콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#자율주행

BETA 생활도로 객체인식 자율주행 데이터

생활도로 객체인식 자율주행 데이터 아이콘 이미지
  • 분야교통물류
  • 유형 이미지
구축년도 : 2023 갱신년월 : 2024-08 조회수 : 2,962 다운로드 : 131 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
    1.0 2024-08-05 데이터 개방 Beta Version

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2024-08-05 산출물 공개 Beta Version

    소개

    - 생활도로에서 차 대 사람 사고 구성비를 참고하여 데이터 설계
    - 보행자의 통행이 많은 시간대 별로 분류하여 설계
    - 주행환경 내 돌발상황을 고려한 엣지케이스 등을 설계
    - 보행자/이륜차/전동킥보드 등과 교통약자를 고려한 시나리오 설계

    구축목적

    - 본 데이터는 차대 보행자 사고위험 및 치명률이 높은 골목길/생활도로에서의 동적/정적 객체 인식률 향상을 위한 가시광, 열화상 카메라, LiDAR 센서 융합 학습데이터 구축을 통해 고레벨 자율주행 연구개발 지원 및 산업육성 등으로 국내 업계의 산업경쟁력 강화지원을 목적으로 함.
  • - Instance Segmentation (가시광 카메라) 40만장
    1) 시간대별 분포

    시간대별 분포
    Time COUNT 비율 비고
    afterschool 80,000 20.00% 하교
    day 60,000 15.00% 주간
    erh 80,000 20.00% 퇴근(evening rush hour)
    lunch 60,000 15.00% 점심
    mrh 40,000 10.00% 출근/등교(morning rush hour)
    night 80,000 20.00% 야간
    합계 400,000 100.00%  

    시간대별 분포

    ■ 출근/등교 (06:00 ~ 09:00) 4만장, 비율 10%
    ■ 주    간  (09:00 ~ 12:00) 6만장, 비율 15%
    ■ 점    심  (12:00 ~ 14:00) 6만장, 비율 15%
    ■ 하    교  (14:00 ~ 17:00) 8만장, 비율 20%    
    ■ 퇴    근  (17:00 ~ 20:00) 8만장, 비율 20%
    ■ 야    간  (20:00 ~ 06:00) 8만장, 비율 20% 

     

    2) 시나리오별 분포

    시나리오별 분포
    Scenario COUNT 비율 도로상황 도로형태
    A01 14,248 3.56% 측방 이륜차 일반상황
    A02 8,332 2.08% 측방 이륜차 컷인 일반상황
    A03 10,744 2.69% 전방이륜차 추종 일반상황
    A04 55,764 13.94% 도로내 평행이동 보행자 일반상황
    A05 25,088 6.27% 차로 변경, 전방 대항차량 일반상황
    A06 39,828 9.96% 직선/곡선로 대항차량 일반상황
    A07 13,996 3.50% 직선/곡선로 대항이륜차 일반상황
    A08 10,256 2.56% 교차로 대항차량 합류 일반상황
    A09 14,568 3.64% 교차로 측면 대항차량 일반상황
    A10 5,840 1.46% 교차로 이륜차 합류 일반상황
    A11 6,156 1.54% 교차로 측방 이륜차 좌/우회전 일반상황
    A12 5,288 1.32% 교차로 이륜차 도로횡단 일반상황
    A13 44,996 11.25% 교차로 보행자 도로횡단 일반상황
    A14 24,896 6.22% 좌/우회전시 불법 주정차 상황 일반상황
    B01 5,152 1.29% 교차로 우회전, 횡단보도 위 보행자 엣지케이스
    B02 9,884 2.47% 교차로 우회전 이후 무단 횡단/차도 평행통행 보행자 엣지케이스
    B03 6,244 1.56% 도로 위 횡단 PM 엣지케이스
    B04 3,624 0.91% 교차로 직진/좌회전, 전방 대항 PM 좌회전 엣지케이스
    B05 4,472 1.12% 교차로 좌회전, 측면 대항 PM 직진/좌회전 엣지케이스
    B06 4,640 1.16% 교차로 직진/좌회전, 전방 대항 이륜차 좌회전 엣지케이스
    B07 4,024 1.01% 교차로 좌회전, 측면 대항 이륜차 직진/좌회전 엣지케이스
    B08 11,864 2.97% 직진 중 도로횡단 보행자 엣지케이스
    B09 26,292 6.57% 직진 중 차도 평행통행 보행자 엣지케이스
    B10 2,720 0.68% 건물진출입 시 보도통행 보행자 엣지케이스
    B11 13,272 3.32% 직진 중 가장자리 통행 보행자 엣지케이스
    B12 14,788 3.70% 불법주정차 상황 도로위 보행자/PM 엣지케이스
    B13 11,572 2.89% 불법주정차 상황 전방 대항차량 엣지케이스
    B14 1,452 0.36% 회전교차로 우회전 전방 차량 엣지케이스
    합계 400,000 100.00%  

     

    3) 클래스별 분포 (객체 수와 동일)

    클래스별 분포 (객체 수와 동일)
    Category_id COUNT 비율 소분류 대분류
    2 62,487 2.88% Two-wheel Vehicle vehicle
    3 1,091,070 50.31% Car vehicle
    8 149,100 6.87% TruckBus vehicle
    10 24,216 1.12% Traffic Light Outdoor
    12 109,386 5.04% Traffic Sign Outdoor
    51 15,492 0.71% Parking space Outdoor
    52 66,023 3.04% Speed bump Outdoor
    97 4,636 0.21% kid student Pedestrian
    98 429,745 19.81% Adult Pedestrian
    99 117,166 5.40% Personal Mobility vehicle
    100 99,557 4.59% Crosswalk Outdoor
    합계 2,168,878 100.00%    

    시나리오별 분포 그래프

    클래스별 분포 그래프

    [클래스 설명]
    ■ Car: 원동기를 사용하여 운전되는 차량 일체
    ■ Two-wheel Vehicle: 이륜자전거 일체(자전거, 전기자전거), 
                            동력으로 운행되는 이륜자동차 일체
    ■ TruckBus: 트럭 및 버스 차량
    ■ Personal Mobility: 전동 킥보드, 세그웨이 등 전동기의 동력으로 움직이는 개인형 이동장치
    ■ Kid student: 도로, 인도 등의 공간에 위치한 어린이, 학생 등(주로 등하교길 대상의 객체)
    ■ Adult: 도로, 인도 등의 공간에 위치한 사람(성인)
    ■ Traffic Sign: 교통 표지판(보호구역, 속도제한 표지판)
    ■ Traffic Light: 신호등 몸체
    ■ Speed bump: 과속방지턱
    ■ Parking space: 주차구역(도로 내 주차라인 명시된 부분, 거주가 우선주차구역 등)
    ■ Crosswalk: 보행자가 도로 위를 횡단할 수 있도록 안전표시로 표시한 부분

     

    4) 날씨별 분포

    날씨별 분포
    Weather COUNT 결과 구성비 목표 구성비 비고
    clear 263,296 65.82% 65.00% 맑음
    foggy 45,480 11.37% 10.00% 안개
    rainy 91,224 22.81% 25.00% 강우
    합계 400,000 100.00% 100.00%  

    날씨별 분포 그래프

     

    5) 도로유형별 분포

    도로유형별 분포
    Road COUNT 비율 최소 수량 비고
    R01 61,044 15.26% 10,000 보호구역
    R02 13,116 3.28% 3,000 공원도로
    R03 165,980 41.50% 10,000 보차도로
    R04 93,108 23.28% 10,000 보행로 분리도로
    R05 65,300 16.33% 5,000 일방통행로
    R06 1,452 0.36% - 회전교차로
    합계 400,000 100.00% 38,000  

    도로유형별 분포 그래프

    - Bounding Box (열화상 카메라) 10만장
    1) 시간대별 분포

    시간대별 분포
    Time COUNT 비율 비고
    afterschool 20,000 20.00% 하교
    day 15,000 15.00% 주간
    erh 20,000 20.00% 퇴근(evening rush hour)
    lunch 15,000 15.00% 점심
    mrh 10,000 10.00% 출근/등교(morning rush hour)
    night 20,000 20.00% 야간
    합계 100,000 100.00%  

    시간대별 분포

    ■ 출근/등교 (06:00 ~ 09:00) 2만장, 비율 10%
    ■ 주    간  (09:00 ~ 12:00) 1만 5천장, 비율 15%
    ■ 점    심  (12:00 ~ 14:00) 2만장, 비율 20%
    ■ 하    교  (14:00 ~ 17:00) 1만 5천장, 비율 15%    
    ■ 퇴    근  (17:00 ~ 20:00) 1만장, 비율 10%
    ■ 야    간  (20:00 ~ 06:00) 2만장, 비율 20%   


    2) 시나리오별 분포

    시나리오별 분포
    Scenario COUNT 비율 도로상황 도로형태
    A01 3,562 3.56% 측방 이륜차 일반상황
    A02 2,083 2.08% 측방 이륜차 컷인 일반상황
    A03 2,686 2.69% 전방이륜차 추종 일반상황
    A04 13,941 13.94% 도로내 평행이동 보행자 일반상황
    A05 6,272 6.27% 차로 변경, 전방 대항차량 일반상황
    A06 9,957 9.96% 직선/곡선로 대항차량 일반상황
    A07 3,499 3.50% 직선/곡선로 대항이륜차 일반상황
    A08 2,564 2.56% 교차로 대항차량 합류 일반상황
    A09 3,642 3.64% 교차로 측면 대항차량 일반상황
    A10 1,460 1.46% 교차로 이륜차 합류 일반상황
    A11 1,539 1.54% 교차로 측방 이륜차 좌/우회전 일반상황
    A12 1,322 1.32% 교차로 이륜차 도로횡단 일반상황
    A13 11,249 11.25% 교차로 보행자 도로횡단 일반상황
    A14 6,224 6.22% 좌/우회전시 불법 주정차 상황 일반상황
    B01 1,288 1.29% 교차로 우회전, 횡단보도 위 보행자 엣지케이스
    B02 2,471 2.47% 교차로 우회전 이후 무단 횡단/차도 평행통행 보행자 엣지케이스
    B03 1,561 1.56% 도로 위 횡단 PM 엣지케이스
    B04 906 0.91% 교차로 직진/좌회전, 전방 대항 PM 좌회전 엣지케이스
    B05 1,118 1.12% 교차로 좌회전, 측면 대항 PM 직진/좌회전 엣지케이스
    B06 1,160 1.16% 교차로 직진/좌회전, 전방 대항 이륜차 좌회전 엣지케이스
    B07 1,006 1.01% 교차로 좌회전, 측면 대항 이륜차 직진/좌회전 엣지케이스
    B08 2,966 2.97% 직진 중 도로횡단 보행자 엣지케이스
    B09 6,573 6.57% 직진 중 차도 평행통행 보행자 엣지케이스
    B10 680 0.68% 건물진출입 시 보도통행 보행자 엣지케이스
    B11 3,318 3.32% 직진 중 가장자리 통행 보행자 엣지케이스
    B12 3,697 3.70% 불법주정차 상황 도로위 보행자/PM 엣지케이스
    B13 2,893 2.89% 불법주정차 상황 전방 대항차량 엣지케이스
    B14 363 0.36% 회전교차로 우회전 전방 차량 엣지케이스
    합계 100,000 100.00%    

    시나리오별 분포 그래프

     

    3) 클래스별 분포 (객체 수와 동일)

    클래스별 분포 (객체 수와 동일)
    Category_id COUNT 비율 소분류 대분류
    1 166,023 32.24% Pedestrian-b Pedestrian
    2 33,780 6.56% Two-wheel  Vehicle-b vehicle
    3 280,013 54.38% car-b vehicle
    8 35,058 6.81% TruckBus-b vehicle
    98 3 0.00% - -
    99 8 0.00% - -
    합계 514,885 100.00%    

    클래스별 분포

    [클래스 설명]
    ■ car-b: 원동기를 사용하여 운전되는 차량 일체
    ■ Two-wheel Vehicle-b: 이륜자전거 일체 (자전거, 전기 자전거) 
                               동력으로 운행되는 이륜자동차 일체
    ■ TruckBus-b: 트럭 및 버스 차량
    ■ Pedestrian-b: 도로, 인도 등의 공간에 위치한 사람, 
                     서있는 상태로 탑승 가능한 PM(킥보드, 세드웨이 등) 일체

     

    4) 날씨별 분포

    날씨별 분포
    Weather COUNT 결과 구성비 목표 구성비 비고
    clear 65,824 65.82% 65.00% 맑음
    foggy 11,370 11.37% 10.00% 안개
    rainy 22,806 22.81% 25.00% 강우
    합계 100,000 100.00% 100.00%  

    날씨별 분포

     

    5) 도로유형별 분포

    도로유형별 분포
    Road COUNT 비율 최소 수량 비고
    R01 15,261 15.26% 10,000 보호구역
    R02 3,279 3.28% 3,000 공원도로
    R03 41,495 41.50% 10,000 보차도로
    R04 23,277 23.28% 10,000 보행로 분리도로
    R05 16,325 16.33% 5,000 일방통행로
    R06 363 0.36% - 회전교차로
    합계 100,000 100.00% 38,000  

    도로유형별 분포

     

    - 3D Semantic Segmentation (LiDAR) 10만장
    1) 시간대별 분포

    시간대별 분포
    Time COUNT 비율 비고
    afterschool 20,000 20.00% 하교
    day 15,000 15.00% 주간
    erh 20,000 20.00% 퇴근(evening rush hour)
    lunch 15,000 15.00% 점심
    mrh 10,000 10.00% 출근/등교(morning rush hour)
    night 20,000 20.00% 야간
    합계 100,000 100.00%  

    시간대별 분포

     

    2) 시나리오별 분포

    시나리오별 분포
    Scenario COUNT 비율 도로상황 도로형태
    A01 3,562 3.56% 측방 이륜차 일반상황
    A02 2,083 2.08% 측방 이륜차 컷인 일반상황
    A03 2,686 2.69% 전방이륜차 추종 일반상황
    A04 13,941 13.94% 도로내 평행이동 보행자 일반상황
    A05 6,272 6.27% 차로 변경, 전방 대항차량 일반상황
    A06 9,957 9.96% 직선/곡선로 대항차량 일반상황
    A07 3,499 3.50% 직선/곡선로 대항이륜차 일반상황
    A08 2,564 2.56% 교차로 대항차량 합류 일반상황
    A09 3,642 3.64% 교차로 측면 대항차량 일반상황
    A10 1,460 1.46% 교차로 이륜차 합류 일반상황
    A11 1,539 1.54% 교차로 측방 이륜차 좌/우회전 일반상황
    A12 1,322 1.32% 교차로 이륜차 도로횡단 일반상황
    A13 11,249 11.25% 교차로 보행자 도로횡단 일반상황
    A14 6,224 6.22% 좌/우회전시 불법 주정차 상황 일반상황
    B01 1,288 1.29% 교차로 우회전, 횡단보도 위 보행자 엣지케이스
    B02 2,471 2.47% 교차로 우회전 이후 무단 횡단/차도 평행통행 보행자 엣지케이스
    B03 1,561 1.56% 도로 위 횡단 PM 엣지케이스
    B04 906 0.91% 교차로 직진/좌회전, 전방 대항 PM 좌회전 엣지케이스
    B05 1,118 1.12% 교차로 좌회전, 측면 대항 PM 직진/좌회전 엣지케이스
    B06 1,160 1.16% 교차로 직진/좌회전, 전방 대항 이륜차 좌회전 엣지케이스
    B07 1,006 1.01% 교차로 좌회전, 측면 대항 이륜차 직진/좌회전 엣지케이스
    B08 2,966 2.97% 직진 중 도로횡단 보행자 엣지케이스
    B09 6,573 6.57% 직진 중 차도 평행통행 보행자 엣지케이스
    B10 680 0.68% 건물진출입 시 보도통행 보행자 엣지케이스
    B11 3,318 3.32% 직진 중 가장자리 통행 보행자 엣지케이스
    B12 3,697 3.70% 불법주정차 상황 도로위 보행자/PM 엣지케이스
    B13 2,893 2.89% 불법주정차 상황 전방 대항차량 엣지케이스
    B14 363 0.36% 회전교차로 우회전 전방 차량 엣지케이스
    합계 100,000 100.00%    

    시나리오별 분포 그래프

    3) 클래스별 분포 (객체 수와 동일)

    클래스별 분포 (객체 수와 동일)
    Class_id COUNT 비율 소분류 대분류
    1 696,597 26.48% Pedestrian Pedestrian
    2 228,859 8.70% Two-wheel Vehicle vehicle
    3 1,063,860 40.44% car vehicle
    8 154,588 5.88% Truck/Bus vehicle
    10 15,641 0.59% Traffic Light Object
    12 257,897 9.80% Traffic Sign Object
    40 100,275 3.81% Road Ground
    48 113,286 4.31% Sidewalk Ground
    합계 2,631,003 100.00%    

    클래스별 분포 그래프

    [클래스 설명]
    ■ car: 승용차, SUV 등 모든 차량
    ■ Truck/Bus: 트럭 및 버스 차량
    ■ Two-wheel Vehicle: 무동력으로 움직일 수 있는 자전거 일체, 
                            엔진 동력으로 움직일 수 있는 모터 사이클 일체
    ■ Pedestrian: 도로, 인도, 횡단보도 등의 공간에 위치한 사람 일체,
                  서 있는 상태로 탐승 가능한 PM(킥보드, 세그웨이 등) 일체
    ■ Road: 차량이 다닐 수 있는 도로 영역
    ■ Sidewalk: 인도 등 보행자가 이용 가능한 도로
    ■ Traffic Sign: 교통 표지판(보호구역, 속도제한 표지판)
    ■ Traffic Light: 신호등 몸체

     

    4) 날씨별 분포

    날씨별 분포
    Weather COUNT 결과 구성비 목표 구성비 비고
    clear 65,824 65.82% 65.00% 맑음
    foggy 11,370 11.37% 10.00% 안개
    rainy 22,806 22.81% 25.00% 강우
    합계 100,000 100.00% 100.00%  

    날씨별 분포

     

    5) 도로유형별 분포

    도로유형별 분포
    Road COUNT 비율 최소 수량 비고
    R01 15,261 15.26% 10,000 보호구역
    R02 3,279 3.28% 3,000 공원도로
    R03 41,495 41.50% 10,000 보차도로
    R04 23,277 23.28% 10,000 보행로 분리도로
    R05 16,325 16.33% 5,000 일방통행로
    R06 363 0.36% - 회전교차로
    합계 100,000 100.00% 38,000  

    도로유형별 분포

     

    - ImageCaption 1만 26장
    1) 이미지 캡션 어절 수

    이미지 캡션 어절 수
    Value_word Count 비율
    0 1 0.01%
    2 1 0.01%
    3 1 0.01%
    4 5 0.05%
    5 30 0.30%
    6 199 1.98%
    7 749 7.47%
    8 1371 13.67%
    9 1563 15.59%
    10 1273 12.70%
    11 920 9.18%
    12 762 7.60%
    13 615 6.13%
    14 486 4.85%
    15 412 4.11%
    16 363 3.62%
    17 333 3.32%
    18 210 2.09%
    19 172 1.72%
    20 127 1.27%
    21 104 1.04%
    22 62 0.62%
    23 51 0.51%
    24 23 0.23%
    25 30 0.30%
    26 23 0.23%
    27 14 0.14%
    28 14 0.14%
    29 6 0.06%
    30 14 0.14%
    31 11 0.11%
    32 8 0.08%
    33 8 0.08%
    34 10 0.10%
    35 10 0.10%
    36 7 0.07%
    37 7 0.07%
    38 5 0.05%
    39 6 0.06%
    40 2 0.02%
    41 7 0.07%
    42 2 0.02%
    43 2 0.02%
    44 3 0.03%
    45 3 0.03%
    63 1 0.01%
    합계 10026 100.00%

    이미지 캡션 어절 수 그래프

  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 상세 설명서 다운로드 AI 모델 다운로드

    - 2D Instance Segmentation 활용 AI 모델
    • ViTDet

    [모델 아키텍쳐]

    VitDet 모델 설명도

    ViTDet: Exploring plain vision transformer backbones for object detection 
    [ECCV 2022]

     

    VitDet는 Transformer backbone 기반의 Object Detection/Instance Segmentation 프레임워크로, 기존 컴퓨터 비전 분야에서 쓰이던 CNN(Convolutional Neural Network) 구조가 아닌 Transformer 모듈 기반의 ViT(Vision Transformer) 구조의 backbone 네트워크로 사용한다.

     

    - 2D Bounding Box 활용 AI 모델
    • RTMDet

    [모델 아키텍쳐]

    RTMDet 설명도

    RTMDet는 고속으로 동작하는 Object Detection 모델로 자율주행차는 주변 환경을 빠르게 인식하고 위험을 피해야 하기 때문에 고속으로 동작하는 Real-Time Object Detection에서 뛰어난 성능을 보여주는 일부 YOLO모달보다 계산량이 적고, 성능이 높다.


    - 3D Semantic Segmentation 활용 AI 모델
    • Point Transformer V2

    [모델 아키텍쳐]
    Point Transformer V2 설명도

    Point Transformer V2: Grouped Vector Attention and Partition-based Pooling

    [NeurIPS 2022]

     

    Point Transformer V2는 LiDAR 기반 voxel-based 3D Semantic Segmentation 모델로, Transformer 모듈에 기반하여 효율적인 Group vector attention 기법을 적용하였다. 파티션 기반 Pooling 기법을 적용

     

    - Keypoint 활용 AI 모델
    • VitPose

    [모델 아키텍쳐]
    기존 비전 트랜스포머 모듈에 특별한 도메인 지식을 포함시키지 않고도 간단한 모델 구조, 모델 크기의 확장성, 훈련 패러다임의 유연성, 그리고 모델 간 지식 전이능력의 측면에서 탁월한 능력을 발휘한다. 본 모델은 대표 벤치마크 데이터 셋인 COCO 데이터의 Pose Estimation 태스크에서 SOTA(State-of-the-art)를 기록함.

  • 설명서 및 활용가이드 다운로드

    데이터 설명서 다운로드 구축활용가이드 다운로드

    - 데이터 셋 구성
    1.1 Instance Segmentation(가시광 카메라) 40만장

    1) 어노테이션 포멧

    어노테이션 포멧
    구분 속성명 타입 필수여부 설명 범위 비고
    1 info object N 객체 정보 및 속성    
      1-1 description string N 작업 정보    
    1-2 contributor string N 가공도구 회사    
    1-3 url string N 가공도구 회사 주소    
    1-4 date_created string N 생성 날짜    
    2 category array N 카테고리    
        2-1-1 id number N 클래스 아이디    
    2-1-2 name string N 클래스 명    
    2-1-3 category_id string N 카테고리 아이디    
    2-1-4 supercategory string N 객체 supercategory    
    3 image_properties array N 객체 속성    
        3-1-1 id number N 고유 번호    
      3-1-2 image_id number N 이미지 파일의 고유 번호    
      3-1-3 name string N 클래스 정보    
      3-1-4 type string N 이미지 속성 유형    
      3-1-5 value string N 속성값    
    4 images string N 이미지데이터    
        4-1-1 id number N 이미지 고유번호    
      4-1-2 license string N 라이센스정보    
      4-1-3 dataset string N 데이터셋    
      4-1-4 file_name string N 원천데이터 파일명    
      4-1-5 height number N 이미지 높이    
      4-1-6 width number N 이미지 넓이    
    5 annotations array N 어노테이션 속성    
        5-1-1 id number N 고유번호    
        5-1-2 image_id number N 이미지 고유번호    
        5-1-3 iscrowd number N 크라우드 고유번호    
        5-1-4 category_id number N 카테고리 고유번호 2, 3, 8, 10, 12, 51, 52, 97, 98, 99, 100  
        5-1-5 bbox array N 바운딩박스 값    
        5-1-6 segmentation object N 세그멘테이션 값    
        5-1-7 object_properties array N 객체값    
    6 company string Y 원시데이터 수집 기관 "V", "K"  
    7 png_filename string Y 원천데이터 파일명    
    8 scenario string Y 시나리오별 코드명 "A01","A02", "A03","A04",
    "A05","A06", "A07","A08", "A09","A10", "A11","A12",
    "A13", "A14", "B01", "B02", "B03", "B04", "B05", "B06", "B07", "B08", "B09", "B10", "B11", "B12", "B13", "B14"
     
    9 sensor string Y 라이다 센서 종류 "T", "C", "L", "G"  
    10 time string Y 원시데이터가 수집된 시간대 "mrh", "day", "lunch", "afterschool", "erh", "night"  
    11 weather string Y 원시데이터가 수집된 날씨 "clear", "rainy", “foggy”  
    12 road string Y 도로유형별 코드명 "R01","R02","R03“,”R04“,”R05“,”R06“  

     

    2) 데이터 포맷 

    데이터 포맷
    분류 속성명 내용 타입
    대분류 images [] 이미지 정보 및 메타 정보 array
    annotations [] 어노테이션 정보 (중분류) array
    categories [] 카테고리 정보 (중분류) array
    중분류
    (images)
    id 이미지 파일의 고유 번호 int
    width 이미지 너비 (pixel) int
    height 이미지 높이 (pixel) int
    file_name 이미지 파일 이름 string
    meta 메타 정보 기록 string
    중분류
    (annotations)
    id 어노테이션 고유 번호 int
    image_id 이미지 파일의 고유 번호 int
    category_id 카테고리의 고유 번호 int
    segmentation []※ 어노테이션 포인트 정보
    [[x1, y1, x2, y2, …],[…],…] 
    array
    area 어노테이션 넓이 float
    bbox 어노테이션의 bbox 포인트 정보  array
    [x, y, width, height]※※
    keypoints※※※ 키포인트 포인트의 정보 array
    [1, 2, 3, ... ,17]
    num_keypoints※※※ 키포인트 가공된 포인트의 수 int
    중분류
    (categories)
    id 카테고리 고유 번호 int
    name 카테고리 이름 (소분류) string
    supercategory 상위 카테고리 (대분류) string
    keypoints※※※ 스켈레톤 각 점의 정보 array
    [[1: Left Eye], [2: Right Eye],..[16: Right Ankle]]** 
    skeleton []※※※ 스켈레톤 템플릿에서 각 점의 위치 array
    [[12, 1], […], …, [0, 16]]**

     

    3) 데이터 예시

    데이터 예시
    작업 이미지 json 형태
    가시광 카메라 작업 이미지 가시광 카메라 json 형태

     

    1.2 Bounding Box (열화상 카메라) 10만장
    1) 어노테이션 포맷

    어노테이션 포맷
    구분 속성명 타입 필수여부 설명 범위 비고
    1 info object N 객체 정보 및 속성    
      1-1 description string N 작업 정보    
    1-2 contributor string N 가공도구 회사    
    1-3 url string N 가공도구 회사 주소    
    1-4 date_created string N 생성 날짜    
    2 category array N 카테고리    
        2-1-1 id number N 클래스 아이디    
    2-1-2 name string N 클래스 명    
    2-1-3 category_id string N 카테고리 아이디    
    2-1-4 supercategory string N 객체 supercategory    
    3 images string N      
        3-1-1 id number N 이미지 고유번호    
        3-1-2 license string N      
        3-1-3 dataset string N      
        3-1-4 file_name string N 원천데이터 파일명    
        3-1-5 height number N 이미지 높이    
        3-1-6 width number N 이미지 넓이    
    4 annotations array N 어노테이션 속성    
        4-1-1 id number N 고유번호    
        4-1-2 image_id number N 이미지 고유번호    
        4-1-3 iscrowd number N 크라우드 고유번호    
        4-1-4 category_id number N 카테고리 고유번호 1, 2, 3, 8  
        4-1-5 bbox array N 바운딩박스 값    
        4-1-6 segmentation object N 세그멘테이션 값    
        4-1-7 object_properties array N 객체값    
    5 image_properties array N 객체 속성    
        5-1-1 id string N 고유 번호    
        5-1-2 image_id string N 이미지 파일의 고유 번호    
        5-1-3 name string N 클래스 정보    
        5-1-4 type string N 이미지 속성 유형    
        5-1-5 value string N 속성값    
    6 company string Y 원시데이터 수집 기관 "V", "K"  
    7 png_filename string Y 원천데이터 파일명    
    8 scenario string Y 시나리오별 코드명 "A01", "A02", "A03", "A04", "A05", "A06", "A07", "A08", "A09", "A10", "A11", "A12", "A13", "A14", "B01", "B02", "B03", "B04", "B05", "B06", "B07", "B08", "B09", "B10", "B11", "B12", "B13", "B14"  
    9 sensor string Y 라이다 센서 종류 "T", "C", "L", "G"  
    10 time string Y 원시데이터가 수집된
    시간대
    "mrh", "day", "lunch", "afterschool", "erh", "night"  
    11 weather string Y 원시데이터가 수집된
    날씨
    "clear","rainy",“foggy”  
    12 road string Y 도로유형별 코드명 "R01", "R02", "R03“,”R04“, ”R05“,”R06“  

     

    2) 데이터 포맷

    데이터 포맷
    분류 속성명 내용 타입
    대분류 images [] 이미지 정보 및 메타 정보 array
    annotations [] 어노테이션 정보 (중분류) array
    categories [] 카테고리 정보 (중분류) array
    중분류
    (images)
    id 이미지 파일의 고유 번호 int
    width 이미지 너비 (pixel) int
    height 이미지 높이 (pixel) int
    file_name 이미지 파일 이름 string
    meta 메타 정보 기록 string
    중분류
    (annotations)
    id 어노테이션 고유 번호 int
    image_id 이미지 파일의 고유 번호 int
    category_id 카테고리의 고유 번호 int
    segmentation []※ 어노테이션 포인트 정보  array
    [[x1, y1, x2, y2, …],[…],…]
    area 어노테이션 넓이 float
    bbox 어노테이션의 bbox 포인트 정보  array
    [x, y, width, height]※※
    keypoints※※※ 키포인트 포인트의 정보 array
    [1, 2, 3, ... ,17]
    num_keypoints※※※ 키포인트 가공된 포인트의 수 int
    중분류
    (categories)
    id 카테고리 고유 번호 int
    name 카테고리 이름 (소분류) string
    supercategory 상위 카테고리 (대분류) string
    keypoints※※※ 스켈레톤 각 점의 정보 array
    [[1: Left Eye], [2: Right Eye],..[16: Right Ankle]]** 
    skeleton []※※※ 스켈레톤 템플릿에서 각 점의 위치 array
    [[12, 1], […], …, [0, 16]]**

     

    3) 데이터 예시

    데이터 예시
    작업 예시
    열화상 카메라 작업 이미지

     

    json 예시
    json 예시
    열화상 카메라 json 형태

     

    1.3 3D Semantic Segmentation (LiDAR) 10만장
    1) 어노테이션 포맷

    어노테이션 포맷
    구분 속성명 타입 필수여부 설명 범위 비고
    1 annotations[]   N 데이터 라벨링 정보    
      1-1 3D_points[] array N 객체 영역 정보 [x y, z]    
    1-2 class string N 객체의 클래스 "Car", "Truck/Bus", "Two-wheel Vehicle", "Pedestrian", "Road", "Sidewalk", "Traffic Sign", "Traffic Light"  
    1-3 class_id number N 클래스 고유 번호 3, 8, 2, 1, 40, 48, 12, 10  
    1-4 id number N 객체 고유 번호    
    1-5 distance number N ego차량과 객체 간 거리    
    1-6 labeling_type string N 데이터 라벨링 방식 "3D_semantic_segmentation"  
    2 company string Y 원시데이터 수집 기관 "V", "K"  
    3 pcd_filename string Y 원천데이터 파일명    
    4 scenario string Y 시나리오별 코드명 "A01", "A02", "A03", "A04", "A05", "A06", "A07", "A08", "A09", "A10", "A11", "A12", "A13", "A14", "B01", "B02", "B03", "B04", "B05", "B06", "B07", "B08", "B09", "B10", "B11", "B12", "B13", "B14"  
    5 sensor string Y 라이다 센서 종류 "T", "C", "L", "G"  
    7 time string Y 원시데이터가 수집된 시간대 "mrh", "day", "lunch", "afterschool", "erh", "night"  
    8 weather string Y 원시데이터가 수집된 날씨 "clear", "rainy", “foggy”  
    9 road string Y 도로유형별 코드명 "R01", "R02", "R03“, ”R04“,
    ”R05“, ”R06“
     

     

    2) 데이터 포맷

    데이터 포맷
    분류 속성명 내용 타입
    대분류 images [] 원천데이터(PCD) 파일명 string
    meta 메타 정보 기록 string
    annotations [] 어노테이션 정보 (중분류) array
    중분류
    (annotations)
    id 객체 고유 번호 int
    class_id 객체 클래스 번호 int
    class 객체 클래스 string
    labeling_type 객체 라벨링 방식 string
    distance 수집차량과 객체간의 거리 float
    3D_points 객체 영역 정보 [ [x, y, z], …] float

     

    3) 데이터 예시

    데이터 예시
    작업 예시
    3D 라이다 작업 이미지

     

    json 예시
    json 예시
    3D 라이다 json 형태

     

    1.4 Keypoint (가시광카메라 보행자) 1만 26장
    1) 어노테이션 포맷

    어노테이션 포맷
    구분 속성명 타입 필수여부 설명 범위 비고
    1 info object N 객체 정보 및 속성    
      1-1 description string N 작업 정보    
    1-2 contributor string N 가공도구 회사    
    1-3 url string N 가공도구 회사 주소    
    1-4 date_created string N 생성 날짜    
    2 category array N 카테고리    
        2-1-1 id number N 클래스 아이디    
    2-1-2 name string N 클래스 명 "Pedestrian"  
    2-1-3 supercategory string N 객체 supercategory    
    2-1-4 keypoints array N 객체 속성 "nose", "left eye", "right eye", "left ear", "right ear", "left shoulder", "right shoulder", "left elbow", "right elbow", "left wrist", "right wrist", "left hip", "right hip", "left knee", "right_knee", "left ankle", "right ankle"  
    2-1-5 skeleton array N 고유 번호    
    3 images array N 이미지데이터    
        3-1-1 id number N 이미지데이터 고유번호    
      3-1-2 license string N 라이센스정보    
      3-1-3 dataset string N 데이터셋    
      3-1-4 file_name string N 원천데이터 파일명    
      3-1-5 height number N 이미지 높이    
      3-1-6 width number N 이미지 넓이    
    4 annotations array N 어노테이션 속성    
        4-1-1 id number N 고유번호    
      4-1-2 image_id string N 이미지 고유번호    
      4-1-3 iscrowd string N 크라우드 고유번호    
      4-1-4 categoty_id string N 카테고리 고유번호    
      4-1-5 bbox array N 바운딩박스 값    
      4-1-6 area number N 영역 값    
      4-1-7 keypoints array Y 키포인트 값    
      4-1-8 num_keypoints number N 키포인트 포인트 개수    
    5 image_properties array N 객체 속성    
        5-1-1 id number N 고유 번호    
        5-1-2 image_id number N 이미지 파일의 고유 번호    
        5-1-3 name string N 클래스 정보    
        5-1-4 type string N 이미지 속성 유형    
        5-1-5 value string N 속성값    

     

    2) 데이터 포맷

    데이터 포맷
    분류 속성명 내용 타입
    대분류 images [] 이미지 정보 및 메타 정보 array
    annotations [] 어노테이션 정보 (중분류) array
    categories [] 카테고리 정보 (중분류) array
    중분류
    (images)
    id 이미지 파일의 고유 번호 int
    width 이미지 너비 (pixel) int
    height 이미지 높이 (pixel) int
    file_name 이미지 파일 이름 string
    meta 메타 정보 기록 string
    중분류
    (annotations)
    id 어노테이션 고유 번호 int
    image_id 이미지 파일의 고유 번호 int
    category_id 카테고리의 고유 번호 int
    segmentation []※ 어노테이션 포인트 정보  array
    [[x1, y1, x2, y2, …],[…],…]
    area 어노테이션 넓이 float
    bbox 어노테이션의 bbox 포인트 정보  array
    [x, y, width, height]※※
    keypoints※※※ 키포인트 포인트의 정보 array
    [1, 2, 3, ... ,17]
    num_keypoints※※※ 키포인트 가공된 포인트의 수 int
    중분류
    (categories)
    id 카테고리 고유 번호 int
    name 카테고리 이름 (소분류) string
    supercategory 상위 카테고리 (대분류) string
    keypoints※※※ 스켈레톤 각 점의 정보 array
    [[1: Left Eye], [2: Right Eye],..[16: Right Ankle]]** 
    skeleton []※※※ 스켈레톤 템플릿에서 각 점의 위치 array
    [[12, 1], […], …, [0, 16]]**

     

    3) 데이터 예시

    데이터 예시
    작업 이미지
    키포인트 작업 이미지

     

    json 형태
    json 형태
    키포인트 json 형태

     

    1.5 ImageCaption 1만장
    1) 어노테이션 포맷

    어노테이션 포맷
    구분 속성명 타입 필수여부 설명 범위 비고
    1 info object N 객체 정보 및 속성    
      1-1 description string N 작업 정보    
    1-2 contributor string N 가공도구 회사    
    1-3 url string N 가공도구 회사 주소    
    1-4 date_created string N 생성 날짜    
    2 category array N 카테고리    
        2-1-1 id number N 클래스 아이디    
      2-1-2 name string N 클래스 명    
      2-1-3 category_id string N 카테고리 아이디    
      2-1-4 supercategory string N 객체 supercategory    
    3 images array N 이미지데이터    
        3-1-1 id number N 이미지데이터 고유번호    
      3-1-2 license string N 라이센스정보    
      3-1-3 dataset string N 데이터셋    
      3-1-4 file_name string N 원천데이터 파일명    
      3-1-5 height number N 이미지 높이    
      3-1-6 width number N 이미지 넓이    
    4 image_properties array N 이미지데이터 정보    
      4-1-1-1 id number N 이미지데이터정보 고유 번호    
    4-1-1-2 image_id number N 이미지 데이터 고유번호    
    4-1-1-3 name string N 이미지캡션 종류    
    4-1-1-4 type string N 이미지캡션 타입    
    4-1-1-5 value string Y 이미지캡션 값    

     

    2) 데이터 포맷

    데이터 포맷
    분류 속성명 내용 타입
    대분류 images [] 이미지 정보 및 메타 정보 array
    annotations [] 어노테이션 정보 (중분류) array
    중분류
    (images)
    id 이미지 파일의 고유 번호 int
    width 이미지 너비 (pixel) int
    height 이미지 높이 (pixel) int
    file_name 이미지 파일 이름 string
    meta 메타 정보 기록 string
    중분류
    (annotations)
    id 어노테이션 고유 번호 int
    image_id 이미지 파일의 고유 번호 int
    caption 상황을 묘사하는 완전한 문장 string

    * 이미지 캡션 포맷은 MS COCO dataset의 포맷을 사용

     

    3) 데이터 예시

    데이터 예시
    json 형태
    이미지캡션 json 형태
  • 데이터셋 구축 담당자

    수행기관(주관) : ㈜엘에프아이티
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    김광태 02-2631-6200 ktlogic@daum.net 총괄책임자
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    한국자동차연구원 데이터 수집
    ㈜뷰런테크놀로지 데이터 수집
    ㈜브레인컨테이너 데이터 가공
    인트엣지 AI 모델 및 유효성 검증
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    김광태 02-2631-6200 ktlogic@daum.net
    이정연 02-2631-6200 jylee@lfit.co.kr
    AI모델 관련 문의처
    AI모델 관련 문의처
    담당자명 전화번호 이메일
    이동현 02-2631-6200 donghyeon@intedges.com
    이정연 02-2631-6200 jylee@lfit.co.kr
    저작도구 관련 문의처
    저작도구 관련 문의처
    담당자명 전화번호 이메일
    이정연 02-2631-6200 jylee@lfit.co.kr
    신세일 02-2631-6200 call312@braincontainer.co.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.