--- title: 사전 어노테이션 slug: api-guide/ko/xCBPRU1c70XCzlKsIG6MH docTags: createdAt: 2024-12-17T09:56:31.000Z --- 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 패키지](https://pypi.org/project/kognic-openlabel)를 사용하여 OpenLabel 형식의 사전 어노테이션 업로드를 지원합니다. ## kognic-io 클라이언트를 사용하여 사전 어노테이션 생성하기 Kognic 플랫폼에서 사전 어노테이션을 사용하려면 3단계가 필요합니다. 1. 필요한 모든 데이터를 업로드하여 씬 생성하기 2. 씬에 대해 하나 이상의 OpenLabel 어노테이션을 사전 어노테이션으로 업로드하기 3. 사전 어노테이션을 사용하여 씬으로부터 입력(input) 생성하기 이러한 단계는 `create_inputs` 함수를 사용하여 한 번의 호출로 여러 번 수행할 수 있습니다. 자세한 내용은 [씬 및 입력 다루기](docId\:QaZKWWF-MALaJ6kMci9m5)를 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. ```python # 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 및 입력 다루기](docId\:QaZKWWF-MALaJ6kMci9m5) 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-openlabel`의 문서에 따라 OpenLabel 어노테이션을 로드하고 다음과 같이 Kognic 플랫폼에 업로드합니다. ```python 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 :::hint{type="info"} 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** 사용 가능한 최신 사전 어노테이션을 사용하여 씬으로부터 입력을 생성합니다. 프로젝트의 가장 최근의 열린(open) 배치에 입력을 추가하거나, 특정 배치가 주어진 경우 해당 배치에 추가하여 어노테이션 준비 상태로 만듭니다. ```python 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.** :::hint{type="info"} **Kognic IO 2.9.0부터 사용 가능합니다.** 이를 통해 하나의 씬에서 서로 다른 사전 어노테이션을 사용하거나 사전 어노테이션 없이 여러 개의 입력을 생성하고, 이를 서로 다른 프로젝트/배치에 추가할 수 있습니다. ::: 특정 사전 어노테이션을 사용하거나 사전 어노테이션 없이 씬으로부터 입력을 생성합니다. 프로젝트의 가장 최근의 열린(open) 배치에 입력을 추가하거나, 특정 배치가 주어진 경우 해당 배치에 추가하여 어노테이션 준비 상태로 만듭니다. ```python # 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 `occlusion`이 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. - [핵심 개념](docId\:ScnZ9HNtKPw7pvGOaKag1)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. | 이름 | OpenLABEL 필드 | 설명 | 속성 | | ------------------------ | ------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------ | | Cuboid | `cuboid` | 3D 큐보이드 | - | | Bounding box | `bbox` | 2D 바운딩 박스 | - | | 3D line | `poly3d` | 3D 라인. 닫힌 형태로 만들려면 첫 번째 포인트를 끝에 다시 추가하세요. | - | | Polygon | `poly2d` | 2D [OpenLABEL 형식](docId\:ckqZ7DhGnfHAFkr7EMh3i) | `is_hole` | | Multi-polygon | `poly2d` | 2D [OpenLABEL 형식](docId\:ckqZ7DhGnfHAFkr7EMh3i) | `is_hole` & `polygon_id` | | Curve | `poly2d` | 2D [OpenLABEL 형식](docId\:ckqZ7DhGnfHAFkr7EMh3i) 또는 라인 | `interpolation_method` | | 2D point | `point2d` | [OpenLABEL 형식](docId\:ckqZ7DhGnfHAFkr7EMh3i) | - | | Group of 2D points | `point2d` | [OpenLABEL 형식](docId\:ckqZ7DhGnfHAFkr7EMh3i) | `point_class` | | 3D Semantic Segmentation | `binary` | | | | 3D Instance Segmentation | `binary` | | | | 3D point | `point3d` | | | | 3D lane | `poly3d` | 차선의 각 가장자리마다 하나씩 총 2개의 `poly3d`를 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 [OpenLABEL 형식](docId\:ckqZ7DhGnfHAFkr7EMh3i)에서와 동일해야 합니다. 2D 지오메트리는 픽셀 좌표로 표현되어야 합니다. 자세한 내용은 [좌표계](docId:2yUiGk3M8sJI14b4ZEkqq)를 참고하세요. ### 속성 - Text - Num - 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_data`에 지정)일 수 있으며, [핵심 개념](docId\:ScnZ9HNtKPw7pvGOaKag1)가 있는 경우 작업 정의에서 허용된 속성이어야 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. 컨텍스트에는 다음 네 가지 모드가 있습니다. - 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 이 문서에서는 다음 두 종류의 컨텍스트 객체를 구분합니다. - **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 - num - boolean - vec - 문자열 vec만 지원 | 컨텍스트 모드 | 컨텍스트에 stream 속성 있음 | 컨텍스트에 stream 외 속성 있음 | 프레임 컨텍스트에 속성 있음 | 컨텍스트에 stream 외 속성 2개 이상 | 프레임 컨텍스트에 속성 2개 이상 | | ----------------------- | ------------------ | -------------------- | --------------- | ----------------------- | ------------------ | | Static Global | ❌ | ✅ | ❌ | ❌ | ❌ | | Dynamic Global | ❌ | ❌ | ✅ | ❌ | ❌ | | Static Source Specific | ✅ | ✅ | ❌ | ❌ | ❌ | | Dynamic Source Specific | ✅ | ❌ | ✅ | ❌ | ❌ | 예제는 [여기](docId\:DLcU2TKVfZVkAn8XbGE1R)를 참고하세요. ### 프레임 모든 사전 어노테이션은 고유한 타임스탬프를 가진 프레임을 포함해야 하며, 각 타임스탬프는 씬에 지정된 타임스탬프 중 하나여야 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) [OpenLABEL 형식](docId\:ckqZ7DhGnfHAFkr7EMh3i) 문서에 설명된 대로 지원됩니다. 소스별 관계는 지원되지 않습니다. [지오메트리 컬렉션](#)은 `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 `camera`나 `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 객체 데이터 포인터를 사용하거나 boolean 속성 `interpolated`를 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](docId:2yUiGk3M8sJI14b4ZEkqq) 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. ### 객체 데이터 포인터(Object Data Pointers) OpenLABEL에서 객체 데이터 포인터는 객체에 대한 명세를 만드는 데 사용됩니다. 예를 들어 특정 객체에 사용되는 속성과 지오메트리를 지정할 수 있습니다. 또한 이들이 존재하는 프레임도 지정할 수 있습니다. 객체 데이터 포인터에 지오메트리가 지정되면, 해당 객체 데이터 포인터가 가리키는 모든 프레임에 이 지오메트리가 존재하게 됩니다. 이러한 프레임 중 일부에 지오메트리가 제공되지 않으면 보간됩니다. 객체 데이터 포인터의 첫 프레임과 마지막 프레임에는 **반드시** 지오메트리가 제공되어야 함에 유의하세요. 그렇지 않으면 사전 어노테이션이 거부됩니다. 한 가지 제약사항은 객체 데이터 포인터를 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. [객체 데이터 포인터를 사용한 희소성](./#----)에서 객체 데이터 포인터 사용 예제를 확인할 수 있습니다. ### Interpolated 속성 boolean 속성 `interpolated`를 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 희소성](docId\:DLcU2TKVfZVkAn8XbGE1R)에서 `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. :::CodeblockTabs ```json { "openlabel": { "objects": { "object_uuid": { "name": "object_uuid", "object_data": { "boolean": [ { "name": "kognic_locked_geometries", "val": true } ] }, "object_data_pointers": {}, "type": "Vehicle" } } } } ``` ```python import kognic.openlabel.models as OLM uuid1 = str(uuid.uuid4()) object = OLM.Object( name=uuid1, type="car", object_data=OLM.ObjectData( boolean=[ OLM.Boolean(name="kognic_locked_geometries", val=True), ] ), ) openlabel = OLM.Openlabel(objects={uuid1: object}, metadata=OLM.Metadata(schema_version="1.0.0")) openlabel_annotation = OLM.OpenLabelAnnotation(openlabel=openlabel) ``` ::: ### 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. :::CodeblockTabs ```json { "openlabel": { "objects": { "object_uuid": { "name": "object_uuid", "object_data": { "boolean": [ { "name": "kognic_stationary_object", "val": true } ] }, "object_data_pointers": {}, "type": "Vehicle" } } } } ``` ```python import kognic.openlabel.models as OLM uuid1 = str(uuid.uuid4()) object = OLM.Object( name=uuid1, type="car", object_data=OLM.ObjectData( boolean=[ OLM.Boolean(name="kognic_stationary_object", val=True), ] ), ) openlabel = OLM.Openlabel(objects={uuid1: object}, metadata=OLM.Metadata(schema_version="1.0.0")) openlabel_annotation = OLM.OpenLabelAnnotation(openlabel=openlabel) ``` ::: ### 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 `poly3d`에만 신뢰도를 설정하세요. 오른쪽 가장자리에는 설정하면 안 됩니다. :::CodeblockTabs ```json { "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 } ] } } ] } } } } } } } ``` ```python import kognic.openlabel.models as OLM uuid1 = str(uuid.uuid4()) object = OLM.Object( name=uuid1, type="car", ) cuboid = OLM.Cuboid( name="cuboid_uuid", val=[x, y, z, qx, qy, qz, qw, sx, sy, sz], attributes=OLM.Attributes( num=[ OLM.Num(name="kognic_geometry_confidence", val=0.87), ], ), ) frame = OLM.Frame( objects={uuid1: OLM.Objects(object_data=OLM.ObjectData(cuboid=[cuboid]))}, ) openlabel = OLM.Openlabel( objects={uuid1: object}, frames={"0": frame}, metadata=OLM.Metadata(schema_version="1.0.0"), ) openlabel_annotation = OLM.OpenLabelAnnotation(openlabel=openlabel) ``` ::: ## 예제 아래는 지원되는 사전 어노테이션의 예제들입니다. ### 정적 속성을 가진 3D 큐보이드와 2D 바운딩 박스 ```json { "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 ```json { "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" } } } } ``` ### 객체 데이터 포인터를 사용한 희소성 아래 예제에서 객체 `1232b4f4-e3ca-446a-91cb-d8d403703df7`는 프레임 0과 3에 제공되는 `the-bbox-name`이라는 바운딩 박스를 가지고 있습니다. 프레임 1과 2에서는 바운딩 박스가 보간됩니다. ```json { "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-d8d403703df7`는 바운딩 박스를 가지고 있으며, 프레임 1과 2에서는 `interpolated` 속성이 `true`로 설정되어 있지만 프레임 0과 3에서는 그렇지 않습니다. 프레임 1과 2의 지오메트리 값은 무시되며 대신 프레임 0과 3의 지오메트리 값으로부터 보간됩니다. ```json { "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 ```json { "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. | 범위 | 의미 | | ----------- | ------------------------------------------------ | | 0 | 미분류 | | 1-255 | 시맨틱 분류, 예: 도로, 건물 | | 256 - 65535 | 인스턴스 분류, 예: Car1, Car2, Pedestrian1, Pedestrian2 | ```json { "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": "" } ] } } } } }, "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. ```json { "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" } } } } ```