콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#컴퓨터 비전 #교통/모빌리티 #자율주행

NEW 승용 자율주행차 야간 도심도로 데이터

승용 자율주행차 야간 도심도로 데이터 아이콘 이미지
  • 분야교통물류
  • 유형 3D , 이미지
구축년도 : 2022 갱신년월 : 2024-01 조회수 : 2,220 다운로드 : 122 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 2024-01-24 데이터 최종 개방
    1.0 2023-07-31 데이터 개방(Beta Version)

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2024-01-24 산출물 전체 공개

    소개

    o 주간 데이터 대비 상대적으로 부족한 야간 데이터를 확보하여 야간 상황에서의 자율주행 기능 평가 및 학습에 도움을 주고자 하는 데이터 구축

    구축목적

    o 야간 환경에 대한 자율주행 대응 분석 및 향후 기술 개발과 연구를 위한 기초 자료 마련
    o 주/야간 데이터를 병렬 구축하여 데이터를 활용한 평가 및 개발의 일반화 성능 향상
  • ◌ 데이터통계

    - 구축 데이터 수량

    구분 목표 구축 달성률
    2D segmentation 160,000 160,000 100%
    2D/3D 160,000 160,000 100%

     

    - 2D 세그멘테이션 객체 수량 분포

    클래스 수량 비율
    ambulance 1,631 0.04%
    background 744,645 18.14%
    bicycle 8,473 0.21%
    blueLane 1,044 0.03%
    bus 12,585 0.31%
    constructionGuide 545 0.01%
    crossWalk 657,248 16.02%
    curb 154,525 3.77%
    eogVehicle 18,305 0.45%
    fense 85,973 2.09%
    freespace 140,353 3.42%
    motorcycle 5,508 0.13%
    otherCar 2,386 0.06%
    pedestrian 38,239 0.93%
    policeCar 3,043 0.07%
    redLane 87 0.00%
    rider 7,433 0.18%
    roadMark 300,603 7.32%
    rubberCone 8,198 0.20%
    safetyZone 11,785 0.29%
    schoolBus 2,163 0.05%
    sideWalk 133,584 3.26%
    speedBump 7,903 0.19%
    stopLane 31,146 0.76%
    trafficDrum 1,287 0.03%
    trafficLight 130,187 3.17%
    trafficSign 143,895 3.51%
    truck 26,795 0.65%
    twoWheeler 2,185 0.05%
    vehicle 225,116 5.49%
    warningTriangle 109 0.00%
    whiteLane 969,414 23.62%
    yellowLane 227,530 5.54%
    합계 4,103,923 100%

     

    - 2D/3D 객체 수량 분포

    클래스 수량 비율
    pedestrian 57,583 8.44%
    trafficLight 115,131 16.87%
    trafficSign 127,531 18.68%
    twoWheeler 21,189 3.10%
    vehicle 358,705 52.55%
    합계 682,613 100%
  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 상세 설명서 다운로드 AI 모델 다운로드

     

    학습모델 항목 주간도심도로
    SwinV2
    (2D box)
    선정사유 효과적으로 Transformer를 활용하여 Object Detection에서 뛰어난 성능을 보여주며 ObjectDetection관련 벤치마크 상당수가 Swin계열일 정도로 많이 활용됨
    SwinV2 (2D box) 모델 구조
    PonitRCNN
    (3D cuboid)
    선정사유 3차원 데이터를 3차원 학습 네트워크에 바로 활용하는 알고리즘으로 데이터 유실이 적다는 점에서 장점을 갖고 있으며 최근 발표되고 있는 3차원 객체 인식 알고리즘 관련 논문에서의 대표적인 비교 대상 알고리즘임
    PonitRCNN (3D cuboid) 모델 구조
    ConvNeXt
    (2D segmentation)
    선정사유 Downstream task에서 Swin Transformer와 같은 FLOPs 대비 높은 성능 및 다양한 robustness 평가 데이터에서 좋은 성능을 갖는 모델, 다양한 클래스의 데이터셋에서 상대적으로 높은 성능을 나타냄
  • 데이터 성능 점수

    측정값 (%)
    기준값 (%)

    데이터 성능 지표

    데이터 성능 지표
    번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수
    1 2D Object Detection 성능 Object Detection convnext, swin, swinv2 mAP@IoU 0.5 46 % 57.46 %
    2 3D Object Detection 성능 Detection PV-RCNN mAP 60 % 72.03 %
    3 2D semantic segmentation 성능 Object Detection ConvNeXt mIoU 50 % 55.99 %

    ※ 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

    ◌ 어노테이션 포맷

    - 2D segmentation

    분류 속성명 속성 설명 구문 타입 필수 여부
    information
    (기본 정보)
    filename 파일명 string Y
    resolution 이미지 해상도 array Y
    scene_meta
    (scene 정보)
    section 데이터 분류 string Y
    location 수집 지역 string Y
    case 시나리오 종류 string Y
    scene_number scene 번호 string Y
    environment_meta
    (환경 정보)
    wether 날씨 string Y
    date 날짜 integer Y
    time 시간대 string Y
    car_type 수집차량 종류 string Y
    traffic 교통량 string Y
    speed 차량 속도 string Y
    road_type 차선 폭 string Y
    annotations
    (가공 정보)
    class 클래스명 string Y
    polygon 가공 정보 array Y

     

    - 2D/3D

    분류 속성명 속성 설명 구문 타입 필수 여부
    information
    (기본 정보)
    filename 파일명 string Y
    resolution 이미지 해상도 array Y
    scene_meta
    (scene 정보)
    section 데이터 분류 string Y
    location 수집 지역 string Y
    case 시나리오 종류 string Y
    scene_number scene 번호 string Y
    environment_meta
    (환경 정보)
    wether 날씨 string Y
    date 날짜 integer Y
    time 시간대 string Y
    car_type 수집차량 종류 string Y
    traffic 교통량 string Y
    speed 차량 속도 string Y
    road_type 차선 폭 string Y
    annotations
    (가공 정보)
    class 클래스명 string Y
    location 위치 정보 array Y
    dimension 크기 정보 array Y
    yaw 회전축 정보 float Y
    bbox 가공 정보 array Y
    track_id 트랙킹 ID integer Y

     

    ◌ 실제 예시
    - 2D segmentation

    2D segmentation 실제 예시

    {
        "information": {
            "filename": "22_200620_220914_05.jpg",
            "resolution": [
                1920,
                1080
            ]
        },
        "Scene_meta": {
            "zone": "대구-테크노폴리스",
            "edge_case": [
                "횡단보도",
                "교차로 직진",
                "신호등 정지신호",
                "신호등 출발신호"
            ],
            "scene_number": "22_200620_220914"
        },
        "Environment_meta": {
            "weather": "구름",
            "date": "2022-09-14",
            "time": "20:06:20",
            "car_type": "DN8",
            "traffic_Type": 0,
            "speed_type": 2,
            "road_type": "도심 3차로 이상"
        },
        "annotations": [
            {
                "polygon": [
                    1920,
                    0,
                    0,
                    0,
                    0,
                    1080,
                    1920,
                    1080
                ],
                "class": "background"
            },
            {
                "polygon": [
                    1609,
                    743,
                    1622,
                    760,
                    1636,
                    784,
                    1610,
                    770,
                    1604,
                    743,
                    1608,
                    740
                ],
                "class": "curb"
            }

        ]
    }

     

    - 2D/3D

    2D/3D 실제 예시 1

    2D/3D 실제 예시 2

    {
        "information": {
            "filename": "22_200620_220914_05.jpg",
            "resolution": [
                1920,
                1080
            ]
        },
        "Scene_meta": {
            "zone": "대구-테크노폴리스",
            "edge_case": [
                "횡단보도",
                "교차로 직진",
                "신호등 정지신호",
                "신호등 출발신호"
            ],
            "scene_number": "22_200620_220914"
        },
        "Environment_meta": {
            "weather": "구름",
            "date": "2022-09-14",
            "time": "20:06:20",
            "car_type": "DN8",
            "traffic_Type": 0,
            "speed_type": 2,
            "road_type": "도심 3차로 이상"
        },
        "annotations": [
            {
                "bbox": [
                    1107,
                    578,
                    1169,
                    631
                ],
                "attribute": {
                    "occluded": 0,
                    "truncated": 0,
                    "track_id": 1,
                    "group": 0,
                    "type": "vehicle"
                },
                "class": "vehicle",
                "dimension": null,
                "location": null,
                "distance": null,
                "yaw": null
            },
             {
                "bbox": [
                    938,
                    373,
                    1007,
                    392
                ],
                "attribute": {
                    "occluded": 0,
                    "truncated": 0,
                    "track_id": 9,
                    "tracfficLightValue": 1
                },
                "class": "trafficLight",
                "dimension": [
                    1.6,
                    0.5495,
                    0.1997
                ],
                "location": [
                    46.2159,
                    -0.0363,
                    3.1993
                ],
                "distance": 44.03,
                "yaw": -0.01
            },

        ]
    }

  • 데이터셋 구축 담당자

    수행기관(주관) : ㈜인피닉
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    정지현 02-525-2202 jh3jung@infiniq.co.kr 데이터 설계, 가공, 검수
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    대구경북과학기술원 데이터 수집, 정제
    ㈜모빌테크 데이터 설계
    ㈜미디어그룹사람과숲 데이터 검수
    ㈜비젼인 데이터 검수
    성균관대학교 산학협력단 데이터 유효성 검증
    ㈜오토노머스에이투지 데이터 수집, 정제
    웨이즈원(주) 데이터 설계
    인하대학교 산학협력단 데이터 검수
    충북대학교 산학협력단 데이터 유효성 검증
    ㈜퓨처드라이브 데이터 설계, 수집
    한국과학기술원 데이터 유효성 검증
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    정지현 02-525-2202 jh3jung@infiniq.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]
    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 -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"

※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.