비전영역, 축구 킥 동작 및 축구공 궤적 데이터 구축
- 분야스포츠
- 유형 비디오 , 이미지
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-12-06 데이터 최종 개방 1.0 2023-06-07 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2023-12-20 산출물 전체 공개 소개
ㅇ 데이터셋 구성 : -축구 킥 동작: 원천데이터: 이미지, 라벨링데이터: json -축구 킥 궤적: 원천데이터: 동영상, 라벨링데이터: json ㅇ 데이터 규모: -축구 킥 동작: 원천데이터: 이미지, 라벨링데이터: json -축구 킥 궤적: 원천데이터: 동영상, 라벨링데이터: json
구축목적
- 축구 킥 동작 : 축구 킥 동작 인식을 통한 정/오자세 분석 및 코칭, 개인별 축구 킥 동작 패턴 발견을 통한 훈련시스템 개발
-
메타데이터 구조표 데이터 영역 스포츠 데이터 유형 비디오 , 이미지 데이터 형식 이미지 (.jpg), 영상 데이터 출처 온/오프라인 크라우드 소싱 촬영 라벨링 유형 축구 킥동작(이미지), 축구 공궤적(영상) 라벨링 형식 JSON, MP4 데이터 활용 서비스 축구 킥 궤적 : 축구 킥 궤적 에측을 통한 시뮬레이션 기반 훈련 시스템 개발 데이터 구축년도/
데이터 구축량2022년/1,140,480장 -
1. 데이터 구축 규모
1. 데이터 구축 규모 구분 라벨링 타입 라벨링 요소 규모 산출근거 축구 킥
동작 데이터2D keypoints 객체 (공) 1개 1,140,480 23760킥 * 6개 동작 * 8CH 자세(선수) 22개 3D keypoints 객체 (공) 1개 142,500 23760킥 * 6개 동작 자세(선수) 22개 축구 공
궤적 데이터초기 2D keypoints 객체 (공) 1개 570,240 23,760킥 * 6CH * 4frame 궤적 (총 570,240개의 좌표 정보) 후기 3D keypoints 객체 (공) 23,760 23,760킥 * 모든 프레임 궤적 1개 (총 약800만개의 좌표 정보) 데이터 설명 - 1개의 원천 데이터 객체(공) 및 자세(선수)를 라벨링 함 (1:N) - 자세 및 공은 원천데이터 이미지 1장당 선수 1인과 함께 객체(공)가 포함됨 2. 데이터 인원수 기준 선수 및 킥 발의 분류
2. 데이터 인원수 기준 선수 및 킥 발의 분류 축구 킥 동작 원시데이터 획득 계획 – 선수 및 킥 발의 분류 구분 선수 킥 발의 비율 오른발 오른발 왼발 왼발 -80% 킥 수 -20% 킥 수 선수
114명남 성인 48 38 8,448 10 2,112 초등 12 10 1,920 2 480 중등 12 10 1,920 2 480 고등 12 10 1,920 2 480 여 성인 12 10 1,920 2 480 초등 6 5 960 1 240 중등 6 5 960 1 240 고등 6 5 960 1 240 합계 114 91 19,008 23 4,752 -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드1. 축구 킥 동작데이터
1. 축구 킥 동작데이터 내용 학습용 데이터의 유효성 항목 • 유효성 검사항목 - 데이터셋의 활용목적에 맞는 구체적인 학습 Task(모델의 탐지, 추론, 예측 등) 설정 여부 - 학습 Task에 부합하는 AI모델 선정 및 개별 AI모델 구현 - AI모델에 따른 성능지표 설정 및 학습성능 측정 [참고3] 유효성 항목(비디오 데이터 예시) 품질특성 TASK 명 모델명 지표 유효성 자동 킥 동작 및 자세 추정, 분석 AlphaPose mAP 축구 공 궤적 예측 TrajectNet Mean point difference • 유효성 검사기준 - 사전준비: AI모델, 학습 Task, 성능지표 마련 - 검사단위: 학습 Task별 구현한 AI모델 - 검사수량: 구축한 학습용 데이터의 전체분량 - 검사방법: 구축한 데이터를 AI모델에 학습 후 정량지표별 결과 출력 결과 ※ 실제 모델을 돌린 증빙자료(표,차트 등)를 붙임자료로 필수로 첨부한다. ex) 몇 개의 데이터로 몇 번을 학습 수행한 것인지, 타임스탬프와 함께 결과화면(log)을 캡쳐 품질특성 TASK 명 모델명 지표 목표치 결과값 유효성 자동 킥 동작 및 자세 추정, 분석 AlphaPose mAP(OKS0.75) 0.8 이상 0.5907 축구 공 궤적 예측 TrajectNet Mean point difference 0.44m
이하- ㅇ 유효성 검증환경
아래에서 유효성 검증환경에 대하여 기술하도록 한다. 2가지 이상의 임무와 데이터셋 구성이 다른 경우에는 반드시 개별적으로 작성한다.1. 축구 킥 동작데이터ㅇ 유효성 검증환경 유효성 항목 및 지표 항목명 추정성능 임무 자세 추정(Pose Estimation) 지표 mAP 측정 산식
< coco mAP Metrics 출처 : https://cocodataset.org/#keypoints-eval >HW 사양 구성방식 로컬 서버 CPU 11th Gen Intel(R) Core(TM) i9-11900K @ 3.50GHz Memory 64GB GPU GeForce RTX 3090 Storage 1.0TB OS Ubuntu 20.04 알고리즘 및 학습 조건 개발 언어 python 3.8.10 프레임워크 pytorch 1.10.1+cu113, cuda 11.3 알고리즘 AlphaPose 학습조건 Batch Size = 128, Learning Rate = 0.001 데이터셋 분할
(수량, 비율)1Cycle 구축 데이터 23,283건(라벨 데이터 기준) • 학습용 데이터셋: 18,626개 (0.8) • 검증용 데이터셋: 2,328개 (0.1) • 평가용 데이터셋: 2,329개 (0.1) 구축목표 총 데이터 수량 대비 비율 구축목표 데이터 수량 1140,480개 / 유효성검증데이터 총수량 23,283개 기타사항 그림. AlphaPose 모델 학습 로그 그림. AlphaPose 모델 평가 로그 2. 축구 킥 궤적데이터
2. 축구 킥 궤적데이터 내용 학습용 데이터의 유효성 항목 유효성 검사항목 - 데이터셋의 활용목적에 맞는 구체적인 학습 Task(모델의 탐지, 추론, 예측 등) 설정 여부 - 학습 Task에 부합하는 AI모델 선정 및 개별 AI모델 구현 - AI모델에 따른 성능지표 설정 및 학습성능 측정 [참고3] 유효성 항목(비디오 데이터 예시) 품질특성 TASK 명 모델명 지표 유효성 예측성능 TrajectNet 예측오차거리 (자체개발) 유효성 검사기준 - 사전준비: AI모델, 학습 Task, 성능지표 마련 - 검사단위: 학습 Task별 구현한 AI모델 - 검사수량: 구축한 학습용 데이터의 전체분량 - 검사방법: 구축한 데이터를 AI모델에 학습 후 정량지표별 결과 출력 결과 ※ 실제 모델을 돌린 증빙자료(표,차트 등)를 붙임자료로 필수로 첨부한다. ex) 몇 개의 데이터로 몇 번을 학습 수행한 것인지, 타임스탬프와 함께 결과화면(log)을 캡쳐 품질특성 TASK 명 모델명 지표 목표치 결과값 유효성 예측성능 TrajectNet
(자체개발)예측오차거리 0.44m
이하달성 ㅇ 유효성 검증환경
아래에서 유효성 검증환경에 대하여 기술하도록 한다. 2가지 이상의 임무와 데이터셋 구성이 다른 경우에는 반드시 개별적으로 작성한다.2. 축구 킥 궤적데이터ㅇ 유효성 검증환경 유효성 항목 및 지표 항목명 추정성능 임무 축구공 궤적 예측 지표 mean point difference (0.44m) 축구 궤적 추정 딥러닝 모델의 경우 세계 최초로 개발되고 있음. 따라서, 연구 개발 노력이 상당히 소요되고 있음. 킥데이터를 3차원으로 추적하는 알고리즘(축구장 카메라 calibration, 영상으로부터 2차원 공 위치 추출, 3차원 위치 데이터들에 대한 spline근사화 알고리즘 등등)과 딥러닝 모델을 개발하는 것을 동시에 하기에 무리가 있으나, 현재까지 킥데이터 3차원 추적은 성공적으로 마무리되어 데이터를 목표치까지 가공하였고, 인공지능 모델은 11월 이내에 완료목표. 측정 산식 <킥데이터 취득 경기장 및 볼트래킹 데이터> HW 사양 구성방식 로컬 서버 CPU AMD 6 Cores (Not important under well performing GPU) Memory 128GB GPU RTX Quadro 8000 Storage 1.0TB OS Ubuntu 20.04 알고리즘 및 학습 조건 개발 언어 c++ 프레임워크 Koon (Wolfson Lab’s deeplearning framework), cuda 11.4 알고리즘 ResNet 50, Hot spot 기반 위치 추정 학습조건 Batch Size = 32~64, Learning Rate = 0.001, ADAM 데이터셋 분할
(수량, 비율)1Cycle 구축 데이터 2,718건(라벨 데이터 기준) • 학습용 데이터셋: 2,174개 (0.8) • 검증용 데이터셋: 271개 (0.1) • 평가용 데이터셋: 271개 (0.1) 구축목표 총 데이터 수량 대비 비율 구축목표 데이터 수량 23,760개 / 유효성검증데이터 총수량 2,718개 축구 궤적 추정 딥러닝 모델의 경우 세계 최초로 개발되고 있음. 따라서, 연구 개발 노력이 상당히 소요되고 있음. 킥데이터를 3차원으로 추적하는 알고리즘(축구장 카메라 calibration, 영상으로부터 2차원 공 위치 추출, 3차원 위치 데이터들에 대한 spline근사화 알고리즘 등등)과 딥러닝 모델을 개발하는 것을 동시에 하기에 무리가 있으나, 현재까지 킥데이터 3차원 추적은 성공적으로 마무리되어 데이터를 목표치까지 가공하였고, 인공지능 모델 11월 이내에 완료계획. 기타사항 그림. 궤적 추정 네트워크 학습용 딥러닝 프레임워크 -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 동작 자세에 대한 인공지능 자세 추정 성능 Pose Estimation AlphaPose mAP 80 % 98.98 % 2 축구공 궤적 예측 성능 Prediction ResNet 50 Mean point difference 0.44 M 0.26 M
※ 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 다운로드라벨링 대상에 따른 메타데이터
-라벨링 대상에 따른 라벨링 방법-라벨링 대상에 따른 라벨링 방법 라벨링 대상 라벨링 방법 객체
(1)공 keypoints (1) 자세
(22)코 keypoints (22) 목 오른쪽 어깨 오른쪽 팔꿈치 오른쪽 손목 왼쪽 어깨 왼쪽 팔꿈치 왼쪽 손목 오른쪽 엉덩이 오른쪽 무릎 오른쪽 발목 왼쪽 엉덩이 왼쪽 무릎 왼쪽 발목 오른쪽 눈 왼쪽 눈 오른쪽 귀 왼쪽 귀 오른쪽 엄지발가락 오른쪽 발뒷꿈치 왼쪽 엄지발가락 왼쪽 발뒷꿈치 - 축구 영상(자세) 데이터 keypoints(22개) 라벨링 타입
- 축구 영상(자세) 데이터 keypoints(22개) 라벨링 타입 No. 속성명 속성 설명 Type 필수여부 작성 예시 1 annotations[].keypoint.id 키포인트 식별자 string 선택 PLT_TA_0001 (분류_순번) 2 annotations[].keypoint.name 키포인트 객체 이름 string 선택 동작명 3 annotations[].keypoint.category 키포인트 객체 유형 string 선택 동작_분류 4 annotations[].keypoint.points[] 키포인트 3차원 좌표값 (x, y, z)의 집합 list, 선택 [(100, 105, 207),...,(160,104, 169)] number - 영상 샘플데이터(축구 킥 동작 라벨링 예시)
- 영상 샘플데이터(축구 킥 동작 라벨링 예시) keypoints(22개) 라벨링 예시 {
"metaData": "",
"dataInfo": [
{
"축구 킥": "soccer kick"
}
],
"inspRejectYn": "N",
"labelingInfo": [
{
"pose": {
"location": {
"왼쪽 뒷꿈치": {
"x": "322",
"y": "247",
"z": "127",
"view": 1
},
"왼쪽 발목": {
"x": "335",
"y": "258",
"z": "137",
"view": 1
},"왼쪽 팔꿈치": {
"x": "286",
"y": "216",
"z": "138",
"view": 1
},
"왼쪽 귀": {
"x": "238",
"y": "185",
"z": "112",
"view": 1
},
"오른쪽 뒷꿈치": {
"x": "317",
"y": "270",
"z": "145",
"view": 1
},
"오른쪽 엄지 발가락": {
"x": "277",
"y": "284",
"z": "163",
"view": 1
},
......
"오른쪽 엉덩이": {
"x": "343",
"y": "205",
"z": "128",
"view": 1
},
"왼쪽 엄지 손가락": {
"x": "297",
"y": "290",
"z": "130",
"view": 1
},
"왼쪽 중지 손가락": {
"x": "304",
"y": "289",
"z": "138",
"view": 1
}
},
"label": "축구 킥",
"type": "pose"
}
}
]
}- 축구 킥 동작 데이터 2D, 3D keypoints 정의
- 축구 킥 동작 데이터 2D, 3D keypoints 정의 keypoints list Index Name 한글 Index Name 한글 0 Nose 코 101 Ball 축구공 1 Neck 목 2 RShoulder 오른쪽 어깨 3 RElbow 오른쪽 팔꿈치 4 RWrist 오른쪽 손목 5 LShoulder 왼쪽 어깨 6 LElbow 왼쪽 팔꿈치 7 LWrist 왼쪽 손목 8 RHip 오른쪽 엉덩이 9 RKnee 오른쪽 무릎 10 RAnkle 오른쪽 발목 11 RBigToe 오른쪽 엄지발가락 12 RSmallToe 오른쪽 발뒷꿈치 13 LHip 왼쪽 엉덩이 14 LKnee 왼쪽 무릎 15 LAnkle 왼쪽 발목 16 LBigToe 왼쪽 엄지발가락 17 LSmallToe 왼쪽 발뒷꿈치 18 REye 오른쪽 눈 19 LEye 왼쪽 눈 20 REar 오른쪽 귀 21 LEar 왼쪽 귀 - 영상 샘플데이터(축구 공 궤적 데이터 라벨링 예시)
- 영상 샘플데이터(축구 공 궤적 데이터 라벨링 예시) 3D keypoints(1개) 라벨링 예시 {
"metaData": "",
"dataInfo": [
{
"축구 공 궤적": "soccer ball trajectory"
}
],
"inspRejectYn": "N",
"labelingInfo": [
{
"position": {
"location": {
"시점1": {
"x": "322",
"y": "247",
"z": "127",
"view": 1
},
"시점2": {
"x": "335",
"y": "258",
"z": "137",
"view": 1
},"시점3": {
"x": "286",
"y": "216",
"z": "138",
"view": 1
},
"시점4": {
"x": "238",
"y": "185",
"z": "112",
"view": 1
},
"시점5": {
"x": "317",
"y": "270",
"z": "145",
"view": 1
},
"시점6": {
"x": "277",
"y": "284",
"z": "163",
"view": 1
},
......
"시점8": {
"x": "343",
"y": "205",
"z": "128",
"view": 1
},
"시점9": {
"x": "297",
"y": "290",
"z": "130",
"view": 1
},
"시점10": {
"x": "304",
"y": "289",
"z": "138",
"view": 1
}
},
"label": "축구 공 궤적",
"type": "position"
}
}
]
}- 축구 공 궤적 데이터 3D keypoints 정의
- 축구 공 궤적 데이터 3D keypoints 정의 keypoints list Index Name 한글 101 Ball 축구공 ㅇ어노테이션 포맷
라벨은 다음과 같이 구성되며, 항목별 타입과 필수여부 및 값
ㅇ어노테이션 포맷 항목 항목명 타입 필수여부 설명 범위 1 metaData object 데이터 속성 기본정보 2 inspRejectYn String 검수현황값 3 labelingInfo array 라벨링정보 3-1 pose object 3-1-1 location object 3-1-1-1 코(Nose ) object Y (x,y,view)값으로 위치를 표현. View는 포인트별로
1 :보이는포인트,
-1 : 보이지않는 포인트로 정의3-1-1-1-1 x string Y 3-1-1-1-2 y string Y 3-1-1-1-3 view number Y 3-1-1-2 목(Neck) object Y 3-1-1-2-1 x string Y 3-1-1-2-2 y string Y 3-1-1-2-3 view number Y 3-1-1-3 오른쪽어깨(RShoulder) object Y 3-1-1-3-1 x string Y 3-1-1-3-2 y string Y 3-1-1-3-3 view number Y 3-1-1-4 오른쪽 팔꿈치(RElbow) object Y 3-1-1-4-1 x string Y 3-1-1-4-2 y string Y 3-1-1-4-3 view number Y 3-1-1-5 오른쪽 손목(RWrist) object Y 3-1-1-5-1 x string Y 3-1-1-5-2 y string Y 3-1-1-5-3 view number Y 3-1-1-6 왼쪽 어깨(LShoulder) object Y 3-1-1-6-1 x string Y 3-1-1-6-2 y string Y 3-1-1-6-3 view number Y 3-1-1-7 왼쪽 팔꿈치(LElbow) object Y 3-1-1-7-1 x string Y 3-1-1-7-2 y string Y 3-1-1-7-3 view number Y 3-1-1-8 왼쪽 손목(LWrist) object Y 3-1-1-8-1 x string Y 3-1-1-8-2 y string Y 3-1-1-8-3 view number Y 3-1-1-9 오른쪽 엉덩이(RHip) object Y 3-1-1-9-1 x string Y 3-1-1-9-2 y string Y 3-1-1-9-3 view number Y 3-1-1-10 오른쪽 무릎(RKnee) object Y 3-1-1-10-1 x string Y 3-1-1-10-2 y string Y 3-1-1-10-3 view number Y 3-1-1-11 오른쪽 발목(RAnkle) object Y 3-1-1-11-1 x string Y 3-1-1-11-2 y string Y 3-1-1-11-3 view number Y 3-1-1-12 오른쪽엄지발가락(RBigToe) object Y 3-1-1-12-1 x string Y 3-1-1-12-2 y string Y 3-1-1-12-3 view number Y 3-1-1-13 오른쪽발뒷꿈치(RSmallToe) object Y 3-1-1-13-1 x string Y 3-1-1-13-2 y string Y 3-1-1-13-3 view number Y 3-1-1-14 왼쪽 엉덩이(LHip) object Y 3-1-1-14-1 x string Y 3-1-1-14-2 y string Y 3-1-1-14-3 view number Y 3-1-1-15 왼쪽 무릎(LKnee) object Y 3-1-1-15-1 x string Y 3-1-1-15-2 y string Y 3-1-1-15-3 view number Y 3-1-1-16 왼쪽 발목(LAnkle) object Y 3-1-1-16-1 x string Y 3-1-1-16-2 y string Y 3-1-1-16-3 view number Y 3-1-1-17 왼쪽 엄지발가락(LBigToe) object Y 3-1-1-17-1 x string Y 3-1-1-17-2 y string Y 3-1-1-17-3 view number Y 3-1-1-18 왼쪽 발뒷꿈치(LSmallToe) object Y 3-1-1-18-1 x string Y 3-1-1-18-2 y string Y 3-1-1-18-3 view number Y 3-1-1-19 오른쪽 눈(REye) object Y 3-1-1-19-1 x string Y 3-1-1-19-2 y string Y 3-1-1-19-3 view number Y 3-1-1-20 왼쪽 눈(LEye) object Y 3-1-1-20-1 x string Y 3-1-1-20-2 y string Y 3-1-1-20-3 view number Y 3-1-1-21 오른쪽 귀(REar) object Y 3-1-1-21-1 x string Y 3-1-1-21-2 y string Y 3-1-1-21-3 view number Y 3-1-1-22 왼쪽 귀(LEar) object Y 3-1-1-22-1 x string Y 3-1-1-22-2 y string Y 3-1-1-22-3 view number Y 3-1-1-23 축구공(Ball) object Y 3-1-1-22-1 x string Y 3-1-1-22-2 y string Y 3-1-1-22-3 view number Y ㅇ어노테이션 포맷 항목 항목명 타입 필수여부 설명 범위 3-1-2 label string soccer kick Keypoints 고정 3-1-2 label string soccer kick Keypoints 3-1-3 type string pose 고정 3-2 Soccer Ball object 3-2-1 location object 3-2-1-1 축구공(Ball) object Y 축구공 3-2-1-1-1 x string Y 3-2-1-1-2 y string Y 3-2-1-1-3 view number Y 3-3 wind gauge object Y 풍향계 3-3-1 location object Y 3-3-1-1 풍향계 object Y 3-3-1-1-1 wind direction number Y 풍향 3-3-1-1-2 wind speed number Y 풍속 3-3-1-1-3 temperature number Y 온도 3-3-1-1-4 humidity number Y 습도 3-5-1 Keypoints object Y 킥포인트좌표값 3-5-1-1 Xstart string Y 3-5-1-2 Xend string Y 3-5-2 label string 3-5-3 type string 3-6 categories object 3-6-1 poomsae string 킥 동작 분류 3-7 images object 이미지정보 3-7-1 id string Y 이미지파일명 3-7-2 width number 이미지너비 1920 3-7-3 height number 이미지높이 1080 3-7-4 license string 이미지라이선스 3-7-5 camera id string 카메라 id 0~8 3-7-6 date created string 이미지촬영일자 3-8 videos object 영상정보 3-8-1 id string 영상파일명 3-8-2 width number 프레임너비 1920 3-8-3 height number 프레임높이 1080 3-8-4 frame rate number 프레임속도 120 3-8-5 camera id string 카메라 id 0~8 3-8-6 license string 영상라이선스 3-8-7 date created string 영상촬영일자 3-9 actors object 킥커 선수정보 3-9-1 id string 선수별 고유 ID 3-9-2 sex string Y 선수 성별 3-9-3 age string Y 선수연령에 따라 4분류로 분류 3-9-4 level string Y 선수별 등급 3-9-5 kigkeo bal string Y 킥커 발(오른발, 왼발) 3-9-6 free kick area string Y 프리킥영역 3-9-7 soccer ball string Y 공종류 3-10 info object 3-10-1 version string 데이터 버전 3-10-2 description string 데이터 이름 3-10-3 contributor string 데이터 제공자 3-10-4 url string 데이터 참조 URL -
데이터셋 구축 담당자
수행기관(주관) : ㈜에어패스
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 고영국 1577-2750 dbea@daum.net 사업 실무책임자/ 데이터 관리 총괄 / 데이터 전처리 및 학습 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜컴아트시스템 데이터 수집 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 고영국 1577-2750 dbea@daum.net
-
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 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.
오프라인 데이터 이용 안내
본 데이터는 K-ICT 빅데이터센터에서도 이용하실 수 있습니다.
다양한 데이터(미개방 데이터 포함)를 분석할 수 있는 오프라인 분석공간을 제공하고 있습니다.
데이터 안심구역 이용절차 및 신청은 K-ICT빅데이터센터 홈페이지를 참고하시기 바랍니다.