콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#신호등 # 다양한 주행환경 # 거리 정보 # 라이다

자율주행차의 다양한 주행환경에서의 신호등 신호정보 인지 영상 데이터

자율주행차의 다양한 주행환경에서의 신호등 신호정보 인지 영상 데이터 아이콘 이미지
  • 분야교통물류
  • 유형 이미지
구축년도 : 2022 갱신년월 : 2023-12 조회수 : 7,673 다운로드 : 256 용량 :
샘플 데이터 ?

샘플데이터는 데이터의 이해를 돕기 위해 별도로 가공하여 제공하는 정보로써 원본 데이터와 차이가 있을 수 있으며,
데이터에 따라서 민감한 정보는 일부 마스킹(*) 처리가 되어 있을 수 있습니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.1 2023-12-15 데이터 최종 개방
    1.0 2023-07-26 데이터 개방(Beta Version)

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2024-01-12 산출물 전체 공개

    소개

    - 자율주행차가 정상 외 환경 (우천, 안개, 역광, 일출/일몰 등)의 주행 시에도 충분한 신호등 인식 인공지능 성능을 확보하기 위한 데이터
    - 인공지능 학습용 데이터 구축량 : 신호등 상태 (녹색, 노란색, 빨간색, 화살표, 보행가능 등) 정보가 최대한 균등하게 확보될 수 있도록 10만장 이상 (10개 이상 주행환경, 주행환경 별 1만장 이상)  구축

    구축목적

    ㅇ 주간/야간/일출/일몰, 눈/비/안개/미세먼지/역광의 환경적 요인별 자율주행 신호등 인지 데이터 구축

  • ㅇ 데이터 구축 규모

    데이터 구축 규모 - 원천데이터
    Level 0 Level 1 Level 2 Level 3 Level 4
    원천데이터 Clip_0000 Camera Camera_Front 512_ND_0000_CF_000.jpg
    512_ND_0000_CF_001.jpg
    ...
    512_ND_0000_CF_049.jpg
    Meta GNSS_INS 512_ND_0000_GI_000.txt
    Clip_0001 ~ Clip_1998 - - 101,898 files
    Clip_1999 Camera Camera_Front 512_RD_1999_CF_000.jpg
    512_RD_1999_CF_001.jpg
    ...
    512_RD_1999_CF_049.jpg
    Meta GNSS_INS 512_RD_1999_GI_000.txt
     

     

    데이터 구축 규모 - 라벨링데이터
    Level 0 Level 1 Level 2 Level 3 Level 4
    라벨링데이터 Clip_0000 Camera Camera_Front 512_ND_0000_CF_000.json
    512_ND_0000_CF_001.json
    ...
    512_ND_0000_CF_049.json
    Clip_0001 ~  - - 99,900 files
    Clip_1998
    Clip_1999 Camera Camera_Front 512_RD_1999_CF_000.json
    512_RD_1999_CF_001.json
    ...
    512_RD_1999_CF_049.json

     데이터 분포

         1. 클래스 별 객체 분포

    데이터 분포 - 클래스 별 객체 분포
    클래스 명 객체 수 비율
    invisible_signal 321,022 48.71 (%)
    pedestrian_signal 36,443 5.53 (%)
    unusual_signal 761 0.12 (%)
    vehicular_signal 300,825 45.65 (%)

     

         2. 객체 크기 분포

    데이터 분포 - 객체 크기 분포
    크기 구분 객체 수 비율
    S ( width < 32px )  202,490 30.72 (%)
    M ( 32px <= width < 96 px) 367,945 55.83 (%)
    L ( 96px < width ) 88,616 13.45 (%)

     

         3. 객체 거리 분포

    데이터 분포 - 객체 거리 분포
    거리 구분 객체 수 비율
    N ( distance < 40m ) 50,688 10.7 (%)
    M ( 40m <= distance < 60m ) 238,584 50.38 (%)
    F ( 60m <= distance ) 184,253 38.91 (%)

         4. 날씨 분포

    데이터 분포 - 날씨 분포
    날씨 구분 Frame 수 비율
    일반 20,000 20 (%)
    강수 30,000 30 (%)
    미세먼지 20,000 20 (%)
    안개 20,000 20 (%)
    적설 10,000 10 (%)

     

        5. 주야간 분포

    데이터 분포 - 주야간 분포
    주야간 구분 Frame 수 비율
    주간 78,250 78.25 (%)
    야간 21,750 21.75 (%)

     

        6. 주행환경 분포

    데이터 분포 - 주행환경 분포
    주행 상태 구분 Frame 수 비율
    선행차량 가속 19,100 45.31 (%)
    선행차량 감속 8,250 19.57 (%)
    선행차량 정지 10,750 25.50 (%)
    선행차량 이탈 4,050 9.61 (%)

     

    데이터 분포 - 신호 상태 분포
    신호 상태 구분 Frame 수 비율
    주황 점멸 7,050 43.79 (%)
    주황 2,550 15.84 (%)
    빨강 점멸 1,200 7.45 (%)
    빨강 5,300 32.92 (%)
  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 상세 설명서 다운로드 AI 모델 다운로드

    [신호등 인지 기반 속도 제어 시스템]

    단일 영산 센서 기반 신호등 검출 네트워크 설계

    <단일 영산 센서 기반 신호등 검출 네트워크 설계>

    신호등 인지 기반 속도 제어 시스템

    <신호등 인지 기반 속도 제어 시스템>

    ㅇ 개발목표
    카메라 영상을 이용한 딥러닝 기반 신호등 인식 모델 (Object Detection)
    학습데이터가 부족한 국내 환경에서의 신호등 상세 인식 모델 (객체인식 모델 고도화)
    국내 환경에 강건한 신호등 인식 기반 위험 알림 서비스 (서비스 구축)

    ㅇ 개발 방안
    - 국내 도로 환경에서의 신호등 데이터셋 확보
    - 단일 영상센서를 사용한 신호등 상세 인식 기술 개발
    - 다양한 주행 데이터 셋을 사용하여 신호등 인식 알고리즘 Fine-tuning 및 고도화
    - 객체인식과 영상개선 Branch Network 설계를 통한 국내 도로 환경에 강건한 신호등 인식 알고리즘 고도화
    - 도심 도로 주행 환경에서의 차량 제어 서비스 구축  

    ㅇ 적용 시나리오
    - 다양한 국내 도로 환경 데이터 셋을 사용하여 데이터 셋 검증, 활용 모델 최적화 및 개선
    - 영상기반 객체 검출 방법이 취약한 환경을 구축하여 위험 상황 알림 서비스 테스트 

    ㅇ 기대효과
    - 국내 환경에 최적화된 데이터 셋을 사용한 자율 주행 기술 고도화 및 경쟁력 확보
    - 지자체와의 연동으로 자율 주행 차량에 적용하여 자율주행 서비스 실증 향후 사업화 및 제품화 방안
    - 차량 혹은 퍼스널 모빌리티에 적용하여 위험 상황 알림 서비스 사업화 및 제품화
    - Lidar-카메라-융합센서 기반의 멀티 모델 객체 검출 방법으로 신기술기반 모빌리티 플랫폼에 적용 가능

     

    [신호정보 기반 차량 제어 시스템]
    정적 객치 인지 기반 신호 정보 분류 모델 개발

    <그림 > 정적 객치 인지 기반 신호 정보 분류 모델 개발

    신호정보 기반 차량 제어 시스템

    신호정보 기반 차량 제어 시스템

    ㅇ 개발 목표
    - 검지된 신호등 영역 기반 신호정보 분류 모델 (Object Detection & classification)
    - 악천후에 강건한 신호정보 인식 모델 개발 (객체인식 모델 고도화)
    - 국내 환경에 강건한 신호정보 인식 및 분류 기반 차량 제어 서비스 (서비스 구축) 
    ㅇ 개발 방안
    - 국내 도로 환경에서의 다양한 악천후 신호정보 데이터셋 확보
    - 단일 영상센서를 사용한 신호정보 상세 인식 및 분류 기술 개발
    - 다양한 악천후 주행 데이터 셋을 사용하여 신호정보 인식 알고리즘 Fine-tuning 및 고도화
    - 객체인식과 영상개선 Branch Network 설계를 통한 악천후 환경에 강건한 신호정보 인식 알고리즘 고도화
    - 도심 도로 주행 환경에서의 차량 제어 서비스 구축

    ㅇ 적용 시나리오
    - 다양한 악천후 국내 도로 환경 데이터 셋을 사용하여 데이터 셋 검증, 활용 모델 최적화 및 개선
    - 영상기반 객체 검출 방법이 취약한 환경을 구축하여 위험 상황 알림 서비스 테스트 
    ㅇ 기대효과

     국내 환경에 최적화된 데이터 셋을 사용한 자율 주행 기술 고도화 및 경쟁력 확보
    - 지자체와의 연동으로 자율 주행 차량에 적용하여 자율주행 서비스 실증
    - 향후 사업화 및 제품화 방안
    - 차량 혹은 퍼스널 모빌리티에 적용하여 위험 상황 알림 서비스 사업화 및 제품화
    - Lidar-카메라-융합센서 기반의 멀티 모델 객체 검출 방법으로 신기술기반 모빌리티 플랫폼에 적용 가능

  • 데이터 성능 점수

    측정값 (%)
    기준값 (%)

    데이터 성능 지표

    데이터 성능 지표
    번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수
    1 바운딩박스 객체 검출 성능 Object Detection Yolov4 mAP 70 % 83.81 %

    ※ 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

    ㅇ 대표 도면

    대표 도면
    데이터명 자율주행차의 다양한 주행환경에서의 신호등 신호정보 인지 영상 데이터
    데이터포맷 - 원시데이터 : jpg (1920 * 1080)
    - 원천데이터 : jpg (1920 * 1080)
    - 라벨링데이터 : json
    데이터 출처 - 데이터 수집 : 한국전자기술연구원
    - 데이터 정제 : 한국전자기술연구원
    - 데이터 가공 : ㈜엠데이터싱크
    데이터 구축 규모 - 원천데이터 ( Camera 100,000 + Meta 2,000 )
    - 라벨링데이터 ( Camera 100,000 )


    ㅇ 라벨링데이터 구성

     
    라벨링데이터 구성
    구분 속성명 타입 필수여부 설명 범위 비고
    1 json_version Number N Version   예) 1
    2 flie_name String Y File Name   예)“572_ND_000_CF_001.jpg” 
    3 image_name String Y Image Name   예)“572_ND_000_CF_001.jpg” 
    4 image_size List Y Image Size [width, height] 예) [1920,
    1080]
    5 num_of_object Number Y 이미지 당     
    객체 수
    6 objects Object   라벨링정보    
      6-1 class_name String Y 신호등 유형 “vehicular_signal,   
    pedestrian_signal, 
    unusual_
    signal,
    invisible_signal“
    6-2 instance_id Number Y 2D 바운딩박스 0~999  
    식별자
    6-3 data List Y 2D 바운딩박스 좌표정보   바운딩 박스 좌상단 / 우하단 좌표
    ([x1, y1],
    [x2, y2])
    6-4 attribute Object   신호등 속성    
      6-4-1 signal String Y 신호 종류 “green, red, yellow...”  
    6-5 distance Number Y 신호등 거리정보(m)    
    6-6 angle List Y 신호등 회전각도(º)    
    [수평각, 수직각]
    7 flags object Y      
      7-1 v1 String Y 선행차량 시나리오 v1 : front up, front down, front stop, front escape, none  
      7-2 v2 String Y 신호등 시나리오 v2 : red change, orange change, orange blink, red blink, none
     

     

     

    ㅇ 라벨링데이터 실제 예시
    라벨링데이터 실제 예시


    {    "json_version": 1,
        "file_name": "512_ND_0000_CF_000.jpg",
        "image_name": "512_ND_0000_CF_000.jpg",
        "image_size": [
            1920,
            1080
        ],
        "num_of_object": 6,
        "objects": [
            {
                "class_name": "invisible_signal",
                "instance_id": 147,
                "data": [
                    [
                        553.4470648922161,
                        414.7519432367026
                    ],
                    [
                        593.5863520113035,
                        429.14149899637596
                    ]
                ],
                "attribute": {
                    "signal": "None"
                },
                "distance": 62.94151860230902,
                "angle": [
                    5.708648421655926,
                    0.3072722406814643
                ]
            },
            {
                "class_name": "invisible_signal",
                "instance_id": 148,
                "data": [
                    [
                        657.6310950683692,
                        407.25142235924795
                    ],
                    [
                        667.2732194200016,
                        422.1528872663166
                    ]
                ],
                "attribute": {
                    "signal": "None"
                },
                "distance": null,
                "angle": []
            },
            {
                "class_name": "pedestrian_signal",
                "instance_id": 149,
                "data": [
                    [
                        396.6044921875,
                        495.8984375
                    ],
                    [
                        407.1467351440606,
                        509.71241102928616
                    ]
                ],
                "attribute": {
                    "signal": "red"
                },
                "distance": null,
                "angle": []
            },
            {
                "class_name": "vehicular_signal",
                "instance_id": 150,
                "data": [
                    [
                        668.1865234375,
                        406.26953125
                    ],
                    [
                        705.2244140625007,
                        420.9835937500011
                    ]
                ],
                "attribute": {
                    "signal": "green"
                },
                "distance": null,
                "angle": []
            },
            {
                "class_name": "vehicular_signal",
                "instance_id": 151,
                "data": [
                    [
                        948.72265625,
                        404.1279296875
                    ],
                    [
                        994.0,
                        418.8419921875011
                    ]
                ],
                "attribute": {
                    "signal": "green"
                },
                "distance": null,
                "angle": []
            },
            {
                "class_name": "vehicular_signal",
                "instance_id": 152,
                "data": [
                    [
                        1046.3369140625,
                        398.4462890625
                    ],
                    [
                        1090.4000000000015,
                        411.8000000000011
                    ]
                ],
                "attribute": {
                    "signal": "green"
                },
                "distance": null,
                "angle": []
            }
        ],
        "flags": {
            "v1": "front up",
            "v2": "none"
        }
    }

  • 데이터셋 구축 담당자

    수행기관(주관) : 한국전자기술연구원
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    최효섭 031-789-7508 hschoi@keti.re.kr 사업 총괄, 데이터 설계, 데이터 수집, 데이터 가공, 데이터 검사
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    한국전자기술연구원 데이터 수집, 정제, 학습모델 구현, 홍보활동, 비식별화
    ㈜엠데이터싱크 데이터 가공, 검사, 데이터 저작도구
    아주대학교 산학협력단 데이터 검사
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    최효섭 031-789-7508 hschoi@keti.re.kr
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 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

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 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 safezone1@aihub.kr 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.