-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2022-07-14 데이터 최초 개방 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2022-10-13 신규 샘플데이터 개방, 어노테이션 항목 구분자형식 수정 2022-07-14 콘텐츠 최초 등록 소개
– 디자인에 활용 가능한 객체 1,002종에 대한 추상 이미지데이터 약 50만건 구축
구축목적
– 추상이미지 분야의 최초의 데이터 셋을 확보하여 관련 분야 국내 적용 시 정확도 증대 및 국/내외 스케치, 아이콘 인식 관련 다양한 서비스 개발을 위한 AI 연구에 활용
-
메타데이터 구조표 데이터 영역 영상이미지 데이터 유형 이미지 데이터 형식 jpg 데이터 출처 자체 수집 라벨링 유형 바운딩박스(이미지), 텍스트(자연어) 라벨링 형식 json 데이터 활용 서비스 추상이미지를 맞추는 검색서비스 데이터 구축년도/
데이터 구축량2021년/추상이미지 : 546,048 -
추상이미지
1. 데이터 구축 규모
추상이미지 구분 픽토그램(아이콘) 일러스트레이션 스케치
(라인드로잉)합계 비율(%) 30 20 50 100 데이터 수(건) 160,215 104,333 260,840 525,388
2. 데이터 분포
-
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드추상이미지
1. 구축 내용- 본 과제를 통해 구축된 실제이미지와 추상이미지 데이터 셋을 학습하여 새로운 추상이미지의 유형을 판단할 수 있도록 모델을 구축함
2. 신경망 모델
- 추상이미지 분류를 위한 신경망 모델은 이미지 분석에 자주 사용되는 CNN기반의 Resnet101모델을 채택함
- Resnet101 모델의 구조는 그림1과 같음. Resnet 101모델은 기본적으로 VGG-19의 구조에 Convolution층들을 추가하여 생성되며 층의 개수에 따라 Resnet 18, Resnet 34, Resnet 50, Resnet 101, Resnet 152로 구성된다. 성능적인 면으로만 봤을 때, Resnet 152가 가장 뛰어나지만 연산량의 크기가 커지기 때문에 데이터 구축 시 Resnet 101모델을 선택하여 학습함.
[그림 1] 34-layer residual network architectures for ImageNet.
(출처.Deep Residual Learning for Image Recognition 논문)- 학습 시에 마지막 Dense layer를 제외하고 카테고리의 수만큼 Dense layer를 다시 추가하여 학습을 진행함
- 학습 진행 시 필요한 모듈과 모델의 구조는 아래와 같음
3. 학습 결과
-
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 분류학습 정확도 Image Classification ResNet AccuracyTop-5 65 % 95.3 %
※ 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 다운로드추상이미지
1. 데이터포맷
추상이미지 추상도메인구분 원천데이터 예시 라벨데이터 예시 비고 스케치 
{
"abstract_image": {
"img_no": 10,
"abs_no": 101,
"abs_domain": "SKETCH",
"abs_width": 200, "abs_height": 200,
"abs_path": ".../.../.../s_0554_10_101.jpg",
"abs_bbox": "[10, 10, 180, 180]",
"object_scale": “중”,
"gender": "F", "age": 51, "proficiency": “중“
}
}1건의 실제이미지에 매핑됨
(대상실제이미지 식별자: img_no)일러스트레이션 
{
"abstract_image": {
"img_no": 10,
"abs_no": 201,
"abs_domain": "ILLUSTRATION",
"abs_width": 200, "abs_height": 200,
"abs_path": ".../.../.../i_0554_10_201.jpg",
"abs_bbox": "[10, 10, 180, 180]",
"object_scale": “중”,
"gender": "F", "age": 51, "proficiency": “중“
}
}1건의 실제이미지에 매핑됨
(대상실제이미지 식별자: img_no)픽토그램 
{
"abstract_image": {
"img_no": 10,
"abs_no": 301,
"abs_domain": "PICTOGRAM",
"abs_width": 200, "abs_height": 200,
"abs_path": ".../.../.../p_0554_10_301.jpg",
"abs_bbox": "[10, 10, 180, 180]",
"object_scale": “중”,
"gender": "F", "age": 51, "proficiency": “중“
}
}1건의 실제이미지에 매핑됨
(대상실제이미지 식별자: img_no)2. 어노테이션포맷
구분 항목명 타입 필수여부 설명 범위 비고 1 category Object 카테고리 (클래스) 1-1 category.ctg_id String Y 카테고리 식별자 1-2 category.ctg_nm_level1 String Y 카테고리 대분류명 1-3 category.ctg_nm_level2 String Y 카테고리 중분류명 1-4 category.ctg_nm_level3 String Y 카테고리 소분류명 1002개 2 real_image Object 실제이미지 2-1 real_image.img_no Number Y 실제이미지 식별자 2-2 real_image.width Number Y 실제이미지 너비 단위:px 2-3 real_image.height Number Y 실제이미지 높이 단위:px 2-4 real_image.img_path String Y 실제이미지 파일경로 2-5 real_image.img_bbox String Y 실제이미지 bbox(json) [x, y, width, height] 2-6 real_image.ctg_id String Y 실제이미지 category.
ctg_id카테고리 3 abstract_image Object 추상이미지 3-1 abstract_image.img_no Number Y 실제이미지 식별자 real_image.
g_no3-2 abstract_image.abs_no Number Y 추상이미지 식별자 3-3 abstract_image.abs_domain String Y 추상이미지 도메인 [
“SKETCH”,
“PICTOGRAM”,
“ILLUSTRATION”
]3-4 abstract_image.abs_width Number Y 추상이미지 너비 단위:px 3-5 abstract_image.abs_height Number Y 추상이미지 높이 단위:px 3-6 abstract_image.abs_path String Y 추상이미지
파일경로3-7 abstract_image.abs_bbox String Y 추상이미지 bbox(json) [x, y, width, height] 3-8 abstract_image.object_scale String Y 추상이미지
객체 크기[“대,”중“,”소“] 추상이미지
Bbox크기 기준으로 산정3-9 abstract_image.gender String N 추상이미지 제작자
성별[“M”,“F”] 3-10 abstract_image.age Number N 추상이미지 제작자
나이3-11 abstract_image.proficiency String Y 추상이미지 제작자
숙련도[“상,”중“,”하“] -
데이터셋 구축 담당자
수행기관(주관) : 한국디자인진흥원
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 장성욱 031-780-2264 zzang@kidp.or.kr · 데이터 구축 총괄 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜스위트케이 · 추상이미지데이터 가공 툴 제공
· AI 모델 , 데이터 검증㈜플레이니트 · 데이터 구축 로템 · 데이터 구축 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 장성욱 031-780-2264 zzang@kidp.or.kr
-
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]
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.