AI-Hub

#로봇심판

NEW 야구 주요 규칙 판정 영상 데이터

분야스포츠
유형 텍스트 , 이미지

구축년도 : 2023 갱신년월 : 2024-10 조회수 : 4,118 다운로드 : 78 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.

소개 파일 목록 (API 다운로드)

※ 내국인만 데이터 신청이 가능합니다.

문의하기 목록

데이터 변경이력

데이터 변경이력
버전	일자	변경내용	비고
1.1	2024-10-30	데이터 최종 개방
1.0	2024-08-09	데이터 개방	Beta Version

데이터 히스토리

데이터 히스토리
일자	변경내용	비고
2024-08-09	산출물 공개	Beta Version

소개

- AI 심판을 통한 야구 경기의 판정 속도 및 객관성·공정성 향상을 위한 야구 경기 규칙 관련, 스트라이크/볼, 파울/페어, 세이프/아웃 등 심판 판정 관련 이미지 데이터

구축목적

- AI 심판을 통한 야구 경기의 판정속도 및 객관성 공정성 향상
- 심판의 편파 판정과 스포츠 도박으로 인한 승부조작 방지
- 국내 사회인야구, 아마추어 야구, 프로야구 등 야구장 내에서 활용을 통한 공정성 향상으로 건전한 체육 문화 정착

메타데이터 구조표
데이터 영역	스포츠	데이터 유형	텍스트 , 이미지
데이터 형식	JSON, jpg	데이터 출처	KBO 및 실제 경기(독립리그, 대학부, 고등부) 영상, 자체 경기 등 촬영 및 수집
라벨링 유형	바운딩박스(이미지) & 폴리곤	라벨링 형식	JSON
데이터 활용 서비스	야구 경기의 판정 속도 및 객관성·공정성 향상을 위한 야구 경기 규칙 관련, 스트라이크/볼, 파울/페어, 세이프/아웃 등 심판 판정	데이터 구축년도/ 데이터 구축량	2023년/원천데이터: jpg 199,500개 / TXT 6,600세트 / 라벨링데이터: JSON 199,500개 / TXT 6,600세트

- 데이터 구축 규모
1) 라벨링 데이터

데이터 구축 규모 1) 라벨링 데이터
항 목	분 류	파일 포맷	제출 수량
스트라익_볼	스트라익	json	57,000
스트라익_볼	볼	json	75,000
파울_페어	파울	json	11,904
파울_페어	페어	json	16,104
세이프_아웃	세이프	json	14,000
세이프_아웃	아웃	json	17,510
파울헛스윙	파울	json	4,000
파울헛스윙	헛스윙	json	4,012
총 수량			199,530

2) 기타 데이터(궤적 관련)

데이터 구축 규모 2) 기타 데이터(궤적 관련)
항목	세부 항목	분 류	파일 포맷	제출 수량
Other	궤적영상	스트라익/볼	MP4	6,600세트(33,000개)
	궤적데이터	스트라익/볼	TXT	6,600세트(33,000개)
	궤적확인영상	스트라익/볼	AVI	6,600세트(26,400개)
총 수량				19,800세트(92.400개)

- 데이터 분포
1) 전체 파일 규모

데이터 분포 1) 전체 파일 규모
판정	항목	조건구분	데이터 수(클립)	비율
스트라익/볼판정	스트라익/볼	실제 경기에서 신규 취득 (1920*1080, 120fps, 5방향)	6,600	100%
(파울/페어), (세이프/아웃), (헛스윙/파울) 판정	파울/페어	실제 경기에서 신규 취득 (1920*1080, 120fps, 3방향)	약1,500	19%
		자체 경기에서 신규 취득 (1920*1080, 120fps, 3방향)	약5,900	73.50%
		프로야구 녹화영상에서 추출	600	7.50%
	세이프/아웃	실제 경기에서 신규 취득 (1920*1080, 120fps, 3방향)	약1,500	21%
		자체 경기에서 신규 취득 (1920*1080, 120fps, 3방향)	약4,700	70.40%
		프로야구 녹화영상에서 추출	600	8.60%
	헛스윙/파울	실제 경기에서 신규 취득 (1920*1080, 120fps, 3방향)	1,900	95%
	헛스윙/파울	프로야구 녹화영상에서 추출	100	5%

2) 다양성(통계)

데이터 분포 2) 다양성(통계)
구분	다양성 항목명	어노테이션
구분	다양성 항목명	속성명	설명	비고
1	야구 선수 등급별 분포	metaData.Player_career(year)	타자의 경력 구분	1~5년
				5~10년
				10~15년
				15~20년
				20~25년
				25~30년
2	촬영방향별 분포	1-4) 파일명 “다섯 번째” 항목을 기준으로 2자리씩 검사 예) CAM030509 ①②③	카메라 방향 “그림 1” 참조	“그림 1” 참조
				참고 : (1루)=>1루쪽에설치
				• 스트라익/볼, 파울/헛스윙
				홈플레이트 탑샷:01
				우타자(1루): 02
				좌타자(3루): 03
				홈/3루(1루): 04
				홈/1루(3루): 05
				• 세이프/아웃
				1루 베이스(1루): 08
				1루 베이스(3루): 09
				1루 베이스(홈): 10
				2루 베이스(홈): 11
				2루 베이스(1루): 12
				2루 베이스(3루): 13
				3루 베이스(홈): 14
				3루 베이스(3루): 15
				3루 베이스(1루): 16
				홈 베이스(홈): 01
				홈 베이스(1루): 02
				홈 베이스(3루): 03
				• 파울/페어
				홈 베이스(홈): 01
				홈 베이스(1루): 02
				홈 베이스(3루): 03
				내야(1루): 04
				내야(3루): 05
				1루 내야라인(홈): 17
				1루 외야라인(3루): 18
				1루 외야라인(1루): 19
				3루 내야라인(3루): 20
				3루 외야라인(1루): 21
				3루 외야라인(3루): 22
3	카테고리별 분포	1-4) 파일명 “두 번째” 항목	리그별 구분	독립리그 : 01
				KBO : 02
				대학 : 03
				고등 : 04
				자체경기 : 05
4	판정별 분포	1-4) 파일명 “첫 번째” 항목	규칙 판정별 분포	스트라익: ST
				볼: BA
				파울: FU
				페어: FR
				세이프: SA
				아웃: OU
				파울: FL
				헛스윙: NS

저작도구 설명서 및 저작도구 다운로드
저작도구 설명서 다운로드 저작도구 다운로드
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드
- 스트라이크/볼
ResNet 50 변형 모델로 3차원 공의 궤적 및 타자의 자세 추정에 다른 스트라이크 존 입력으로 스트라이크/볼을 분류 하는 모델

- 입력: 타자 스트라이크 존, 3차원 공궤적 (strike 존 근방)
- 공 궤적 수식으로 계산된 결과 strike/ball (AS: analytic solution)
- Strike zone은 타자 3차원 pose를 이용하여 analytic하게 만들 수 있음
- Strike zone 안에서 공이 날아간 경우 strike

- 파울/페어,세이프/아웃/파울/헛스윙
학습 알고리즘은 객체와 각 객체에 따른 속성을 이용하여 장면을 기술 하는 과정으로 객체 검출과 검출된 객체의 속성을 인식하는 두 단계 인공지능 모델로 이루어짐

객체 검출은 객체의 특징에 따라 바운딩박스와 폴리곤이 혼합된 형태로 라벨링 되어 있어, 폴리곤을 기준으로 인식을 하되, 바운딩박스 또한 사각 폴리곤 형식으로 적용하고, 사용한 모델은 yolov7 임
YOLOv7는 Real-time Instance Segmentation on MSCOCO 영역에서 SOTA 성능인 45% 인식율을 나타내고, 기준 논문(Kexin Yi, ...,Joshua B. Tenenbaum, "Neural-Symbolic VQA: Disentangling Reasoning from Vision and Language Understanding" 2019)에서 객체 검출 용으로 사용 된 Mask R-CNN(34.6%, 16위) 대비 더 좋을 성능을 나타냄

< Real-time Instance Segmentation on MSCOCO 순위 >

< yolov7 개념도 >

속성 인식은 객체에 대한 각각의 라벨링 정의에 따른 속성을 인식하는데 있어 AttNet(ResNet-50)을 사용 함
AttNet은 기준 논문(Kexin Yi, ...,Joshua B. Tenenbaum, "Neural-Symbolic VQA: Disentangling Reasoning from Vision and Language Understanding" 2019)에서 객체의 속성 인식용으로 사용된 모델임

< AttNet의 개념도 >

기존 그래프 내에서 노드와 엣지로부터 정보를 취합하는 GCN(Graph Convolutional Networks) + MLP(multi-layer perceptron) layer에 구조 정보를 추출하는 HGP-SL layer를 추가한 신경망 네트워크

< 그림 > HGP-SL 훈련모델

설명서 및 활용가이드 다운로드

데이터 설명서 다운로드 구축활용가이드 다운로드

- 데이터 설명 :
○ AI 심판을 통한 야구 경기의 판정 속도 및 객관성·공정성 향상을 위한 야구 주요 규칙 판정 동영상 및 이미지 데이터 구축
○ 인공지능 학습용 데이터 구축량
- 여러 방향에서 촬영된 야구 규칙 중심의 동영상 클립 및 이미지
- 야구 주요 규칙 : 스트라이크(Strike), 볼(Ball), 파울(Foul), 페어(Fair), 세이브(Safe), 아웃(Out) + 파울/헛스윙
○ AI 임무(task)
- 투구의 스트라이크/볼 판정
- 구장 전체를 관망하며 파울/페어 판정
- 주자의 세이프/아웃 판정
- 타자의 파울.헛스윙 판정

- 데이터 구성 :
1) 라벨링데이터

데이터 구성 1) 라벨링데이터
구분			속성명	타입	필수여부	설명
1			box	object	Y	선수,공,경기도구,심판 지정
	1-1		type	string	Y
	1-2		location	array	Y
		1-2-1	x	number	Y
		1-2-2	y	number	Y
		1-2-3	width	number	Y
		1-2-4	height	number	Y
	1-3		label	string	Y	box의 속성값
	1-4		value	array	N
		1-4-1	상태	string	N	구체적인 상태
		1-4-2	위치	string	N	규칙상 위치
2			polygon	object	N	경기장 지정
	2-1		type	string	N
	2-2		location	array	N
		2-2-1	x1	number	N
		2-2-2	y1	number	N
		2-2-3	x2	number	N
		2-2-4	y2	number	N
		2-2-5	x3	number	N
		2-2-6	y3	number	N
		2-2-7	x4	number	N
		2-2-8	y4	number	N
		2-2-9	x5	number	N
		2-2-10	y5	number	N
	2-3		label	string	N	polygon의 속성값

2) 메타데이터

데이터 구성 2) 메타데이터
구분		속성명	타입	필수 여부	설명
1		metaData	object	Y
	1-1	File_name	string	Y	파일명
	1-2	File_format	string	Y	파일 형식
	1-3	File_resolution	string	Y	파일 해상도
	1-4	File_cam_ID	string	Y	캠 번호
	1-5	Game_date	string	Y	일시
	1-6	Game_weather	string	Y	날씨
	1-7	Game_Temperature(Celsius_degree)	string	Y	온도(섭씨)
	1-8	Game_humidity(percent)	string	Y	습도(퍼센트)
	1-9	Game_wind_direction(degrees)	string	Y	풍향(섭씨도)
	1-10	Game_wind_speed(m/s)	string	Y	풍속(m/s)
	1-11	Player_height(cm)	string	Y	선수 키
	1-12	Player_weight(Kg)	string	Y	선수 몸무게
	1-13	Player_grade	string	Y	선수 소속 리그
	1-14	Player_position	string	Y	선수 역할(포지션)
	1-15	Player_career(year)	string	Y	선수 경력
	1-16	Player_bats	string	Y	치는손
	1-17	Player_throws	string	Y	던지는손
	1-18	Situation_umpire_judgement	string	Y	현장 심판 판정
	1-19	Situation_labeled_judgement	string	Y	라벨 심판 판정
	1-20	Situation_code	string	Y	상황 순서 고유값
	1-21	Ball_labelname	string	Y	공 라벨 이름
	1-22	Ball_status	string	Y	공의 실질적 상태
	1-23	License	string	Y	라이센스
	1-24	Version	string	Y	버전
	1-25	Contributer	string	Y	제작자
	1-26	Url	string	Y	url
	1-27	sourcefile	string	Y	원본파일

*Player_carrer(year)

Player_carrer(year)
수준	구분	경력	데이터 수집 대상	비고
L-6	프로야구	9년 이상	kbo 영상 구매	-
L-5	퓨처스리그	9년 이상	X	-
L-4	독립리그/ 대학부	9년이상	O	-
L-3	고교부	6~8년	O	-
L-2	중등	3~5년	X	-
L-1	초등	1~2년	X	-

- 어노테이션 포맷

데이터 구성 - 어노테이션 포맷
구분	다양성 항목명	어노테이션
구분	다양성 항목명	속성명	설명	비고
1	야구 선수 등급별 분포	metaData.Player_career(year)	타자의 경력 구분	1~5년
				5~10년
				10~15년
				15~20년
				20~25년
				25~30년
2	촬영방향별 분포	1-4) 파일명 “다섯 번째” 항목을 기준으로 2자리씩 검사 예) CAM030509 ①②③	카메라 방향 “그림 1” 참조	“그림 1” 참조 참고: (1루)=>1루쪽에설치
				• 스트라익/볼,파울/헛스윙
				홈플레이트 탑샷 : 01
				우 타자 (1루) : 02
				좌 타자 (3루) : 03
				홈/3루 (1루) : 04
				홈/1루 (3루) : 05
				• 세이프/아웃
				1루 베이스 (1루) : 08
				1루 베이스 (3루) : 09
				1루 베이스 (홈) : 10
				2루 베이스 (홈) : 11
				2루 베이스 (1루) : 12
				2루 베이스 (3루) : 13
				3루 베이스 (홈) : 14
				3루 베이스 (3루) : 15
				3루 베이스 (1루) : 16
				홈 베이스 (홈) : 01
				홈 베이스 (1루) : 02
				홈 베이스 (3루) : 03
				• 파울/페어
				홈 베이스 (홈) : 01
				홈 베이스 (1루) : 02
				홈 베이스 (3루) : 03
				내야 (1루) : 04
				내야(3루) : 05
				1루 내야 라인 (홈) : 17
				1루 외야 라인 (3루) : 18
				1루 외야 라인 (1루) : 19
				3루 내야 라인 (3루) : 20
				3루 외야 라인 (1루) : 21
				3루 외야 라인 (3루) : 22
3	카테고리별 분포	1-4) 파일명 “두 번째” 항목	리그별 구분	독립리그 : 01
				KBO : 02
				대학 : 03
				고등 : 04
				자체 경기 : 05
4	판정별 분포	1-4) 파일명 “첫 번째” 항목	규칙 판정별 분포	스트라익 : ST
				볼 : BA
				파울 : FU
				페어 : FR
				세이프 : SA
				아웃 : OU
				파울 : FL
				헛스윙 : NS

- 채널 별 카메라 번호 및 사진 샘플
#1 서버(스트라익/볼) & (파울/헛스윙)
- Cam1 스트라익/볼탑샷 홈 플레이트 => 전체 카메라 채널 넘버 : 1
- Cam2 스트라익/볼 우 타자 => 전체 카메라 채널 넘버 : 2
- Cam3 스트라익/볼 좌 타자 => 전체 카메라 채널 넘버 : 3
- Cam4 스트라익/볼 홈/3루 => 전체 카메라 채널 넘버 : 4
- Cam5 스트라익/볼 홈/1루 => 전체 카메라 채널 넘버 : 5
- Cam6 전체경기장 30fps => 전체 카메라 채널 넘버 : 6
- Cam7 전광판 30fps => 전체 카메라 채널 넘버 : 7

1번 서버(스트라익/볼, 파울/헛스윙) 카메라 방향 및 화각 사진

[그림 2] 1번 서버(스트라익/볼, 파울/헛스윙) 카메라 방향 및 화각 사진

#2 서버(세이프/아웃)
-Cam1 1루 베이스 => 전체 카메라 채널 넘버 : 8
-Cam2 1루 베이스 => 전체 카메라 채널 넘버 : 9
-Cam3 1루 베이스 => 전체 카메라 채널 넘버 : 10
-Cam4 2루 베이스 => 전체 카메라 채널 넘버 : 11
-Cam5 2루 베이스 => 전체 카메라 채널 넘버 : 12
-Cam6 2루 베이스 => 전체 카메라 채널 넘버 : 13
-Cam7 3루 베이스 => 전체 카메라 채널 넘버 : 14
-Cam8 3루 베이스 => 전체 카메라 채널 넘버 : 15

2번 서버(세이프/아웃) 카메라 방향 및 화각 사진

[그림 3] 2번 서버(세이프/아웃) 카메라 방향 및 화각 사진

#3 서버(파울/페어)
-Cam1 (세이프/아웃용 잔여 카메라) 3루베이스=> 전체 카메라 채널 넘버 : 16
-Cam2 1루 내야 => 전체 카메라 채널 넘버 : 17
-Cam3 1루 외야 => 전체 카메라 채널 넘버 : 18
-Cam4 1루 외야 => 전체 카메라 채널 넘버 : 19
-Cam5 3루 내야 => 전체 카메라 채널 넘버 : 20
-Cam6 3루 외야 => 전체 카메라 채널 넘버 : 21
-Cam7 3루 외야 => 전체 카메라 채널 넘버 : 22

3번서버(파울/페어) 카메라 방향 및 화각 사진

[그림 4] 3번서버(파울/페어) 카메라 방향 및 화각 사진

- 실제 예시
● 스트라이크/볼

스트라이크/볼 실제 예시

● 파울/페어,세이프/아웃/파울/헛스윙

파울/페어,세이프/아웃/파울/헛스윙

데이터셋 구축 담당자

수행기관(주관) : ㈜컴아트시스템

수행기관(주관)
책임자명	전화번호	대표이메일	담당업무
설창훈	070-7122-2300	[email protected]	총괄기획 / 데이터 수집, 정제

수행기관(참여)

수행기관(참여)
기관명	담당업무
㈜에어패스	데이터 정제 / 데이터 가공/ 데이터 검수
㈜가치랩스	AI 모델링
(사)대한스포츠문화산업협회	데이터 수집, 정제

데이터 관련 문의처

데이터 관련 문의처
담당자명	전화번호	이메일
박철우	070-7122-2303	[email protected]

AI모델 관련 문의처

AI모델 관련 문의처
담당자명	전화번호	이메일
김민기	031-460-0029	[email protected]

저작도구 관련 문의처

저작도구 관련 문의처
담당자명	전화번호	이메일
박종진	02-2205-0551	[email protected]

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
  사용신청신청자신청서류 제출*
3. 심사구축기관
4. 승인구축기관
5. 데이터 분석 활용신청자
6. 분석모델반출신청자
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 [email protected] 또는 02-525-7708, 7709로 문의