AI-Hub

데이터 변경이력

데이터 히스토리

소개

- 20년도 기구축 데이터의 고도화 사업으로 세부 내용인 실내 다중이용시설에 최적화된 데이터 구축을 위해 다양한 조건 및 환경적 특성을 반영한 실내 다중이용시설 대상 로봇 AI 자율주행 알고리즘 개발의 기반 데이터를 구축함

구축목적

-  LiDAR+RGB-D를 이용한 실내 객체 식별 모델 및 실내 다중이용시설 SLAM모델 구축
- 소셜 내비게이션 로봇 주행을 위한 학습용 융합 데이터셋 구축

- 데이터 구축 규모

- 클래스 분포

- 로봇 분포

- 장소별 분포

- 조종사 조향 조작 분포

- 시나리오별 분포

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

- 학습 모델

1) 바운딩박스 객체 검출 성능

2) 큐보이드 객체 검출 성능

3) SLAM 성능

- 유효성 검증 환경
 1) 바운딩 박스 객체 검출 유효성 검증

바운딩 박스 객체 검출 유효성 검증

유효성 검증 항목
항목명	바운딩 박스 객체 검출 성능
검증 방법	2D Object Detection 학습 및 검증 수행
목적	2D 객체 검출을 통한 객체 라벨링 유효성 검증
지표	mAP(Mean Average Precision)
측정 산식
도커 이미지	2D_Docker.tar.gz ( 8.88 GB )
실행 파일명	학습 : train.py , 검증 : test.py
유효성 검증 환경
CPU	AMD EPYC 7742 64-Core Processor * 2
Memory	503G
GPU	NVIDIA RTX A6000 * 4
Storage	30.4TB
OS	Ubuntu 18.04.6 LTS
유효성 검증 모델 학습 및 검증 조건
개발 언어	Python 3.7.13
프레임워크	프레임워크 프레임워크 및 라이브러리 버전 torch 1.12.1
학습 알고리즘	YOLOv7
학습 조건	학습 조건 no 파라미터 파라미터 값 1 epoch 100 2 learning rate 0.01 3 weight decay 0.0005 4 momentum 0.937 5 mixup 0.15 6 box 0.05 7 batch size 32 8 image size (640, 640)
파일 형식	학습 : RGB-Image(.jpg) / Label-file(.json)
	검증 : RGB-Image(.jpg) / Label-file(.json)
전체 구축 데이터 대비 모델에 적용되는 비율	AI 모델 사용 이미지 비율  - 구축된 전체 데이터 100%
모델 학습 과정별 데이터 분류 및 비율 정보	Train : Val : Test = 80 : 10 : 10 ※ 분류 기준 - Training Set 비율 80% (120,220개) - Validation Set 비율 10% (14,993개) - Test Set 비율 10% (15,016개) 모델 학습 과정별 데이터 분류 및 비율 정보 no 클래스 Total Train Val Test 1 counter 969 785 119 65 2 pillar 32,361 25,207 2,873 4,287 3 desk 5,556 4,078 260 1,218 4 fire_extinguisher 3,886 3,151 393 342 5 wastebasket 2,055 1,737 0,167 151 6 information_board 1,523 1,302 165 56 7 chair 73,913 61,012 6,611 6,290 8 car 9,787 7,768 1,469 550 9 sculpture 3,083 2,332 256 495 10 display_stand 9,064 7,562 876 626 11 table 12,790 10,394 1,198 1,198 12 fence 4,633 3,383 346 904 13 sign 1,530 1,116 138 276 14 person 170,499 136,034 17,738 16,727 전체 수량 331,649 265,861 32,609 33,185

 2) 큐보이드 객체 검출 유효성 검증

큐보이드 객체 검출 유효성 검증

유효성 검증 항목
항목명	큐보이드 객체 검출 성능
검증 방법	3D Object Detection 학습 및 검증 수행
목적	3D 객체 검출을 통한 객체 라벨링 유효성 검증
지표	mAP(Mean Average Precision)
측정 산식
도커 이미지	3D_Docker.tar.gz ( 8.61 GB )
실행 파일명	python run_test.py
유효성 검증 환경
CPU	AMD EPYC 7742 64-Core Processor * 2
Memory	503G
GPU	NVIDIA RTX A6000 * 4
Storage	30.4TB
OS	Ubuntu 18.04.6 LTS
유효성 검증 모델 학습 및 검증 조건
개발 언어	Python 3.7.13
프레임워크	프레임워크 프레임워크 및 라이브러리 버전 pcdet 0.6.0+255db8f(별도 코드 설치) torch 1.12.1
학습 알고리즘	FocalsConv (OpenPCDet)
학습 조건	학습 조건 no 파라미터 파라미터 값 1 epoch 160 2 learning rate 0.01 3 weight decay 0.01 4 momentum 0.9 5 learning rate decay  0.1 6 learning rate clip  0.0000001 7 optimizer adam_onecycle 8 grad norm clip 10
파일 형식	학습 : RGB-Image(.jpg) , Depth-Image(.png), LiDAR-PointCloud(.pcd) ,Label-file(.json)
	검증 : RGB-Image(.jpg) , Depth-Image(.png), LiDAR-PointCloud(.pcd), Label-file(.json)
전체 구축 데이터 대비 모델에 적용되는 비율	AI 모델 사용 이미지 비율  - 구축된 전체 데이터 100%
모델 학습 과정별 데이터 분류 및 비율 정보	Train : Val : Test = 80 : 10 : 10 ※ 분류 기준 - Training Set 비율 80% (120,220개) - Validation Set 비율 10% (14,993개) - Test Set 비율 10% (15,016개) 모델 학습 과정별 데이터 분류 및 비율 정보 no 클래스 Total Train Val Test 1 counter 969 785 119 65 2 pillar 32,361 25,207 2,873 4,287 3 desk 5,556 4,078 260 1,218 4 fire_extinguisher 3,886 3,151 393 342 5 wastebasket 2,055 1,737 0,167 151 6 information_board 1,523 1,302 165 56 7 chair 73,913 61,012 6,611 6,290 8 car 9,787 7,768 1,469 550 9 sculpture 3,083 2,332 256 495 10 display_stand 9,064 7,562 876 626 11 table 12,790 10,394 1,198 1,198 12 fence 4,633 3,383 346 904 13 sign 1,530 1,116 138 276 14 person 170,499 136,034 17,738 16,727 전체 수량 331,649 265,861 32,609 33,185

 3) SLAM 성능 유효성 검증

SLAM 성능 유효성 검증

유효성 검증 항목
항목명	SLAM 성능
검증 방법	Docker Image 제출 및 현장점검 등
목적	로봇의 이동경로 정확성 측정
지표	End to End RMSE
측정 산식
도커 이미지	SLAM_Docker.tar.gz ( 10 GB )
실행 파일명	python run_slam.py
유효성 검증 환경
CPU	AMD EPYC 7742 64-Core Processor
Memory	53G
GPU	사용 안함
Storage	1.8T
OS	Ubuntu 20.04
유효성 검증 모델 학습 및 검증 조건
개발 언어	C++
프레임워크	프레임워크 프레임워크 및 라이브러리 버전 ROS1 noetic PCL 1.8 Eigen 3.3.4
학습 알고리즘	Fast-LIO2
학습 조건	학습 조건 no 파라미터 파라미터 값 1 lidar_type 2 2 scan_line 16 3 acc_cov 0.1 4 gyr_cov 0.1
파일 형식	학습 데이터셋 : -
	평가 데이터셋 : bag 파일
전체 구축 데이터 대비 모델에 적용되는 비율	SLAM 평가 데이터 비율  - 구축된 전체 데이터 100%
모델 학습 과정별 데이터 분류 및 비율 정보	Train : Val : Test = 0 : 0 : 100  ※ 분류 기준 - Training Set 비율 -% (- 개) - Validation Set 비율 -% (- 개) - Test Set 비율 100% ( 2528 개) 모델 학습 과정별 데이터 분류 및 비율 정보 no 클래스 Total Train Val Test 1 odometry (x,y) 2528 0 0 2528
제한사항	• SLAM 알고리즘의 경우 AI 인공지능 모델이 아니므로, 학습 및 검증용 데이터가 없습니다. • GPU를 사용하지않는 알고리즘이며, CPU만을 사용합니다. • 수집 당시에 취득한 RAW 데이터 Bag 파일을 입력으로 사용합니다.

설명서 및 활용가이드 다운로드

- 데이터 구성 및 구축 규모

- 파일 디렉토리 구성

1) 원천 데이터 

2) 라벨링 데이터

- 경로 구분 정보

- 파일명 구성 정보

- 장소별 객체 취득 구분

- 어노테이션 포맷

- 데이터 실제 예시
 1) 원천 데이터 
 (1) 2D(RGB 이미지)

[그림1] 원천 데이터 2D 이미지

 (2) 2D(Lidar – PCD 포인트 클라우드 데이터)

[그림2] 원천 데이터 3D 이미지

2) 라벨데이터(JSON)

{
  "licenses": [
    {
      "name": "blackolive",
      "url": "https://bo.testworks.ai/"
    }
  ],
  "info": {
    "description": "［Bounding Box］로봇관점 주행영상(고도화)",
    "date_created": "2023-09-20 17:07:46.572397+09:00",
    "env": {
      "site": "한밭대학교",
      "location": "국제교류관 1층 역사비전실",
      "address": "대전광역시 유성구 동서대로 125",
      "date": "2023-08-23",
      "weather": "흐림",
      "temperature": "29.8",
      "lumen": "595",
      "decibel": "55.5",
      "running_time": "0:03:32",
      "floor_material": "마루바닥“
      "gate_material": "유리문",
      "wall_material": "유리통창",
      "interaction_starting_time": "0:01:03",
      "interaction_starting_time": "0:03:30",
    }
     "imu": {
      "gyroscope_orientation.x": "0.8652079105377197",
      "gyroscope_orientation.y": "-0.501127779483795",
      "gyroscope_orientation.z": "0.0029802438803017",
      "gyroscope_orientation.w": "0.8652079105377197",
      "magnetometer_angular_velocity.x": "-0.0166074056178331",
      "magnetometer_angular_velocity.y": "-0.0160168912261724",
      "magnetometer_angular_velocity.z": "0.5337373614311218",
      "accelerometer_linear_acceleration.x": "1.7709157991409303",
      "accelerometer_linear_acceleration.y": "0.5227935215458274",
      "accelerometer_linear_acceleration.z": "9.483151170015336",
    }
  },
  "categories": [
    {
      "id": 0,
      "name": "counter"
    },
    {
      "id": 1,
      "name": "pillar"
    },
    {
      "id": 2,
      "name": "desk"
    },
    {
      "id": 3,
      "name": "ticket machine"
    },
    {
      "id": 4,
      "name": "fire extinguisher"
    },
    {
      "id": 5,
      "name": "wastebasket"
    },
    {
      "id": 6,
      "name": "information board"
    },
    {
      "id": 7,
      "name": "chair"
    },
    {
      "id": 8,
      "name": "car"
    },
    {
      "id": 9,
      "name": "sculpture"
    },
    {
      "id": 10,
      "name": "display stand"
    },
    {
      "id": 11,
      "name": "table"
    },
    {
      "id": 12,
      "name": "fence"
    },
    {
      "id": 13,
      "name": "sign"
    },
    {
      "id": 14,
      "name": "person"
    }
  ],
  "images": [
    {
      "id": 10,
      "width": 1920,
      "height": 1080,
      "file_name": "0011.jpg",
      "scenario": {
        "id": "SN07",
        "name : " ",
        "start_time": "08:50:11",
        "end_time": "08:53:34",
        "distance_traveled": 54",
        "len": 62,
        "index": 10,
        "out_of_focus": false
      }
    }
  ],
  "annotations": [
    {
      "id": "1101",
      "image_id": "10",
      "category_id": 14,
      "bbox": [
        898.61,
        44.13,
        1360.55,
        886.36
      ],
      "attributes": {
        "is_social_interaction": false
      }
    }
  ],
  "pcd_images": [
    {
      "id": "10",
      "file_name": "0011.pcd",
      "date_capture": "2023-09-20 17:07:46.572397+09:00"
    }
  ],
  "pcd_annotations": [
    {
      "obj_id": 1101,
      "type": "cuboid",
      "obj_type": "person",
      "psr": {
        "scale": {
          "x": 0.5173366848600033,
          "y": 0.6694160168796929,
          "z": 1.1747675991099225
        },
        "position": {
          "x": 2.1646981813102655,
          "y": -0.17196524771686375,
          "z": 0.06853672100140891
        },
        "rotation": {
          "x": 0,
          "y": 0,
          "z": 2.4870941840919194
        }
      }
    }
  ]
}
 

데이터셋 구축 담당자

수행기관(주관) : 흥일기업(주)

수행기관(참여)

데이터 관련 문의처

AI모델 관련 문의처

저작도구 관련 문의처