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

NEW 자전거도로 주행 데이터

자전거도로 주행 데이터 아이콘 이미지
  • 분야교통물류
  • 유형 이미지
구축년도 : 2022 갱신년월 : 2023-11 조회수 : 5,609 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.

※ 23년 신규 개방되는 데이터로 산출물은 추후 업로드 예정입니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.1 2023-11-03 데이터 최종 개방
    1.0 2023-07-31 데이터 개방(Beta Version)

    소개

    ㅇ 전국 다양한 자전거 도로 환경에서의 데이터 수집, 자전거 도로 유형별 분류 및 이동주체 정의
    ㅇ 자전거 주행 중 마주칠 수 있는 다양한 물리적 장애요소 및 편의시설 요소를 직접 촬영한 이미지 구축

    구축목적

    ㅇ 자전거도로 노면 노후·파손 및 불법 주정차, 장애물 등으로 인한 안전사고 예방 및 사업 진행을 통한 고퀄리티 일자리 신규 창출 확대와 지속적 고용 기회 창출
    ㅇ 자전거도로에 존재하는 다양한 이동객체에 대해 객체 탐지 인식 모델을 개발하여 다양한 도로에서의 활용 가능성 확대
  •  
    자전거도로 유형별 바운딩박스/폴리곤 수량 분포
    bike_lane drawing COUNT 비율 비고
    R01 bbox 301,291 5.80% 자전거 전용도로
    polygon 789,519 15.20%
    R02 bbox 2,366,340 45.55% 자전거 보행자 겸용도로
    polygon 1,413,241 27.20%
    R03 bbox 45,043 0.87% 자전거 전용차로
    polygon 70,287 1.35%
    R04 bbox 81,755 1.57% 자전거 우선도로
    polygon 127,352 2.45%
    합계   5,194,828 100.00%
     

     

    자전거도로 유형별 분포

    bike_lane COUNT 결과 구성비 목표 구성비 비고
    R01 321,715 29.95% 18.00% 자전거 전용도로
    R02 673,225 62.67% 73.00% 자전거 보행자 겸용도로
    R03 32,015 2.98% 3.00% 자전거 전용차로
    R04 47,224 4.40% 6.00% 자전거 우선도로
    합계 1,074,179 100% 100%
     

     

    지역별 분포

    place COUNT 결과 구성비 목표 구성비
    강원 69,994 6.52% 7.00%
    경기 574,638 53.50% 55.00%
    낙동강유역 28,002 2.61% 4.00%
    서울 268,608 25.01% 20.00%
    인천 26,993 2.51% 4.00%
    충남 63,589 5.92% 5.00%
    충북 42,355 3.94% 5.00%
    합계 1,074,179 100% 100%

     

    Level1 Class 항목별 분포
    Level1 Class 항목별 분포 Level1 결과수량 결과 구성비 목표 구성비
    bbox 도로시설 742,761 26.58% 31.01%
      이동주체 1,832,962 65.59% 62.02%
      주변환경 218,706 7.83% 6.98%
    합계   2,794,429 100% 100.00%
    polygon 도로결함 574,696 23.94% 36.27%
      도로시설 570,581 23.77% 11.92%
      도로재질 1,255,122 52.29% 51.81%
    합계   2,400,399 100% 100%

     

    촬영날짜 및 시간 분포

    file_path daynight count 결과 구성비 목표 구성비
    주말오전 오전 219,448 20.43% 25.00%
    주말오후 오후 211,810 19.72% 25.00%
    평일오전 오전 318,667 29.67% 25.00%
    평일오후 오후 324,254 30.19% 25.00%
    합계   1,074,179 100.00%
     
  • 활용모델: YOLO v5 (바운딩박스 객체탐지) & Mask R-CNN (폴리곤 객체탐지)

    학습, 평가, 검증 데이터셋 생성
    - 전체 구축 데이터 1,074,179장을 Training 80%, Validation 10%, Test 10%으로 분할
    - YOLO v5의 경우, 바운딩박스 객체를 포함하는 데이터 511,403장을 사용하여 Training Set  409,122장, Validation Set 51,140장, Test Set 51,141장으로 분할
    - Mask R-CNN의 경우, 모든 데이터를 사용
      ⦁ Training Set: 기존 883,529장에서 859,343장으로 24,186장 감소
      ⦁ Validation Set: 기존 110,441장에서 107,418장으로 3,023장 감소
      ⦁ Test Set: 기존 110,484장에서 107,418장으로 3,066장 감소
    학습 모델 학습
    - 다중 GPU 지원 인스턴스를 2개를 동시에 할당받아 객체탐지 모델(YOLO v5)과 
      폴리곤탐지 모델(Mask R-CNN)의 학습 환경 마련

    학습된 모델의 Validation Set 검증 결과
    - YOLO v5 모델의 경우에는 mAP가 약 79%, Mask R-CNN 모델의 경우에는 mAP가 약 57%
    - Class ID별 학습 결과는 다음과 같음 (좌: YOLO v5, 우: Mask R-CNN)

    Class ID AP mAP
    bollad_normal 0.937 0.791
    bollad_damaged 0.575  
    tubelarmarker_normal 0.947  
    tubelarmarker_damaged 0.67  
    sign_nomal 0.932  
    sign_damaged 0.394  
    animal 0.668  
    pedestrian 0.958  
    bike 0.901  
    car 0.966  
    bicycle 0.895  
    kickboard 0.877  
    wheelchair 0.62  
    stroller 0.732  
    Class ID AP mAP
    damage 0.209 0.566
    seperation 0.104  
    repaired 0.55  
    sinking 0.152  
    crack 0.42  
    guardrail_normal 0.91  
    guardrail_damaged 0.448  
    deck 0.941  
    sidewalkblock 0.942  
    paveroad 0.98  

     

    - 학습된 모델이 Validation에서 충분한 성능을 보여 유효성 검증 모델로 사용

    유효성 검증 모델을 통한 Test Set 검증
    - 유효성 검증 모델을 통한 추론은 학습과 달리 필요한 자원이 적기 때문에 한 장의 NVIDIA 
      A100 GPU를 사용하도록 검증 환경을 변경
    - TTA에 앞서 Test Set에 대해서 시험 수행을 진행
    - YOLO v5 모델의 경우에는 mAP가 약 79%, Mask R-CNN 모델의 경우에는 mAP가 약 55%
    - Class ID별 검증 결과는 다음과 같음 (좌: YOLO v5, 우: Mask R-CNN)

    Class ID AP mAP   category AP category AP category AP
    bollad_normal 0.937 0.791   damage 0.088 seperation 0.035 repaired 0.36
    bollad_damaged 0.575     sinking 0.052 crack 0.155 guardrail_normal 0.68
    tubelarmarker_normal 0.947     guardrail_damaged 0.248 deck 0.878 sidewalkblock 0.788
    tubelarmarker_damaged 0.67     paveroad 0.912 none none none none
    sign_nomal 0.932                
    sign_damaged 0.394                
    animal 0.668                
    pedestrian 0.958                
    bike 0.901                
    car 0.966                
    bicycle 0.895                
    kickboard 0.877                
    wheelchair 0.62                
    stroller 0.732                
  • 데이터 성능 점수

    측정값 (%)
    기준값 (%)

    데이터 성능 지표

    데이터 성능 지표
    번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수
    1 YOLOv4 기반의 객체 탐지 Object Detection YOLO v5 mAP@IoU 0.5 70 % 79.1 %
    2 Mask R-CNN 기반의 객체 탐지 및 결함 여부 판단 Object Detection Mask R-CNN mAP@IoU 0.5 55 % 55.3 %

    ※ 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)

  •  

    데이터 구성

     
    공정구분 파일 종류 파일 설명 데이터구분
    수집 *.jpg (이미지)데이터 파일, 원시데이터
    *.gpx 자전거 주행기록 데이터 
    정제 *.jpg (이미지)데이터 파일 원천데이터
    가공 *.jpg (이미지)데이터 파일 가공데이터
     
    *.json 속성정보파일

     

     
    데이터 구조 파일명 정의
    데이터 구조 이미지
    파일명 정의 이미지

                                                 [데이터 구조 및 파일명 정의]

    어노테이션 포맷

     
     
    구분 항목명 타입 필수여부 설명 범위 비고
    Image
      1-1 ID Number Y 파일 고유키    
    1-2 FILE_NAME String Y 파일명    
    1-3 HEIGHT Number Y 이미지 높이 1920  
    1-4 WIDTH Number Y 이미지 너비 1080  
    1-5 DATE_CAPTURED String Y 촬영날짜 및 시간 YYYY. MM. DD hh:mm:ss  
    1-6 FILE_SIZE String Y 파일크기    
    1-7 COLLECTION_METHOD String Y 촬영방식구분 스마트폰  
    1-8 DAYNIGHT String Y 오전/오후 ‘오전’은 자정부터 낮 열두 시까지의 시간을 뜻하고, ‘오후’는 정오부터 밤 열두 시까지  
    1-9 PLACE String Y 촬영지역명 서울특별시, 인천광역시, 경기도,   
    강원도,충청북도,충정남도,
    낙동강자전거길
    1-10 COURSE String Y 촬영 코스 C01  
    1-11 GPS String Y 촬영위치 위경도    
    1-12 SPEED String Y 순간속도 20km 라벨링 대상 이미지 해상도
    1-13 ALTITUDE String Y 고도 14.14  
    1-14 ID_CODE String Y 촬영자 코드 P01  
    1-15 WEATHER String Y 기상정보 맑음, 흐림, 우천, 강설  
    1-16 MAKE String Y 카메라제조사 카메라 제조업체명  
    1-17 MODEL_NAME String Y 카메라 모델명 카메라 모델명  
    1-18 BIKE_LANE String Y 자전거도로 종류 자전거전용도로,  
    자전거전용차로,
    자전거보행자겸용도로,
    자전거우선도로
    1-19 BOUNDINGCOUNT Number Y 라벨링 Object 개수 복수 라벨링 지정 시 라벨링 갯수  
    ANNOTATIONS (Array)
      2-1 DRAWING String Y 라벨링구분 Box, Polygon  
    2-2 SEGMENTATION Array N 라벨 좌표 포인트 X, Y 좌표 배열  
    (라벨링구분및형태에따라좌표갯수상이)
    [X1,Y1,X2,Y2,X3,Y3...]
    2-3 BBOX Array Y 바운딩 박스 좌표 [ X, Y, Width, Height ]  
    2-4 CATEGORY_ID String Y 항목 고유키 [카테고리   
    코드표 참조]
    2-5 CATEGORY_NAME String Y 항목 명 [항목 범위 표 참조]  
    2-6 SUB_CATEGORY_NAME String Y 범위 명 [항목 범위 표 참조]  
    2-7 STATE_NAME String N 상태 명 [항목 범위 표 참조] CATEGORY_NAME이 도로결함, 도로시설의 경우에만 입력하는 선택항목

     

     

    JSON 메타데이터 예시 이미지

  • 데이터셋 구축 담당자

    수행기관(주관) : ㈜에스디엠이앤씨
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    김지태 02-6959-9588 jtkim77777@hanmail.net 데이터 수집 및 정제
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    ㈜위스마트 데이터 가공
    ㈜네오레브 데이터 검수 및 Tool 개발
    디비디스커버코리아(주) AI 학습 모델 개발
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    김지태 02-6959-9588 jtkim77777@hanmail.net
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.