AI-Hub

데이터 변경이력

데이터 히스토리

소개

국내 특이도로 18종 77 카테고리 환경에서 자율주행시스템을 적용하기 위한 2D이미지, 3D 라이다 데이터 및 센서 데이터

구축목적

국내 특이도로 18종 77 카테고리 환경에서 자율주행시스템을 적용하기 위하여, 2D와 3D 동적(차량, 보행자, 이륜차 등) 및 2D 정적(표지판, 신호등 등) 객체의 검출을 위한 AI 모델 학습데이터 구축이 주 목적

1. 데이터 구축 규모

[데이터 구축 규모]

객체 정보의 상세 내용은 다음과 같다. 

[어노테이션 종류 및 내용]

2. 데이터 분포

• 특이도로, 도로유형, 시간대, 외부환경, 복잡도, 객체 다양화 등을 고려한 데이터 설계 기준과 분포는 다음과 같다.
  • 특이도로 : 수치지도 정보를 바탕으로 국내 특이도로의 분포도를 확인하고 이를 기반으로 데이터 구축 계획을 수립하여 국내 실도로를 18종 77 카테고리 유형으로 분류하였다.
  • 도로유형 : 도로 유형이 적절한 비율로 촬영되어야 하므로 자동차 전용도로 70% 도심로 30% 으로 구성하였다.
  • 시간대 : 주간 데이터와 야간 데이터가 적절한 비율로 구성되어야 하므로 주간 70%, 야간 30%로 구성하였다.
  • 날씨 : 다양한 날씨 정보를 포함하고 있어야 학습 모델이 환경적인 요인에 영향을 덜 받으므르 맑음, 강수, 안개 상황이 골고루 포함되도록 했다.
  • 복잡도 : 자동차의 주행 속도에 따라 원활/혼잡으로 구분
  • 객체 다양화 : COCODATASET을 기반으로 카테고리를 분류하였고 크게 동적 객체(자동차, 이륜차, 보행자), 정적객체(신호등, 표지판, 차선, 정지선, 횡단보도, 장애물) 등 총 53종이 포함되도록 구성하였다.

[데이터 구조]

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

1. 2D AI 활용 모델 설명

• 객체의 클래스 정확성 : 약 360만개의 가공 객체를 자동차(일반자동차/SUV/버스/트럭/특수차량), 이륜차(일반/사륜차/전동휠), 보행자(일반/자전거)등의 동적 객체, 표지판, 신호등 등 정적 객체로 분류의 정확성
• 각각의 Snapshot 기준으로 Object Detection 오류, 분류 오류 등을 고려하여 B-Box의 크기 기준으로 mAP(mean Average Precision) 값 계산
• 각 도로주행 케이스 단위로 여러 장의 Snapshot으로부터 mAP 값의 평균 계산

2. 3D AI 활용 모델 설명

• 객체의 클래스 정확성 :  약 360만개의 가공 객체를 자동차(일반자동차/SUV/버스/트럭/특수차량), 이륜차(일반/사륜차/전동휠), 보행자(일반/자전거) 단위로 동적 분류의 정확성
• 각각의 Snapshot 기준으로 Object Detection 오류, 분류 오류 등을 고려하여 슈퍼클래스의 분류 기준으로 mAP(mean Average Precision) 값 계산
• 각 도로주행 케이스 단위로 여러 장의 Snapshot으로부터 mAP 값의 평균 계산

3. 서비스 활용 시나리오

• 구축한 모델은 다양한 자율주행 상황에서의 동적객체, 정적객체 Detection에 활용할 수 있음

데이터 성능 점수

설명서 및 활용가이드 다운로드

1. 원천 데이터 포맷

• 데이터 Naming 
  2D 이미지, LiDAR 데이터, 2D 어노테이션 파일, 3D 어노테이션파일, GPS, IVN 파일 이름이 일치

[파일 이름 구조]
 

[특이도로 정체 코드]

2. 데이터 구성

• 2D 어노테이션 포맷

  구분			항목명	타입	필수여부	설명	범위	비고
  1			images		Y	이미지 파일 정보
  	1–1		id	string	Y	파일 아이디		14022
  	1–2		filename	string	Y	파일명		0701_light_clear_traffic_00000000.png
  	1–3		width	number	Y	파일 가로 사이즈	[0-1920]
  	1–4		height	number	Y	파일 세로 사이즈	[0-1080]
  	1–5		sensor	string	Y	카메라/LiDAR	C(카메라)/L(라이다)
  	1–6		road	string	Y	18종 특이도로	[붙임-5]86 특이도로 코드 참조	701
  	1–7		time	string	Y	주간/야간	[light,night]
  	1–8		weather	string	Y	맑음/강수/안개	[clear,rainy,foggy]
  	1–9		flow	string	Y	원활/복잡	[smooth,traffic]
  2			annotations		Y	어노테이션 정보
  	2–1		id	string	Y	어노테이션		133578
  						아이디
  	2–2		category_id		Y	객체 카테고리 번호
  	2–3		segmentation		N	line을 이루는 point정보로 위에서부터 순서대로(0,1)가 한쌍이며, 여러쌍으로 이루어져있음		label_type이 IMAGE_SEGMENTATION 일 때 필수 Y
  		2–3–1	0	float	N			746.6
  		2–3–2	1	float	N			815.48
  	2–4		polyline		N			label_type이 IMAGE_LINE 일 때 필수 Y
  						line을 이루는 point정보로 위에서부터 순서대로(x,y)가 한쌍이며, 여러쌍으로 이루어져있음
  		2–4–1	0	float	N			746.6
  		2–4–2	1	float	N			815.48
  	2–5		bbox		N	바운드박스 좌표값 (0,1,2,3)		label_type이 IMAGE_BBOX 일 때 필수 Y
  		2–5–1	0	float	N
  		2–5–2	1	float	N
  								900.37
  								619.64
  		2–5–3	2	float	N
  								46.49
  		2–5–4	3	float	N
  								38.94
  	2–6		image_id	string	Y	파일아이디		14022
  	2–7		size	string	N	2D 객체 크기	SMALL <= 32 * 32	label_type이 IMAGE_BBOX 일 때 필수 Y
  							32* 32< MEDIUM <= 96 *96
  							LARGE > 96*96
  	2–8		area	float	N	2D 객체 넓이		label_type이 IMAGE_BBOX, IMAGE_SEGMENTATION 일 때 필수 Y
  3			categories		Y	객체 정보
  	3–1		supercategory	string	Y	객체 중분류		신호등
  	3–2		id	string	Y	객체 번호		356
  	3–3		name	string	Y	객체 이름		일반자동차

• 3D 어노테이션 포맷

  구분		항목명	타입	필수여부	설명	예시	비고
  1		어노테이션 대상 데이터 정보		Y	어노테이션 작업을 진행하는 대상 데이터의 기본 정보
  	1–1	parent_path	string	N	데이터 경로	“0914_01\016\02”,	상위 3단계 폴더
  						“211007\0914_01\017”
  	1–2	pcd_filename	string	Y	라벨링 작업 파일명	“0101_light_clear_smooth_04000115.pcd”	pcd 파일
  	1–3	img_resolution	[int, int]	Y	영상 파일 해상도	[1920, 1200]
  	1–4	sensor	string	Y	취득 장비	“L”
  	1–5	road	string	Y	도로 특성	“0701”
  	1–6	time	string	Y	취득 시간	“light”
  	1–7	weather	string	Y	취득 당시 날씨	“clear”
  	1–8	flow	string	Y	취득 당시 도로 상황	“traffic”
  2		annotations		Y	어노테이션 정보
  	2–1	id	int	Y	객체 ID	1
  	2–2	class	string	Y	객체 클래스	“Car”	Car, Pedestrian,
  							Rider
  	2–3	direction	float	Y	객체 방향	177.8740692	에고차량 진행 방향 기준 각도(degree)
  	2–4	type	string	Y	라벨링 방식	“3D_Cuboid”
  	2–5	3D_points	[float, float, float], [], [], ...	Y	Cuboid 3D 좌표 8개	[12.132, 12.132, 12.132], [], [], ...	world coordinate
  	2–6	2D_points	[float, float], [], [], ...	Y	Cuboid 3D 좌표를 2D 이미지에 Projectin한 2D 좌표 8개	[12.132, 12.132], [], [], ...	image coordinate

3. 라벨링데이터 실제 예시
 

[2D 라벨링 데이터 내용]

[3D 라벨링 데이터 내용]

데이터셋 구축 담당자

수행기관(주관) : ㈜컴버스테크

수행기관(참여)

데이터 관련 문의처