사전 어노테이션

28 분

사전 어노테이션(Pre-annotation)은 그라운드 트루스 제작에서 다양하게 활용됩니다. 사전 어노테이션 기능을 사용하면 입력에 이미 존재하는 것으로 알려진 객체에 대한 정보를 지정할 수 있습니다. 사용 사례에 어떻게 활용할 수 있는지는 Advisory Services 팀에 문의해 주세요.

Kognic 플랫폼은 kognic-openlabel 패키지를 사용하여 OpenLabel 형식의 사전 어노테이션 업로드를 지원합니다.

kognic-io 클라이언트를 사용하여 사전 어노테이션 생성하기

Kognic 플랫폼에서 사전 어노테이션을 사용하려면 3단계가 필요합니다.

필요한 모든 데이터를 업로드하여 씬 생성하기

씬에 대해 하나 이상의 OpenLabel 어노테이션을 사전 어노테이션으로 업로드하기

사전 어노테이션을 사용하여 씬으로부터 입력(input) 생성하기

이러한 단계는 create_inputs 함수를 사용하여 한 번의 호출로 여러 번 수행할 수 있습니다. 자세한 내용은 한 번의 호출로 여러 개의 입력 생성하기를 참고하세요.

또한 씬을 생성하면 즉시 씬 UUID를 받게 되며, 이를 사용하면 씬 처리가 시작되기를 기다리지 않고도 사전 어노테이션을 생성할 수 있습니다. 사전 어노테이션은 씬 처리가 완료되면 사용할 수 있게 됩니다.

1. 씬 생성하기

먼저 씬을 생성합니다.

# Create Scene but not input since we don't provide project or batch
scene_response = client.lidars_and_cameras_sequence.create(
  lidars_and_cameras_seq,
  dryrun=dryrun
)

씬 생성이 완료되기를 완전히 기다릴 수도 있지만, 이는 선택 사항이며 씬의 UUID는 즉시 사전 어노테이션과 입력을 생성하는 데 사용할 수 있습니다.

2. OpenLabel 어노테이션 업로드하기

씬이 초기화된 후(씬 UUID를 받은 후)에는 Kognic 플랫폼에 사전 어노테이션을 업로드할 수 있습니다.

kognic-openlabel의 문서에 따라 OpenLabel 어노테이션을 로드하고 다음과 같이 Kognic 플랫폼에 업로드합니다.

pre_annotation_response = client.pre_annotation.create(
    scene_uuid=scene_response.scene_uuid, # from step 1
    external_id="20250811145051", # optional
    pre_annotation=OpenLabelAnnotation(...),
    dryrun=dryrun
)

3. 입력 생성하기

입력을 생성하기 전에 씬 및/또는 사전 어노테이션의 처리가 완료될 때까지 기다릴 필요는 없습니다. 씬 생성 시 반환되는 씬 UUID와 사전 어노테이션 생성 시 반환되는 사전 어노테이션 UUID를 다음 단계에 바로 사용할 수 있습니다. 다만 오류를 즉시/동기적으로 알고 싶다면 대기하는 것이 여전히 유용하며, 그렇지 않다면 나중에 쿼리하여 오류를 확인할 수 있습니다.

씬과 사전 어노테이션이 성공적으로 생성되면 입력을 생성할 수 있습니다. Kognic IO 2.9.0부터는 이를 수행하는 두 가지 방법이 있습니다. 3.1. 최신 사전 어노테이션을 사용하여 최신 프로젝트 배치에 입력 생성하기

최신으로 사용 가능한 사전 어노테이션을 사용하여 씬으로부터 입력을 생성합니다. 프로젝트의 최신 오픈 배치에 입력을 추가하거나, 특정 배치가 주어진 경우 해당 배치에 추가하여 어노테이션 준비 상태로 만듭니다.

client.lidars_and_cameras_sequence.create_from_scene(
    scene_uuid=scene_response.scene_uuid, # from step 1
    project=project, # Important: this is the external id and not the title 
    dryrun=dryrun
)

3.2. 특정 사전 어노테이션을 사용하여 주어진 프로젝트/배치에 입력 생성하기.

Kognic IO 2.9.0부터 사용 가능합니다. 이를 통해 서로 다른 사전 어노테이션(또는 사전 어노테이션 없이)을 사용하여 하나의 씬으로부터 여러 개의 입력을 생성하고, 서로 다른 프로젝트/배치에 배치할 수 있습니다.

특정 사전 어노테이션 또는 사전 어노테이션 없이 씬으로부터 입력을 생성합니다. 프로젝트의 최신 오픈 배치에 입력을 추가하거나, 특정 배치가 주어진 경우 해당 배치에 추가하여 어노테이션 준비 상태로 만듭니다.

# scene is explicit, pre-annotation is optional
client.input.create_from_scene(scene_uuid, project) # no preannotation
client.input.create_from_scene(scene_uuid, project, batch) # no preannotation
client.input.create_from_scene(scene_uuid, pre_anno_uuid, project)
client.input.create_from_scene(scene_uuid, pre_anno_uuid, project, batch)

# pre-annotation is explicit, scene is implied
client.input.create_from_pre_annotation(pre_anno_uuid, project)
client.input.create_from_pre_annotation(pre_anno_uuid, project, batch)

#  Examples
client.input.create_from_scene(
    scene_uuid=scene_response.scene_uuid, # mandatory, from step 1
    pre_annotation_uuid=pre_annotation_response.uuid # optional, from step 2
    project=project, # Important: this is the external id and not the title 
    dryrun=dryrun
)

client.input.create_from_pre_annotation(
    pre_annotation_uuid=pre_annotation_response.uuid # mandatory, from step 2
    project=project, # Important: this is the external id and not the title 
    dryrun=dryrun
)

OpenLabel 지원

사전 어노테이션은 OpenLabel 형식/스키마를 사용하지만, 모든 OpenLabel 기능이 사전 어노테이션에서 지원되는 것은 아닙니다.

지원되지 않는 사전 어노테이션 기능

다음 기능 또는 기능 조합은 현재 지원되지 않거나, 부분적으로만 지원됩니다.

정적 지오메트리: 지원되지 않음

이는 OpenLabel의 objects.*.objectData 아래에 선언된 바운딩 박스, 큐보이드 등입니다.

지오메트리별 속성: 3D 지오메트리에서는 지원되지 않음

이는 OpenLabel에서 단일 기하학적 형태에 선언된 속성, 즉 하나의 센서로 본 객체에만 적용되는 속성입니다. 일반적인 예로 각 카메라마다 별도로 기록되는 occlusion이 있습니다.

소스별, 스트림별 또는 센서별 속성이라고도 부를 수 있습니다.

3D 지오메트리는 포인트 클라우드를 어노테이션할 때 그릴 수 있는 모든 것, 예를 들어 큐보이드를 의미합니다.

지오메트리별 속성은 바운딩 박스와 같은 2D 지오메트리에서는 허용됩니다.

작업 정의(task definition)에서 속성을 이러한 방식으로 사용하기 전에 반드시 소스별(source specific)로 지정해야 합니다.

stream 속성은 이 규칙의 예외인 특수한 경우입니다.

지원되는 사전 어노테이션 기능

지오메트리

객체는 같은 프레임에서 여러 개의 3D 지오메트리를 가질 수 없습니다.

Name	OpenLABEL field	Description	Attributes
Cuboid	cuboid	3D 큐보이드	-
Bounding box	bbox	2D 바운딩 박스	-
3D line	poly3d	3D 선. 닫힌 형태로 만들려면 첫 번째 포인트를 끝에 다시 추가하세요.	-
Polygon	poly2d	2D 폴리곤	is_hole
Multi-polygon	poly2d	2D 멀티 폴리곤	is_hole & polygon_id
Curve	poly2d	2D 곡선 또는 선	interpolation_method
2D point	point2d	OpenLABEL 형식	-
Group of 2D points	point2d	포인트 그룹	point_class
3D Semantic Segmentation	binary
3D Instance Segmentation	binary
3D point	point3d
3D lane	poly3d	차선의 각 가장자리마다 하나씩 총 2개의 poly3d를 제공하여 구성됩니다. lane_edge 속성을 사용해 어느 차선 가장자리인지 지정하며, 하나는 right 값을, 다른 하나는 left 값을 갖습니다. 따라서 이 지오메트리는 객체가 같은 프레임에서 여러 개의 3D 지오메트리를 가질 수 없다는 규칙의 예외입니다.	lane_edge

모든 지오메트리는 사전 어노테이션의 루트가 아니라 프레임 아래에 지정되어야 함에 유의하세요. 3D 지오메트리는 단일 라이다인 경우 라이다 좌표계로, 다중 라이다인 경우 기준 좌표계로 표현되어야 합니다. 큐보이드의 회전은 익스포트에서와 동일해야 합니다. 2D 지오메트리는 픽셀 좌표로 표현되어야 합니다. 자세한 내용은 좌표계를 참고하세요.

속성

Text

Boolean

2D 지오메트리의 경우, 속성은 지오메트리별(소스/센서별이라고도 함) 또는 객체별로 지정될 수 있습니다. 속성은 정적(objects 키에 지정)이거나 동적(프레임 내 객체의 object_data에 지정)일 수 있으며, 작업 정의가 있는 경우 이를 준수해야 합니다. 지오메트리별 속성(프레임 내 단일 형태에 나타나는 속성)도 작업 정의에서 그렇게 선언되어야 합니다. 임의의 속성을 소스별 방식으로 사용할 수는 없습니다.

컨텍스트

컨텍스트는 kognic 플랫폼에서 씬 속성을 정의하는 데 사용됩니다. 각 컨텍스트는 하나의 속성 값을 포함합니다.

컨텍스트는 4가지 모드로 존재합니다.

Static global - 값이 씬의 모든 프레임과 센서에 대해 유효함

Dynamic global - 값이 모든 센서에 유효하지만 프레임에 따라 변경될 수 있음

Static source specific - 값이 모든 프레임에 대해 유효하지만 특정 하나의 스트림에만 유효함

Dynamic source specific - 값이 특정 하나의 스트림에만 유효하며 프레임에 따라 변경될 수 있음

두 가지 종류의 컨텍스트 객체를 참조하게 됩니다.

컨텍스트 객체(또는 단순히 컨텍스트) - 루트 키 contexts 아래에 정의됨

프레임 컨텍스트 객체(또는 단순히 프레임 컨텍스트) - 프레임 내에 정의됨

openlabel에서 사용되는 모든 컨텍스트는 openlabel의 루트에 있는 context 키 아래에 정의되어야 합니다. kognic에서는 컨텍스트의 키가 다른 곳(예: 프레임 내)에서 참조할 때만 사용되며, 증가하는 숫자 형태의 문자열로 설정합니다.

컨텍스트 타입은 kognic 앱 내의 속성 이름에 대응하며, 속성 값은 컨텍스트의 attributes에 설정됩니다.

소스별 속성이 여러 센서에 존재해야 하는 경우, 예를 들어 각 카메라 센서마다 "sees car"라는 boolean 속성이 있다면, 동일한 컨텍스트 타입을 가진 컨텍스트 객체가 센서마다 하나씩 존재하게 됩니다.

컨텍스트의 경우 다음 속성 타입을 지원합니다.

text

boolean

vec - 문자열 vec만 지원

Context Mode	Has stream attribute in context	Has non stream attribute in context	Has attribute in frame contex	Has more than 1 non stream attribute in context	Has more than 1 attribute in frame contex
Static Global	❌	✅	❌	❌	❌
Dynamic Global	❌	❌	✅	❌	❌
Static Source Specific	✅	✅	❌	❌	❌
Dynamic Source Specific	✅	❌	✅	❌	❌

예제는 여기를 참고하세요.

프레임

모든 사전 어노테이션은 씬에 지정된 것과 동일한 고유한 타임스탬프를 가진 프레임을 포함해야 합니다. 이는 타임스탬프가 사전 어노테이션의 프레임을 씬 내 올바른 프레임에 매핑하는 데 사용되기 때문입니다. 정적인 경우에는 타임스탬프 0을 가진 프레임 하나를 사용해야 합니다.

관계(Relations)

오픈 레이블 형식 문서에 따라 지원됩니다. 소스별 관계는 지원되지 않습니다.

지오메트리 컬렉션은 geometry_collection 타입을 사용하는 관계의 특수한 경우임에 유의하세요.

스트림

모든 지오메트리는 stream 속성을 지정해야 합니다. 이 속성은 지오메트리가 어느 스트림(또는 센서)에 나타나는지를 결정합니다. 스트림은 씬에 지정된 것 중 하나여야 하며 camera나 lidar 등 동일한 타입이어야 합니다.

희소성(Sparseness)

사전 어노테이션은 희소(sparse)할 수 있습니다. 즉, 객체나 지오메트리가 모든 프레임에 존재할 필요는 없습니다. 대신 일부 프레임에만 존재하고 그 사이 프레임에서는 보간될 수 있습니다. 이 기능을 활용하면 시퀀스의 어노테이션 프로세스 속도를 크게 높일 수 있습니다. 희소성은 object data pointer를 사용하거나 boolean 속성 interpolated를 사용하는 두 가지 방식으로 구현할 수 있습니다. 대부분의 경우 더 컴팩트한 사전 어노테이션을 만들 수 있는 전자가 권장되는 방식입니다. 후자는 Kognic 플랫폼에서 내보낸 어노테이션으로부터 사전 어노테이션을 생성하는 경우에 유용합니다.

보간(Interpolation)은 키 프레임 사이의 지오메트리 값을 선형 보간하는 방식으로 이루어집니다. 2D 지오메트리의 경우 픽셀 좌표에서 이루어집니다. 3D 지오메트리의 경우 프레임 로컬 좌표계 또는 월드 좌표계(좌표계 참고) 중 하나에서 보간이 이루어질 수 있습니다. 이는 어노테이션 지침에서 설정되므로, 확실하지 않다면 Kognic 팀에 문의하세요. 월드 좌표계에서의 보간이 권장되지만, 이를 위해서는 씬에 자차 포즈가 포함되어 있어야 함에 유의하세요.

Object Data Pointers

OpenLABEL에서 object data pointer는 객체에 대한 명세를 만드는 데 사용됩니다. 예를 들어 특정 객체에 사용되는 속성과 지오메트리를 지정할 수 있습니다. 또한 이들이 존재하는 프레임도 지정할 수 있습니다. object data pointer에 지오메트리가 지정되면, 해당 object data pointer가 가리키는 모든 프레임에 이 지오메트리가 존재하게 됩니다. 이러한 프레임 중 일부에 지오메트리가 제공되지 않으면 보간됩니다. object data pointer의 첫 프레임과 마지막 프레임에는 반드시 지오메트리가 제공되어야 함에 유의하세요. 그렇지 않으면 사전 어노테이션이 거부됩니다.

한 가지 제약사항은 object data pointer를 사용할 때 지오메트리가 모든 프레임에서 동일한 스트림에 있어야 한다는 것입니다. 이는 보간이 스트림 좌표계에서 이루어지기 때문입니다. 서로 다른 스트림에서 같은 타입의 지오메트리를 사용해야 하는 경우, 각 스트림에서 지오메트리에 서로 다른 이름을 사용하면 됩니다.

Object Data Pointer를 사용한 희소성에서 object data pointer 사용 예제를 확인할 수 있습니다.

Interpolated 속성

boolean 속성 interpolated를 사용하여 지오메트리가 보간되어야 함을 지정할 수 있습니다. 보간된 프레임에서도 지오메트리는 여전히 존재해야 하지만 그 지오메트리 값은 무시됩니다. 보간된 지오메트리는 사전 어노테이션의 첫 프레임에 대응하는 지오메트리(보간 여부와 무관하게)를 가져야 함에 유의하세요. 그렇지 않으면 사전 어노테이션이 거부됩니다.

Kognic 플랫폼에서 내보낸 어노테이션으로부터 사전 어노테이션을 생성하는 경우 interpolated 속성을 사용하는 것이 권장되는 방식입니다.

Interpolated 속성을 사용한 희소성에서 interpolated 속성 사용 예제를 확인할 수 있습니다.

속성

속성은 지오메트리와 다르게 처리됩니다. 속성이 프레임에 존재하지 않으면, 객체(속성이 소스별인 경우 지오메트리)가 해당 프레임에 존재하는 한 마지막 값이 그대로 사용됩니다. 객체가 프레임에 존재하지 않으면 속성은 무시됩니다. 밀집된(dense) 속성은 사전 어노테이션이 Kognic 플랫폼에 업로드될 때 자동으로 희소화됩니다.

Kognic 예약 객체 속성

Kognic 플랫폼에서 다양한 동작을 전환하기 위해 객체에 설정할 수 있는 특정 속성들이 있습니다.

잠긴 지오메트리(Locked Geometries)

사전 어노테이션 내 객체와 그 지오메트리가 이미 충분한 품질을 갖췄거나 사전 어노테이션 사용 중에 변경되지 않아야 하는 경우, 이를 잠금(locked)으로 표시할 수 있습니다. 잠금은 객체 수준에서 적용되며 해당 객체의 모든 지오메트리에 영향을 줍니다.

{
  "openlabel": {
    "objects": {
      "object_uuid": {
        "name": "object_uuid",
        "object_data": {
          "boolean": [
            {
              "name": "kognic_locked_geometries",
              "val": true
            }
          ]
        },
        "object_data_pointers": {},
        "type": "Vehicle"
      }
    }
  }
}

정지 객체(Stationary Objects)

정지 객체는 움직일 수 있지만 움직이지 않는 객체입니다. 좋은 예로 주차된 차가 있습니다. 이는 움직일 수 없는 정적 객체(예: 랜드마크)와는 다릅니다.

특정 플랫폼 기능을 활성화하기 위해 객체를 정지 객체로 표시할 수 있습니다.

{
  "openlabel": {
    "objects": {
      "object_uuid": {
        "name": "object_uuid",
        "object_data": {
          "boolean": [
            {
              "name": "kognic_stationary_object",
              "val": true
            }
          ]
        },
        "object_data_pointers": {},
        "type": "Vehicle"
      }
    }
  }
}

지오메트리 신뢰도(Geometry Confidence)

사전 어노테이션이 예측된 각 지오메트리에 대해 신뢰도 점수를 산출하는 모델에서 나온 경우, kognic_geometry_confidence 속성으로 해당 점수를 첨부하세요. 어노테이터는 도구 내에서 신뢰도 임계값으로 사전 어노테이션을 필터링할 수 있습니다. 값은 [0, 1] 범위의 숫자이며 프레임별, 형태별로 설정됩니다.

3D 차선의 경우, left 차선 가장자리 poly3d에만 신뢰도를 설정하세요. 오른쪽 가장자리에는 설정하면 안 됩니다.

{
  "openlabel": {
    "frames": {
      "0": {
        "objects": {
          "object_uuid": {
            "object_data": {
              "cuboid": [
                {
                  "name": "cuboid_uuid",
                  "val": [x, y, z, qx, qy, qz, qw, sx, sy, sz],
                  "attributes": {
                    "num": [
                      {
                        "name": "kognic_geometry_confidence",
                        "val": 0.87
                      }
                    ]
                  }
                }
              ]
            }
          }
        }
      }
    }
  }
}

예제

아래는 지원되는 사전 어노테이션의 예제들입니다.

정적 속성을 가진 3D 큐보이드와 2D 바운딩 박스

{
  "openlabel": {
    "frame_intervals": [],
    "frames": {
      "0": {
        "frame_properties": {
          "timestamp": 0,
          "external_id": "0",
          "streams": { "LIDAR1": {}, "ZFC": {} }
        },
        "objects": {
          "1232b4f4-e3ca-446a-91cb-d8d403703df7": {
            "object_data": {
              "bbox": [
                {
                  "attributes": {
                    "text": [{ "name": "stream", "val": "ZFC" }]
                  },
                  "name": "Bounding-box-1",
                  "val": [1.0, 1.0, 40.0, 30.0]
                }
              ],
              "cuboid": [
                {
                  "attributes": {
                    "text": [{ "name": "stream", "val": "LIDAR1" }]
                  },
                  "name": "cuboid-89ac8a2b",
                  "val": [
                    2.079312801361084, -18.919870376586914, 0.3359137773513794,
                    -0.002808041640852679, 0.022641949116037438,
                    0.06772797660868829, 0.9974429197838155, 1.767102435869269,
                    4.099334155319101, 1.3691029802958168
                  ]
                }
              ]
            }
          }
        }
      }
    },
    "metadata": {
      "schema_version": "1.0.0"
    },
    "objects": {
      "1232b4f4-e3ca-446a-91cb-d8d403703df7": {
        "name": "1232b4f4-e3ca-446a-91cb-d8d403703df7",
        "object_data": {
          "text": [{ "name": "color", "val": "red" }]
        },
        "type": "PassengerCar"
      }
    },
    "streams": {
      "LIDAR1": { "type": "lidar" },
      "ZFC": { "type": "camera" }
    }
  }
}

동적 속성을 가진 3D 라인

{
  "openlabel": {
    "frame_intervals": [{ "frame_end": 0, "frame_start": 0 }],
    "frames": {
      "0": {
        "frame_properties": {
          "streams": { "lidar": {} },
          "timestamp": 0,
          "external_id": "0"
        },
        "objects": {
          "cc06aced-d7dc-4638-a6e9-dc7f5e215340": {
            "object_data": {
              "poly3d": [
                {
                  "attributes": {
                    "text": [{ "name": "stream", "val": "lidar" }]
                  },
                  "closed": false,
                  "name": "line-3d-1",
                  "val": [
                    -5.0, 0.0, 0.0, -5.0, 10.0, 0.0, 5.0, 10.0, 0.0, 5.0, 0.0,
                    0.0, -5.0, 0.0, 0.0
                  ]
                }
              ],
              "text": [{ "name": "occluded", "val": "No" }]
            }
          }
        }
      }
    },
    "metadata": { "schema_version": "1.0.0" },
    "objects": {
      "cc06aced-d7dc-4638-a6e9-dc7f5e215340": {
        "name": "cc06aced",
        "type": "Region"
      }
    },
    "streams": {
      "lidar": { "type": "lidar" },
      "ZFC": { "type": "camera" }
    }
  }
}

Object Data Pointer를 사용한 희소성

아래 예제에서 객체 1232b4f4-e3ca-446a-91cb-d8d403703df7는 프레임 0과 3에 제공되는 the-bbox-name이라는 바운딩 박스를 가지고 있습니다. 프레임 1과 2에서는 바운딩 박스가 보간됩니다.

{
  "openlabel": {
    "objects": {
      "1232b4f4-e3ca-446a-91cb-d8d403703df7": {
          "name": "car-name",
          "type":  "car",
          "object_data_pointers": {
            "the-bbox-name": {
              "type":"bbox",
              "frame_intervals": [{"frame_start": 0, "frame_end": 3}]
            }
          }
        }
    },
    "frames": {
      "0": {
        ...,
        "objects": {
          "1232b4f4-e3ca-446a-91cb-d8d403703df7": {
            "object_data": {
              "bbox": [{"name": "the-bbox-name",...}]
            }
          }
        }
      },
      "1": {},
      "2": {},
      "3": {
        ...,
        "objects": {
          "1232b4f4-e3ca-446a-91cb-d8d403703df7": {
            "object_data": {
              "bbox": [{"name": "the-bbox-name",...}]
            }
          }
        }
      }
    }
  }
}

Interpolated 속성을 사용한 희소성

아래 예제에서는 interpolated 속성을 사용해 희소성을 결정합니다. 객체 1232b4f4-e3ca-446a-91cb-d8d403703df7는 바운딩 박스를 가지고 있으며, 프레임 1과 2에서는 interpolated 속성이 true로 설정되어 있지만 프레임 0과 3에서는 그렇지 않습니다. 프레임 1과 2의 지오메트리 값은 무시되며 대신 프레임 0과 3의 지오메트리 값으로부터 보간됩니다.

{
  "openlabel": {
    ...,
    "frames": {
      "0": {
        ...,
        "objects": {
          "1232b4f4-e3ca-446a-91cb-d8d403703df7": {
            "object_data": {
              "bbox": [
                {
                  "attributes": {
                    "stream": [{ "name": "stream", "val":  "CAM" }],
                    "boolean": [{ "name": "interpolated", "val": false }]
                  },
                  ...
                }
              ]
            }
          }
        }
      },
      "1": {
        ...,
        "objects": {
          "1232b4f4-e3ca-446a-91cb-d8d403703df7": {
            "object_data": {
              "bbox": [
                {
                  "attributes": {
                    "stream": [{ "name": "stream", "val":  "CAM" }],
                    "boolean": [{ "name": "interpolated", "val": true }]
                  },
                  ...
                }
              ]
            }
          }
        }
      },
      "2": {
        ...,
        "objects": {
          "1232b4f4-e3ca-446a-91cb-d8d403703df7": {
            "object_data": {
              "bbox": [
                {
                  "attributes": {
                    "stream": [{ "name": "stream", "val":  "CAM" }],
                    "boolean": [{ "name": "interpolated", "val": true }]
                  },
                  ...
                }
              ]
            }
          }
        }
      },
      "3": {
        ...,
        "objects": {
          "1232b4f4-e3ca-446a-91cb-d8d403703df7": {
            "object_data": {
              "bbox": [
                {
                  "attributes": {
                    "stream": [{ "name": "stream", "val":  "CAM" }],
                    "boolean": [{ "name": "interpolated", "val": true }]
                  },
                  ...
                }
              ]
            }
          }
        }
      }
    }
  }
}

컨텍스트를 포함한 Openlabel

{
  "openlabel": {
    "context": {
      "0": {
        // A global static context
        "name": "", // This has no meaning to us
        "type":  "isDayTime",
        "attributes": {
          "boolean": [{ 
            "name": "", // This has no meaning to us
            "val": true
          }]
        }
      },
      "1": {
        // A global dynamic context
        "name": "",
        "type": "numberOfSignsPassed",
        "attributes": {}
      },
      "2": {
        // A stream specific static context
        "name": "",
        "type": "isCameraPointingForward",
        "attributes": {
          "text": [{ "name": "stream", "value": "CAM1"}],
          "boolean": [{ "name": "", "value": true}
        }
      },
      "3": {
        // Same property as above but in a different sensor
        "name": "",
        "type": "isCameraPointingForward",
        "attributes": {
          "text": [{ "name": "stream", "value": "CAM2"}],
          "boolean": [{ "name": "", "value": true}
        }
      },
      "4": {
        // A stream specific dynamic context
        "name": "",
        "type": "landscapeCharacteristics"
        "attributes": {
          "text": [{ "name": "stream", "value": "CAM1"}]
        }
      }
    },
    "frames": {
      "0": {
        ...,
        "contexts": {
          "1": {
            "attributes": {
              "num": [{ "name": "", "value": 7 }]
            }
          }
        }
      },
      "1": {},
      "2": {},
      "3": {
        ...,
        "objects": {
          "4": {
            "attributes": {
              "vec": [{ "name": "", "value": ["trees", "fields"] }]
            }
          }
        }
      }
    }
  }
}

3D 시맨틱 및 인스턴스 세그멘테이션

3D 세그멘테이션 작업을 위해 사전 어노테이션을 업로드할 때, openlabel에는 분류 정보와 씬에 존재하는 인스턴스 정보가 모두 포함됩니다. 분류 정보는 3DPointcloudSegmentation 객체 타입을 가진 특수한 객체에 담깁니다. 이 객체는 RLE로 인코딩된 분류 정보를 담은 binary object data 항목을 포함해야 합니다. 인스턴스가 있는 경우 classification_id 값을 가진 객체 항목이 있어야 합니다.

Kognic은 다음과 같은 분류 번호 체계를 적용합니다.

Range	Meaning
0	미분류
1-255	시맨틱 분류, 예: 도로, 건물
256 - 65535	인스턴스 분류, 예: Car1, Car2, Pedestrian1, Pedestrian2

{
  "openlabel": {
    "frames": {
      "0": {
        "objects": {
          "ecdb280e-0ff0-4f59-b9f2-9135e42f991c": {
            "object_data": {}
          },
          "b088dcbf-c7fe-46a5-a71d-88ef49bdc107": {
            "object_data": {
              "binary": [
                {
                  "attributes": {
                    "text": [
                      {
                        "val": "lidar",
                        "name": "stream"
                      }
                    ]
                  },
                  "data_type": "",
                  "encoding": "rle",
                  "name": "labels",
                  "val": "<RLE string>"
                }
              ]
            }
          }
        }
      }
    },
    "metadata": {
      "schema_version": "1.0.0"
    },
    "objects": {
      "ecdb280e-0ff0-4f59-b9f2-9135e42f991c": {
        "name": "ecdb280e-0ff0-4f59-b9f2-9135e42f991c",
        "type": "tree",
        "object_data": {
          "num": [
            {
              "val": 332.0,
              "name": "classification_id"
            }
          ]
        }
      },
      "b088dcbf-c7fe-46a5-a71d-88ef49bdc107": {
        "name": "b088dcbf-c7fe-46a5-a71d-88ef49bdc107",
        "type": "3DPointCloudSegmentation"
      }
    }
  }
}

관계로서의 지오메트리 컬렉션

다음은 지오메트리 컬렉션을 형성하는 2개의 곡선 예제입니다. 지오메트리 컬렉션은 임의 타입의 지오메트리를 임의로 그룹화한 것일 수 있음에 유의하세요.

{
  "openlabel": {
    "frames": {
      "0": {
        "objects": {
          "824e20e4-b3bd-4ba8-8d40-9d32a3985312": {
            "object_data": {
              "poly2d": [
                {
                  "attributes": {},
                  "closed": false,
                  "mode": "MODE_POLY2D_ABSOLUTE",
                  "name": "curve-518f2936",
                  "val": []
                }
              ]
            }
          },
          "923eb0cf-ddf2-4eb3-881c-95846d8d1a3d": {
            "object_data": {
              "poly2d": [
                {
                  "attributes": {},
                  "closed": false,
                  "mode": "MODE_POLY2D_ABSOLUTE",
                  "name": "curve-e63dc662",
                  "val": []
                }
              ]
            }
          },
          "f7b8704f-985c-4369-93a8-5b0c77757ee9": {
            "object_data": {}
          }
        }
      }
    },
    "metadata": {
      "schema_version": "1.0.0"
    },
    "objects": {
      "824e20e4-b3bd-4ba8-8d40-9d32a3985312": {
        "name": "824e20e4-b3bd-4ba8-8d40-9d32a3985312",
        "object_data": {},
        "type": "dashed" // collection subtype 1
      },
      "923eb0cf-ddf2-4eb3-881c-95846d8d1a3d": {
        "name": "923eb0cf-ddf2-4eb3-881c-95846d8d1a3d",
        "object_data": {},
        "type": "solid" // collection subtype 2
      },
      "f7b8704f-985c-4369-93a8-5b0c77757ee9": {
        "name": "f7b8704f-985c-4369-93a8-5b0c77757ee9",
        "object_data": {},
        "type": "laneMarking" // the collection type
      }
    },
    "relations": {
      "0": {
        "name": "0", // specifying the collection as a relation
        "rdf_objects": [
          {
            "type": "object",
            "uid": "824e20e4-b3bd-4ba8-8d40-9d32a3985312"
          },
          {
            "type": "object",
            "uid": "923eb0cf-ddf2-4eb3-881c-95846d8d1a3d"
          }
        ],
        "rdf_subjects": [
          {
            "type": "object",
            "uid": "f7b8704f-985c-4369-93a8-5b0c77757ee9"
          }
        ],
        "type": "geometry_collection"
      }
    }
  }
}