AI-Hub

데이터 변경이력

데이터 히스토리

소개

• 자생식물 60종을 대상으로 꽃, 열매, 잎(앞면, 뒷면) 4가지 객체분류(식물부위)별로   직접 촬영한 이미지 데이터
• 자생식물 60종의 식물부위 중 기능 및 효능, 영양성분이 있는 부위에 대하여 채취 후 기능성분을 분석한 결과 데이터

구축목적

• 국내 자생식물의 이미지를 인공지능 기술을 통해 식물 종 식별 및 영양, 기능성, 활성성분 정보 등 부가 정보를 제공하기 위한 통합(영상 이미지 + 텍스트) 학습용 데이터를 구축
• Computer Vision 분야의 Deep Learning 기법 중 “Classification”(Image Classification)을 목적으로 함

데이터 통계

• 식의약용 자생식물 60종 대상으로 총 300,000건 구축
• 부위별 구축 규모
  • 꽃 : 총 60종 중 16종 대상으로 9,600건 (종당 600x16=9,600)
  • 열매 : 총 60종 중 39종 대상으로 23,400건 (종당 600x39=23,400)
  • 잎-앞면 : 총 60종 중 60종 대상으로 133,500건
  • 잎-뒷면 : 총 60종 중 16종 대상으로 133,500건
    ※ 단, 식물 1종당 꽃, 열매 데이터가 없는 경우, 해당 수량은 잎-앞면, 잎-뒷면에 각각 균등하게 포함함

    데이터 통계

    항목명	데이터 형태	구축 규모		비고
    클래스(60종)별 객체 분포	이미지, 텍스트	300,000장(건)		• 데이터 구축 내용   - 총 식물종수 : 60종   - 데이터구축 목표 수량     . 총 수량 : 300,000장     . 식물 1종당 : 5,000장       (5,000÷300,000=1.67%)
    부위별 객체 분포	이미지, 텍스트	꽃	9,600장(건) (3.20%)	• 학습데이터 구축 대상   - 꽃, 열매, 잎-앞면, 잎-뒷면 • 식물 1종당 부위별 구축 수량   - 식물 1종당 5,000장 구축 기준     (꽃, 열매, 잎-앞면, 잎-뒷면     데이터가 모두 존재하는 경우)     . 꽃 : 600장 (12%)     . 열매 : 600장 (12%)     . 잎-앞면 : 1,900장 (38%)     . 잎-뒷면 : 1,900장 (38%) ※ 단, 식물 1종당 꽃, 열매 데이터가 없는 경우, 해당 수량은 잎-앞면, 잎-뒷면에 각각 균등하게 포함
    		열매	23,400장(건) (7.80%)
    		잎-앞면	133,500장(건) (44.50%)
    		잎-뒷면	133,500장(건) (44.50%)
    취득시기(월) 분포	이미지, 텍스트	5월	3건 (0.00%)	데이터 취득 시기(단위: 월)를통해 생육단계 분포 확인
    		6월	2,392건 (0.80%)
    		7월	1,951건 (0.65%)
    		8월	17,429건 (5.81%)
    		9월	39,333건 (13.11%)
    		10월	67,971건 (22.66%)
    		11월	162,712건 (54.24%)
    		12월	8,209건 (2.74%)

AI 모델 상세 설명서 다운로드

1. 이미지분류(꽃) AI모델

• 데이터셋 
  꽃 데이터셋은 16개의 클래스가 있으며, 클래스당 600장의 이미지로 구성되어 있다. 
  총 이미지 수는 9,600장이며, 학습을 위해 8(train) : 1(validation) : 1(test)로 분할하여 데이터셋을 구성하였다.
• 학습 조건
  • Epoch : 100 (모델의 총 학습 횟수)
  • Batch : 50 (연산을 한 번 진행할 때 들어가는 데이터의 크기)
  • Optimizer : SGD (경사하강법 알고리즘이며, learning rate는 0.01, momentum은 0.9, weight_decay은 5e-4를 사용)
  • Scheduler : CosineAnnealingLR (learning rate를 조절하는 알고리즘이며, T_max는 50을 사용) 
• 실험 결과

  1. 이미지분류(꽃) AI모델

  모델	정확도(Accuracy)	총 파라미터 수
  VGG16	100%	134,334,544
  VGG19	100%	139,646,800
  ResNet50	100%	23,540,816
  DenseNet121	100%	6,970,256

• 최종 모델
  본 과제에서는 VGG16, VGG19, ResNet50, DenseNet121 총 4가지 AI모델을 사용하여 비교 실험하였으며, 꽃 데이터셋에 대한 모델 학습 결과로 4가지 모두 정확도(Accuracy)는 100%의 결과를 보여주었다. 동일 성능을 보여준 모델들 중 최종 모델을 선정하기 위해 추가적으로 연산량과 관련된 파라미터 수를 비교하였다. 4가지 모델 중 DenseNet121 모델이 가장 적은 총 파라미터 수를 가지고 있으며, 이것은 동일 성능 대비 연산량이 가장 적은 모델을 의미한다. 그러므로 DenseNet121을 꽃 데이터셋의 학습과 평가를 위한 최종 모델로 선정하였다.

2. 이미지분류(열매) AI모델

• 데이터셋 
  열매 데이터셋은 39개의 클래스가 있으며, 클래스당 600장의 이미지로 구성되어 있다. 
  총 이미지 수는 23,400장이며, 학습을 위해 8(train) : 1(validation) : 1(test)로 분할하여 데이터셋을 구성하였다.
• 학습 조건
  • Epoch : 100 (모델의 총 학습 횟수)
  • Batch : 50 (연산을 한 번 진행할 때 들어가는 데이터의 크기)
  • Optimizer : SGD (경사하강법 알고리즘이며, learning rate는 0.01, momentum은 0.9, weight_decay은 5e-4를 사용)
  • Scheduler : CosineAnnealingLR (learning rate를 조절하는 알고리즘이며, T_max는 50을 사용) 
• 실험 결과

  모델	정확도(Accuracy)	총 파라미터 수
  VGG16	99.96%	134,428,775
  VGG19	100%	139,741,032
  ResNet50	100%	23,587,943
  DenseNet121	100%	6,993,831

• 최종 모델
  본 과제에서는 VGG16, VGG19, ResNet50, DenseNet121 총 4가지 AI모델을 사용하여 비교 실험하였으며, 열매 데이터셋에 대한 모델 학습 결과로 VGG16을 제외한 나머지 3가지 모델 모두 정확도(Accuracy)는 100%의 결과를 보여주었다. 동일 성능을 보여준 모델들 중 최종 모델을 선정하기 위해 추가적으로 연산량과 관련된 파라미터 수를 비교하였다. 3가지 모델 중 DenseNet121 모델이 가장 적은 총 파라미터 수를 가지고 있으며, 이것은 동일 성능 대비 연산량이 가장 적은 모델을 의미한다. 그러므로 DenseNet121을 열매 데이터셋의 학습과 평가를 위한 최종 모델로 선정하였다.

3. 이미지분류(잎-앞면) AI모델

• 데이터셋
  잎 뒷면 데이터셋은 60개의 클래스가 있으며, 클래스당 최소 1900장 ~ 최대 2500장의 이미지로 구성되어 있다. 총 이미지 수는 133,500장이며, 학습을 위해 8(train) : 1(validation) : 1(test)로 분할하여 데이터셋을 구성함. 단, 잎 앞면의 경우 각 클래스마다 이미지 수가 불규칙하므로 최소 수량을 가진 클래스의 10% 수량으로 validation과 test를 구성하고 나머지 수량을 train으로 구성하였다.
• 학습 조건
  • Epoch : 100 (모델의 총 학습 횟수)
  • Batch : 50 (연산을 한 번 진행할 때 들어가는 데이터의 크기)
  • Optimizer : SGD (경사하강법 알고리즘이며, learning rate는 0.01, momentum은 0.9, weight_decay은 5e-4를 사용)
  • Scheduler : CosineAnnealingLR (learning rate를 조절하는 알고리즘이며, T_max는 50을 사용)
• 실험 결과

  모델	정확도(Accuracy)	총 파라미터 수
  VGG16	100%	134,514,812
  VGG19	100%	139,827,068
  ResNet50	99.98%	23,630,972
  DenseNet121	99.99%	7,015,356

• 최종 모델
  본 과제에서는 VGG16, VGG19, ResNet50, DenseNet121 총 4가지 AI모델을 사용하여 비교 실험하였으며, 잎 뒷면 데이터셋에 대한 모델 학습 결과로 VGG16과 VGG19의 정확도(Accuracy)는 두 모델 동일하게 100%이고 ResNet50과 DenseNet121은 각각 99.98%과 99.99%이다. 최종 모델을 선정하기 위해 연산량과 관련된 파라미터 수를 고려하였다. DenseNet121 모델은 VGG16와 VGG19 모델 결과와 비교해서 거의 동일한 성능을 보여주었으며 또한 성능 대비 연산량이 훨씬 적었다. 그래서 잎 뒷면 데이터셋의 분류 모델로 적합하다고 판단하여 DenseNet121을 최종 모델로 선정하였다.

4. 이미지분류(잎-뒷면) AI모델

• 데이터셋 
  잎 앞면 데이터셋은 60개의 클래스가 있으며, 클래스당 최소 1900장 ~ 최대 2500장의 이미지로 구성되어 있다. 총 이미지 수는 133,500장이며, 학습을 위해 8(train) : 1(validation) : 1(test)로 분할하여 데이터셋을 구성함. 단, 잎 앞면의 경우 각 클래스마다 이미지 수가 불규칙하므로 최소 수량을 가진 클래스의 10% 수량으로 validation과 test를 구성하고 나머지 수량을 train으로 구성하였다.
• 학습 조건
  • Epoch : 100 (모델의 총 학습 횟수)
  • Batch : 50 (연산을 한 번 진행할 때 들어가는 데이터의 크기)
  • Optimizer : SGD (경사하강법 알고리즘이며, learning rate는 0.01, momentum은 0.9, weight_decay은 5e-4를 사용)
  • Scheduler : CosineAnnealingLR (learning rate를 조절하는 알고리즘이며, T_max는 50을 사용)
• 실험 결과

  모델	정확도(Accuracy)	총 파라미터 수
  VGG16	100%	134,514,812
  VGG19	100%	139,827,068
  ResNet50	99.97%	23,630,972
  DenseNet121	100%	7,015,356

• 최종 모델
  본 과제에서는 VGG16, VGG19, ResNet50, DenseNet121 총 4가지 AI모델을 사용하여 비교 실험하였으며, 잎 앞면 데이터셋에 대한 모델 학습 결과로 VGG16을 제외한 나머지 3가지 모델 모두 정확도(Accuracy)는 100%의 결과를 보여주었다. 동일 성능을 보여준 모델들 중 최종 모델을 선정하기 위해 추가적으로 연산량과 관련된 파라미터 수를 비교하였다. 3가지 모델 중 DenseNet121 모델이 가장 적은 총 파라미터 수를 가지고 있으며, 이것은 동일 성능 대비 연산량이 가장 적은 모델을 의미한다. 그러므로 DenseNet121을 잎 앞면 데이터셋의 학습과 평가를 위한 최종 모델로 선정하였다.

데이터 성능 점수

설명서 및 활용가이드 다운로드

1. 데이터 구성 및 어노테이션 포맷

2. 실제 예시

• 원천 데이터 (.jpg)
  
• 라벨 데이터 (.json)
  {
    "info" : {
      "datast_nm" : "64.식의약용 자생식물 데이터",
      "datast_detail" : "식의약용 자생식물 객체분류별 학습용 데이터셋",
      "wd_plnt_idntfr" : "001"
    },
    "images" : {
      "image_file_id" : "000001",
      "image_file_nm" : "WP001_0001.jpg",
      "file_stre_cours" : "\\식의약용 자생식물 분석 데이터\\01\\001\\CR001_01_50003.jpg",
      "rsoltn" : “1500, 1500”,
    ... (중략)
      "image_potogrf_dt" : "2021-08-12 10:34:19"
    },
    "annotations" : {
      "antn_id" : 1593470,
      "antn_ty" : "polygon",
      "object_class_lclas_code" : "02",
      "object_class_mlsfc_code" : "001",
      "object_class_sclas_code" : "02",
      "object_class_lclas_nm" : "초본",
      "object_class_mlsfc_nm" : "연꽃",
      "object_class_sclas_nm" : "꽃",
      "pyn_xcrdnt" : [ 107, 152, 225, 189, 105, 152, 225, 189, 105, 150, 225, ... ]
    }
    ... (중략)
  }

데이터셋 구축 담당자

수행기관(주관) : 제주특별자치도청

수행기관(참여)