한국어 글자체 이미지
- 분야영상이미지
- 유형 이미지
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.5 2023-07-21 원천데이터 수정 1.4 2023-07-18 원천데이터 수정 1.3 2023-02-10 원천데이터 수정 1.2 2021-12-23 어노테이션 파일 품질 보완 1.1 2021-03-31 개인정보 비식별화 여부 확인 후 개방 1.0 2019-12-31 데이터 최초 개방 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2022-10-14 신규 샘플데이터 개방 소개
현대 한글 11,172자를 사용한 폰트 50종의 글자체와 성별, 연령층 별로 직접 제작한 이미지 파일 구축 및 간판, 상표, 교통 표지판 등의 한글이 포함된 이미지 10만 장을 구축한 이미지 데이터 제공
구축목적
현대 한글 11172자(한글 자음+모음+받침 자음 조합 수)를 가장 많이 활용하는 폰트(글자서체) 50종을 선정하여 해당 글자체의 이미지와 어노테이션 데이터로 인공지능 글자 인식을 위한 학습용 데이터 셋을 구축 함 또한 손글씨는 다양성을 확보하기 위해 성별, 연령층별로 손글씨 작성인력을 확보하여 직접 작성 제작한 손글씨를 이미지 파일과 어노테이션 데이터 셋으로 구축 인공지능 엔진에게 손글씨를 학습시키기 위한 데이터 셋을 구축 함 실사 데이터(Text in the Wild)는 일상생활 공간에서 쉽게 볼 수 있는 간판, 상표, 교통표지판 등의 한글이 들어있는 이미지 10만장을 촬영하고, 이미지 내 한글위치(바운딩 박스-좌표)와 한글 어노테이션 데이터 셋을 구축 함
-
메타데이터 구조표 데이터 영역 영상이미지 데이터 유형 이미지 데이터 형식 데이터 출처 라벨링 유형 라벨링 형식 데이터 활용 서비스 데이터 구축년도/
데이터 구축량2019년/600만 -
구축내용
- 현대 한글 글자체 데이터셋 : 현대 한글 문자 11,172자에 대한 인쇄체 및 손글씨체 500만자, text in the wild 10만장
- 현대한글, 국립국어원의 한국인이 가장 많이 쓰는 단어 6천자, 뉴스 기반 문장 등으로 작성한 글자
- 간판, 표지판, 상표, 도서표지 등 text in the wild는 직접 촬영한 이미지를 사용
-
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 Word Accuracy(전체) Optical Character Recognition SRN Accuracy 85 % 96.6 % 2 Word Accuracy(손글씨_단어) Optical Character Recognition SRN Accuracy 85 % 94.16 % 3 Word Accuracy(손글씨_문자) Optical Character Recognition SRN Accuracy 85 % 93.3 % 4 Word Accuracy(손글씨_문장) Optical Character Recognition SRN Accuracy 85 % 89.72 % 5 Word Accuracy(인쇄체_단어) Optical Character Recognition SRN Accuracy 85 % 99.26 % 6 Word Accuracy(인쇄체_문자) Optical Character Recognition SRN Accuracy 85 % 97.66 % 7 Word Accuracy(인쇄체_문장) Optical Character Recognition SRN Accuracy 85 % 87.13 %
※ 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 다운로드데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.2 2021.12.23 어노테이션 파일 품질 보완 1.1 2021.03.31 개인정보 비식별화 여부 확인 후 개방 1.0 2019.12.31 데이터 최초 개방 구축목적
- 현대 한글 11172자(한글 자음+모음+받침 자음 조합 수)를 가장 많이 활용하는 폰트(글자서체) 50종을 선정하여 해당 글자체의 이미지와 어노테이션 데이터로 인공지능 글자 인식을 위한 학습용 데이터 셋을 구축 함
- 또한 손글씨는 다양성을 확보하기 위해 성별, 연령층별로 손글씨 작성인력을 확보하여 직접 작성 제작한 손글씨를 이미지 파일과 어노테이션 데이터 셋으로 구축 인공지능 엔진에게 손글씨를 학습시키기 위한 데이터 셋을 구축 함
- 실사 데이터(Text in the Wild)는 일상생활 공간에서 쉽게 볼 수 있는 간판, 상표, 교통표지판 등의 한글이 들어있는 이미지 10만장을 촬영하고, 이미지 내 한글위치(바운딩 박스-좌표)와 한글 어노테이션 데이터 셋을 구축 함
활용분야
- 금융권의 종이문서 디지털화, 이미지 문서 처리 등에 한글 및 문자 인식을 통해 서류나 문서를 자동분류하거나, 키워드 추출을 통해 업무처리를 자동화하는 RPA 분야의 핵심이 AI OCR이며, 이러한 문서처리, 한글 데이터(키워드)추출 등에 활용이 가능함.
또한 시각장애우를 위해 이미지 문서, 이미지 내 한글을 인식 Text to Speech(TTS) 기능을 활용 음성 안내 서비스로도 활용이 가능 함
사례
- K 기관의 거래명세표 인식을 통한 중도매 식재료 통계 분석
- 거래명세는 서식표준화가 안되있으며, 특히 영세 중도매 상들이 자체 서식으로 각각 제작해 발급하고 있어 기존 일반 OCR로는 인식이 어려우며, 또한 현장 중도매 상인 들이 직접 스마트폰으로 촬영해 해당 식자재 품목의 거래 내역(수량, 금액) 등을 전송하기가 어려움
- AI 기반의 인식기술을 적용, 기존 인쇄체 및 손글씨 등의 학습을 활용하여 거래명세서의 삭자재 품목과 금액, 수량을 인식, 한글 및 문자로 전환하고, 일부 인식이 안되거나, 잘 못 인식된 데이터는 촬영자가 현장에서 수정하여 K기관 서버로 전송, K 기관에서는 해당 텍스트와 데이터를 활용 주기적인 식자재의 중도매 흐름과 통계 분석을 할 수 있도록 함
구축량
- 손글씨-250여 만 자
- 인쇄체-200여 만 자
- Text in the Wild-10만 장(표지판·이정표 1.7만 장, 상표 3.7만 장, 간판 3.0만 장, 기타 1.6만 장)
대표도면
필요성
- OCR 기술은 자율주행, 증강현실(AR), IoT 등의 산업분야에서 사물의 문자를 인식해서 제공하는 서비스의 기반기술임
- 글로벌 기업(네이버, 구글 등)이 OCR 활용 인지서비스를 제공하고 있으나, 공개된 한국어 글자체 데이터셋이 없어 기관, 기업의 연구개발에 어려움이 있음
- 전세계적으로 OCR은 AI 기반의 OCR로 변화하고 있으므로 한글 글자체에 대한 공개된 학습용 데이터셋이 필요
- 초성, 중성, 종성의 조합형 형태에 맞춘 데이터셋 구축을 통한 한글 인식 정확도 향상 기반 마련
구축내용
- 현대 한글 글자체 데이터셋 : 현대 한글 문자 11,172자에 대한 인쇄체 및 손글씨체 500만자, text in the wild 10만장
- 현대한글, 국립국어원의 한국인이 가장 많이 쓰는 단어 6천자, 뉴스 기반 문장 등으로 작성한 글자
- 간판, 표지판, 상표, 도서표지 등 text in the wild는 직접 촬영한 이미지를 사용
데이터 구조
- 라벨링 정보는 데이터셋정보, 이미지정보, 어노테이션, 라이선스 정보로 구성
- 아래의 라벨링 정보 중 학습의 목적에 맞는 Label 정보를 선택하여 AI OCR 모형 학습 데이터로 활용
상식 데이터 구축내용 표 (구축년도,데이터종류,포함내용,제공방식) No 항목 길이 타입 필수여부 비고 한글명 영문명 1 데이터셋정보 info Object 1-1 데이터셋명 info.name 100 String Y 1-2 데이터셋상세설명 info.description 1000 String 1-3 데이터셋URL info.url 200 String 1-4 데이터셋생성일자 info.date_created 100 String Y 2 이미지정보 images List 2-1 이미지식별자 images[].id 100 String Y 2-2 이미지너비 images[].width 4 Number Y 2-3 이미지높이 images[].height 4 Number Y 2-4 이미지파일명 images[].file_name 100 String Y 2-5 이미지라이선스 images[].license 100 String Y 2-6 이미지촬영일자 date_created 100 String Y 3 어노테이션정보 annotations List 3-1 어노테이션식별자 annotations[].id 100 String Y 3-2 연관이미지식별자 annotations[].image_id 100 String Y 3-3 어노테이션텍스트 annotations[].text 1000 String Y 3-4 어노테이션속성 annotations[].attributes 1 Object 3-5 어노테이션 바운딩박스 annotations[].bbox 4 List Text in the Wild 에서 사용 4 라이선스 licenses List 4-1 라이선스명 licenses[].name 100 String Y 4-2 라이선스URL licenses[].url 200 String Y -
데이터셋 구축 담당자
수행기관(주관) : 넥스인테크놀러지(舊 키니앤파트너스)
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 배현수 02-857-6230 [email protected] · AI 모형 개발 및 홍보 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜슈퍼브에이아이 · AI 학습용 데이터 수집
· 정제 및 가공데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 배현수(넥스인테크놀러지) 02-857-6230 [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.