 이미지 JPG 
환경데이터 재배 환경 정보 CSV 
- 데이터 구성
데이터 구성 구분 속성명 타입 필수
여부설명 범위 비고 1 info 데이터셋정보 1-1 datast_nm string 필수 데이터셋명 1-2 datast_detail string 필수 데이터셋 상세설명 1-3 path string 필수 데이터셋 위치경로 1-4 date_created string 필수 데이터셋 생성일 2 images 이미지정보 2-1 image_file_id string 필수 이미지파일 아이디 2-2 image_file_nm string 필수 이미지파일명 2-3 file_stre_cours string 필수 이미지파일 저장경로 2-4 rsoltn string 필수 이미지 해상도 2-5 region_nm string 필수 촬영장소명 2-6 crops_idntfr string 필수 작물식별자 2-7 crops_part string 필수 작물부위 2-8 image_file_frmat string 필수 이미지파일포맷 2-9 image_potogrf_dt string 필수 이미지촬영일시 3 annotations 라벨링정보 3-1 antn_type string 필수 어노테이션 유형 3-2 object_class_lclas_code string 필수 객체클래스 대분류코드 001 ~ 011 3-3 object_class_lclas_nm string 필수 객체클래스 대분류명 3-4 object_class_mlsfc_code string 필수 객체클래스 중분류코드 01, 02, 03 3-5 object_class_mlsfc_nm string 필수 객체클래스 중분류명 3-6 object_class_sclas_code string 필수 객체클래스 소분류코드 001~021, 999 3-7 object_class_sclas_nm string 필수 객체클래스 소분류명 3-8 bbox_info array 필수 B.Box 정보의 집합 (x좌표,y좌표,너비,높이) 4 environments 재배환경정보 4-1 measure_dt string 필수 측정일시 4-2 data_type string 필수 데이터유형 4-3 temp string 필수 대기온도 4-4 hum string 필수 대기습도 4-5 soil_condition string 필수 토양수분 4-6 soil_temp string 필수 토양온도 4-7 soil_pH string 필수 토양산도 4-8 soil_N string 필수 토양질소 4-9 soil_P string 필수 토양인산 4-10 soil_K string 필수 토양칼륨 4-11 soil_EC string 필수 토양 전기전도도 5 licenses 라이선스정보 5-1 lcnse_nm string 필수 라이선스명 5-2 lcnse_co string 필수 구축기관명 - 어노테이션 포맷
어노테이션 포맷 No 라벨링 정보 예시 기본 정보 데이터셋명 국내 재배 아열대·열대 병해충 데이터 데이터셋 상세설명 국내에서 재배하는 아열대·열대 작물의 부위별 병해충 데이터 데이터셋 위치경로 ../001/01/001/ 데이터셋 생성일 2023-12-15 15:30 원천데이터(이미지) 정보 이미지파일 아이디 HF001_01_001_00001 이미지파일명 HF001_01_001_00001.jpg 이미지파일 저장경로 ../001/01/001/ 이미지 해상도 1024, 768 촬영장소명 한라농원 작물식별자 1 작물부위 1 이미지파일포맷 JPG 이미지촬영일시 yyyy-mm-dd hh24:mi:ss 라벨링 정보 어노테이션 아이디 1609 어노테이션 유형 bbox 객체클래스 대분류코드 1 객체클래스 대분류명 애플망고 객체클래스 중분류코드 1 객체클래스 중분류명 잎 객체클래스 소분류코드 2 객체클래스 소분류명 검은점무늬병 바운딩박스 위치 x,y,width,height 재배환경 정보 측정일시 yyyy-mm-dd hh24:mi:ss 데이터유형 OBS 대기온도 9.2℃ 대기습도 27.50% 토양수분 1.0pF 토양온도 7.5℃ 토양산도 5.6 토양질소 5 토양인산 2 토양칼륨 6 토양 전기전도도 2.5 라이선스 정보 라이선스명 CC-BY-SA 구축기관명 플렉싱크 - 실제 예시
실제 예시 {
"info": {
"datast_nm": "국내 재배 아열대·열대 병해충 데이터",
"datast_detail": "국내에서 재배하는 아열대·열대 작물의 부위별 병해충 데이터",
"path": "/066.국내 재배 아열대·열대 병해충 데이터/",
"date_created": "2023-12-04"
},
"images": {
"image_file_id": "HF001_01_003_00001",
"image_file_nm": "HF001_01_003_00001.JPG",
"file_stre_cours": "/066.국내 재배 아열대·열대 병해충 데이터/1.구축과정산출물/1.최종검증/1.Datasets/1.원천데이터/001_애플망고/01_잎/003_검은점무늬병/",
"rsoltn": "2290, 2290",
"region_nm": "서귀포시 대정읍 동일리 483",
"crops_idntfr": "001",
"crops_part": "01",
"image_file_frmat": "JPG",
"image_potogrf_dt": "2023-08-16"
},
"annotations": {
"antn_type": "bbox",
"object_class_lclas_code": "001",
"object_class_lclas_nm": "애플망고",
"object_class_mlsfc_code": "01",
"object_class_mlsfc_nm": "잎",
"object_class_sclas_code": "003",
"object_class_sclas_nm": "검은점무늬병",
"bbox_info": [
{
"bbox_xcrdnt": "646",
"bbox_ycrdnt": "78",
"bbox_width": "658",
"bbox_height": "2108"
}
]
},
"environments": {
"measure_dt": "2023-08-16 11:35:04",
"data_type": "SENSOR",
"temp": "26.1",
"hum": "85",
"soil_condition": "28.1",
"soil_temp": "16.85",
"soil_pH": "6.72",
"soil_N": "28",
"soil_P": "58",
"soil_K": "116",
"soil_EC": "0.41"
},
"licenses": {
"lcnse_nm": "CC-BY-SA-4.0",
"lcnse_co": "제주특별자치도 컨소시엄"
}
} -
데이터셋 구축 담당자
수행기관(주관) : 제주특별자치도
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 박기범 사무관 064-710-2581 [email protected] 과제 총괄 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜플렉싱크 데이터 수집, 정제, 가공 ㈜지디에스컨설팅그룹 데이터 가공, 품질관리 및 검사 빛가람정보㈜ 데이터 수집, 정제 한라대학교 산학협력단 병해충 진단 및 검수 엠케이지㈜ AI 모델 개발 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 최민욱 064-702-7860 [email protected] 이상훈 02-2135-8896 [email protected] AI모델 관련 문의처
AI모델 관련 문의처 담당자명 전화번호 이메일 김지량 02-565-7737 [email protected] 저작도구 관련 문의처
저작도구 관련 문의처 담당자명 전화번호 이메일 이상훈 02-2135-8896 [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.