차량 파손 이미지 데이터
- 분야교통물류
- 유형 이미지
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-02-01 원천데이터 수정 1.0 2022-07-12 데이터 최초 개방 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2022-10-20 신규 샘플데이터 개방 2022-07-12 콘텐츠 최초 등록 소개
사고 자동차 이미지를 수집한 AI 데이터셋으로, 차량 외관 부품의 세그멘테이션과 손상 유형 및 범위를 이해할 수 있는 형태로 가공된 다양한 차종 및 부품에 대한 학습 데이터셋 구축
구축목적
자동차 사고 시 발생하는 다양한 유형의 사고 이미지로부터 손상 유형, 손상 부위, 손상 심각도를 도출해낼 수 있는 인공지능 개발을 위한 데이터셋
-
메타데이터 구조표 데이터 영역 교통물류 데이터 유형 이미지 데이터 형식 jpg 데이터 출처 ㈜쏘카, 자동차종합정비업체 라벨링 유형 세그멘테이션 라벨링 형식 JSON 데이터 활용 서비스 사고 자동차 예상 수리비 산출 데이터 구축년도/
데이터 구축량2021년/50만 -
1. 데이터 구축 규모
- 사고 자동차 이미지 632,694장, 사고 자동차 견적 정보 125,007건
1. 데이터 구축 규모 데이터 종류 데이터 형태 어노테이션 규모 결과물 규모 사고 자동차 이미지 손상종류 jpg 2,013,758 건 504,450 장 차량부위 179,357 건 128,244 장 사고 자동차 견적 정보 xls - 125,007 건
2. 데이터 분포
2. 데이터 분포 구분 이미지 장수 비율 차종 경형 109,132 17.20% 소형 62,689 9.90% 중형 319,207 50.50% 대형 141,666 22.40% 합계 632,694 100.00% 색상 흰색, 회색 421,562 66.60% 검은색 96,004 15.20% 파란색 45,115 7.10% 빨간색 37,511 5.90% 기타 32,502 5.10% 합계 632,694 100.00% 손상종류 스크래치 558,284 49.70% 찌그러짐 182,196 16.20% 파손 152,531 13.60% 이격 229,648 20.50% 합계 1,122,659 100.00% 차량부위 앞범퍼/앞펜더/전조등 77,830 44.40% 뒷범퍼/뒷펜더/후미등 49,275 28.10% 옆면/사이드/스텝 24,917 14.20% 타이어/휠 7,960 4.50% 기타 15,274 8.70% 합계 175,256 100.00% 3. 상세 분포
- 손상종류 상세 분포
손상종류 상세 분포 구분 이미지 장수 비율 스크래치 차종 경형 95,282 17.10% 소형 54,995 9.90% 중형 284,156 50.90% 대형 123,851 22.20% 색상 흰색, 회색 377,113 67.50% 검은색 82,507 14.80% 파란색 38,814 7.00% 빨간색 32,266 5.80% 기타 27,584 4.90% 찌그러짐 차종 경형 37,864 20.80% 소형 18,216 10.00% 중형 86,596 47.50% 대형 39,520 21.70% 색상 흰색, 회색 120,688 66.20% 검은색 26,087 14.30% 파란색 13,591 7.50% 빨간색 11,128 6.10% 기타 10,702 5.90% 파손 차종 경형 26,007 17.10% 소형 14,663 9.60% 중형 79,608 52.20% 대형 32,253 21.10% 색상 흰색, 회색 100,858 66.10% 검은색 23,948 15.70% 파란색 10,736 7.00% 빨간색 8,649 5.70% 기타 8,340 5.50% 이격 차종 경형 43,424 18.90% 소형 24,197 10.50% 중형 112,333 48.90% 대형 49,694 21.60% 색상 흰색, 회색 148,796 64.80% 검은색 34,781 15.10% 파란색 17,415 7.60% 빨간색 15,279 6.70% 기타 13,377 5.80% 손상종류 상세 분포 스크래치 찌그러짐 파손 이격 - 차량부위 상세 분포
차량부위 상세 분포 구분 이미지 장수 비율 앞범퍼/앞펜더/전조등 앞범퍼 51,585 28.80% 앞펜더(좌) 9,963 5.60% 앞펜더(우) 10,578 5.90% 전조등(좌) 4,865 2.70% 전조등(우) 4,939 2.80% 뒷범퍼/뒷펜더/후미등 뒷범퍼 32,241 18.00% 뒷펜더(좌) 5,721 3.20% 뒷펜더(우) 7,046 3.90% 후미등(좌) 2,157 1.20% 후미등(우) 2,110 1.20% 옆면/사이드/스텝 앞도어(좌) 2,725 1.50% 앞도어(우) 3,518 2.00% 뒷도어(좌) 2,965 1.70% 뒷도어(우) 4,914 2.70% 사이드미러(좌) 2,511 1.40% 사이드미러(우) 3,193 1.80% 스텝(좌) 1,715 1.00% 스텝(우) 3,376 1.90% 타이어/휠 전방바퀴(좌) 2,065 1.20% 전방바퀴(우) 3,430 1.90% 전방바퀴(좌) 1,030 0.60% 전방바퀴(우) 1,435 0.80% 기타 본넷 6,615 3.70% 앞유리 170 0.10% 루프 59 0.00% 트렁크 7,831 4.40% A필러(좌) 48 0.00% A필러(우) 41 0.00% C필러(좌) 47 0.00% C필러(우) 78 0.00% 뒷유리 315 0.20% 하체 70 0.00%
- 사고 자동차 이미지 632,694장, 사고 자동차 견적 정보 125,007건
-
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드1. 모델 학습
- 부위, 파손 별로 나눠져 있으며 클래스 별로 균등한 분포가 아니기에 부위, 각각의 독립적인 모델로 학습할 것을 권장
또한 데이터의 수량이 40만장으로 충분히 많기 때문에 때문에, 분산처리를 통한 학습을 진행하거나, 목적에 필요한 데이터만 샘플링 하여 훈련, 검증, 시험을 할것을 권장
훈련 및 검증 환경은 최소 아래의 환경 에서 진행하길 권장( Unet 모델 기준 )
2. 학습시 유의 사항
- 부위
– 32개의 클래스가 존재하며, 클래스 불균형 문제가 존재. 이를 고려하여 유사한 레이블을 하나로 묶어서 학습하여 모델의 학습 성능을 개선할 수 있음 - 파손
– 하나의 픽셀에 2개 이상의 클래스가 존재하는 경우가 있음. 보다 높은 정확성을 요구한다면 각 클래스 별로 개별 모델을 만들어서 학습하는 것을 권장1. 모델 학습 구분 CPU RAM(memory) GPU 저장공간 권장 사항 4vCPU 16GB NVIDIA Tesla P100 100GB
3. 서비스 활용 시나리오
- 이미지 기반 차량 파손 여부 탐지
– 대규모의 차량을 관리하는 업체라면, 해당 데이터를 통하여 차량의 이미지만으로 차량 파손 여부를 식별하는 프로세스를 개발함으로 이를 통해 육안으로 확인하는 비용을 줄일 수 있음. - 수리비 산출 자동화
– 차량의 부위별 파손 종류를 식별한 결과와 수리비 매핑을 통해서 자동차 사고현장에서 즉시 수리비를 예측할 수 있게 함으로써 사고 당사자 간의 분쟁 해결 및 수리에 대한 신속한 판단을 통하여 정비업소, 보험사, 손해사정인, 차량 소유주들에 불필요한 업무 제거, 신속한 업무처리 등으로 비용을 절감할 수 있음
- 부위, 파손 별로 나눠져 있으며 클래스 별로 균등한 분포가 아니기에 부위, 각각의 독립적인 모델로 학습할 것을 권장
-
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 폴리곤 객체 인식(차량 부위) Object Detection U-Net mIoU 65 % 69.35 % 2 폴리곤 객체 인식(손상 종류) Object Detection U-Net mIoU 65 % 65.55 %
※ 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 다운로드1. 데이터 구성
1. 데이터 구성 Description Key Type Child Type name 데이터셋명 String description 데이터셋상세설명 String url 데이터셋URL String date_created 데이터셋생성일자 String images 이미지 배열 JsonArray JsonObject [ 이미지 JsonObject id 이미지식별자 String width 이미지너비 int height 이미지높이 int file_name 이미지파일명 String license 이미지라이선스 String date_created 이미지촬영일자 String ] annotations 라벨링정보 Object [ id 라벨링식별자 String image_id 연관이미지식별자 String category_id 라벨링사고ID int segmentation 라벨링폴리곤 배열 JsonArray JsonObject area 라벨링폴리곤크기 float bbox 라벨링바운딩박스 List damage 손상종류 String part 차량부위 String color 차량색상 String level 손상 심각도 String year 차량 연식 int repair 수리방법 List ] [ 카테고리 정보 Object id 사고ID String supercategory_id 차종ID int supercategory_name 차종 정보 String licenses 라이선스 Object name 라이선스명 String url 라이선스URL String ] 2. 어노테이션 포맷
2. 어노테이션 포맷 No 항목 길이 타입 필수여부 한글명 영문명 1 데이터셋정보 info JsonObject Y 1~1 데이터셋명 name 숫자,문자,특수문자 100자리 이내 String Y 1~2 데이터셋생성일자 date_created MM/DD/YYYY String Y 2 이미지정보 images JsonObject Y 2~1 이미지식별자 id 1 Integer Y 2~2 이미지너비 width 800~10000 Integer Y 2~3 이미지높이 height 600~10000 Integer Y 2~4 이미지파일명 file_name 숫자,문자,특수문자 100자리 이내 String Y 3 라벨링정보 annotations JsonObject Y 3~1 라벨링식별자 id 숫자 100자리 이내 Integer Y 3~2 연관이미지식별자 image_id 1 Integer Y 3~3 사고ID category_id 숫자,문자,특수문자 100자리 이내 String Y 3~4 라벨링폴리곤 segmentation [X,Y] List Y 3~5 라벨링폴리곤크기 area 0.00 ~ float Y 3~6 라벨링바운딩박스 bbox [X,Y] List Y 3~7 손상종류 damage [스크래치, 찌그러짐, 파손, 이격] String 3~8 차량부위 part 숫자, 문자 100자리 이내 String 3~9 차량색상 color 숫자, 문자 100자리 이내 String Y 3~10 손상 심각도 level [1, 2, 3, 4] Integer 3~11 차량 연식 year [2012 ~ 2021] Integer Y 3~12 수리방법 repair [부위명:수리방법,...] List N 4 카테고리 정보 categories Object Y 4~1 사고ID id 숫자,문자,특수문자 100자리 이내 String Y 4~2 차량 크기 supercategory_name 숫자,문자,특수문자 100자리 이내 String Y 3. 실제 예시
-
데이터셋 구축 담당자
수행기관(주관) : 사단법인 한국전기차리빌딩협회
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 김현식 031-963-5090 hskim@kevra.or.kr · 총괄 실무 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜슈퍼브에이아이 · 데이터 정제 및 가공
· 저작도구 개발㈜쏘카 · 원천 데이터 수집 및 AI 모델 개발 ㈜꿀비 · 데이터 품질검증 (사)한국자동차검사정비사업조합연합회 · 데이터 검수 (사)경기도북부자동차정비사업조합 · 데이터 검수 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 김현식 031-963-5090 hskim@kevra.or.kr
-
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.