123metro/barcode-datasets

난인식 바코드 합성 데이터셋 (v1)

인천세관 송장 바코드 복원 프로젝트(WE-Meet 2026, METRO팀)의 합성 데이터다. 깨끗한 Code128 을 렌더링해 원통 곡률·주름·정반사를 입히고, 정답 제어점을 같이 낸다.

구성

분할	규모	형식	용도
synthetic/v1/recipes/train.{L,M,H}.jsonl.gz	L 126,983 / M 163,453 / H 48,147 행 (렌더 전량)	레시피 JSONL	학습 (로더가 밴드별로 뽑아 쓴다 — 아래)
synthetic/v1/eval/{low,mid,high}/	각 500 장	PNG + NPZ + manifest	평가 (이미지로 구움)
synthetic/v1/stats/	—	JSON	출현율·부족분·실현 preset 비율

학습 30,000 · 평가 1,500. 레시피 원본 272.5 MB (gzip 79.5 MB), 평가 세트 157.8 MB.

학습 JSONL 은 「채택분」이 아니라 렌더한 모든 행의 기록이다. 버킷에 따라 64~89% 가 first_ok(1차 디코딩 성공) 이므로 burned 만 빼고 전부 쓰면 설계 비중과 정반대가 된다. 로더가 band 필드로 버킷마다 target 5,000 · hard 3,500 · first_ok 1,500 을 뽑으면 아래 「구간 비중」이 그대로 성립한다. 어느 행을 뽑는지는 로더의 자유다 — 설계가 "버림은 학습 로더의 일" 로 정했고, 세 버킷 모두 재고가 충분하다.

버킷	target	hard	first_ok	burned	계
L	5,000	3,545	113,545	4,893	126,983
M	5,000	12,535	142,741	3,177	163,453
H	5,000	11,840	30,670	637	48,147

학습 세트를 이미지가 아니라 레시피로 배포한다. 한 줄이 약 1 KB 이고 seed 와 왜곡 파라미터가 전부 들어 있어 워커가 결정론적으로 재생성한다. 평가 세트만 굽는 것은 코드가 바뀌어도 같은 사진으로 비교해야 성능 변화가 코드 탓인지 데이터 탓인지 갈리기 때문이다.

해상도 버킷 (d_m0 = 모듈 폭 px)

학습	범위	평가	범위
L	1.6 ~ 2.5	low	1.6 ~ 2.2
M	2.5 ~ 3.7	mid	2.5 ~ 3.5
H	3.7 ~ 6.0	high	4.0 ~ 6.0

평가 구간을 학습보다 좁게 잡아 경계 근처를 피했다.

구간 비중 (학습)

구간	1차 디코딩	정답 제어점으로 편 뒤	비중
목표	실패	성공	50%
불가 · 기하 관측 가능	실패	실패	35%
1차 성공	성공	—	15%
불가 · 포화 소실	실패	실패	0% (기록만)

평가 세트는 목표 구간 100% 다 — 1차 성공 구간에서는 어떤 모델도 결과가 같고, 원리적 불가 구간에서는 어떤 모델도 실패하므로 모델 차이가 안 보인다.

구간 판정은 「읽혔는가」가 아니라 「맞게 읽혔는가」로 한다. Code128 은 mod-103 체크디지트라 훼손된 판독이 약 1/103 로 체크섬을 통과해 유효하지만 틀린 문자열을 돌려준다. 유효성만 보면 틀린 번호가 목표 구간으로 새어 들어간다(실측 1,500장 중 8장).

생성 실측

버킷	렌더	목표	불가·기하	1차 성공	부족분
L	126,983	5,000	3,500	1,500	없음
M	163,453	5,000	3,500	1,500	없음
H	48,147	5,000	3,500	1,500	없음

렌더 1장당 목표 구간 출현율이다. 재파일럿 값으로 렌더 상한을 정했으므로 둘 다 적는다.

버킷	재파일럿 (n=3,000)	본 생성 실측
L	4.10%	3.94% (5,000 / 126,983)
M	3.43%	3.06% (5,000 / 163,453)
H	10.07%	10.38% (5,000 / 48,147)

M 이 재파일럿보다 11% 낮지만 렌더 상한(218,446)에 닿기 전에 쿼터를 채워서 부족분은 없다.

왜곡 프리셋은 뽑을 때 crease / sine / octave 각 30%, cylinder 10% 인데 목표 구간에서 실현된 비율은 다르다 — 프리셋마다 생존율이 다르기 때문이고, 보정하지 않고 그대로 보고한다.

버킷	crease	sine	octave	cylinder
L	0.427	0.262	0.214	0.097
M	0.233	0.250	0.444	0.072
H	0.164	0.293	0.490	0.053

해상도가 올라갈수록 crease 가 빠지고 octave 가 그 자리를 메운다. 저해상도에서는 접힘이 목표 구간을 만들지만 고해상도에선 너무 쉽게 풀려 1차 성공으로 새는 것으로 읽힌다.

라벨 형식

제어점은 16×3 = 48점, (x, y) 정규화 좌표다.

단위	0.0 ~ 1.0. 0.0 = 첫 픽셀 중심, 1.0 = 마지막 픽셀 중심
픽셀 환산	w−1, h−1 을 곱한다
dst_norm	펴진 격자 (목표 위치)
src_norm	관측 이미지에서의 위치. −0.5 ~ 1.5 를 넘을 수 있다 (회전 잔차)
배열 순서	행 우선 (위쪽 줄 16개 → 가운데 16개 → 아래 16개)

dst_norm 은 모든 샘플에서 동일한 상수다 — 평가 1,500장 전수 비교 결과 최대 차이 2.2e-16. linspace(0,1,16) × linspace(0,1,3) 균등 격자다. 따라서 모델이 예측할 것은 src_norm 96개 숫자(48점 × 2축)뿐이고, dst_norm 은 학습 대상이 아니다. 호환성을 위해 NPZ 에 같이 실어 둔다.

물리 규격

현장 라벨은 50×30 mm 또는 60×40 mm 다. 모듈 폭 0.325 mm (50 mm / 154 모듈). 바 영역 종횡비는 U(2.0, 2.3) 에서 뽑는다 — 라벨 높이의 73~75% 가 바 영역이라는 가정이며, 미검증이다.

렌더러는 write_text: False 로 막대만 그리고 위아래 흰 여백을 잘라낸다. 따라서 이미지의 종횡비 2.0~2.3 은 라벨 바깥 치수(1.67 / 1.50)가 아니라 바 영역의 것이다. 가정이 틀린 것으로 밝혀져도 aspect 가 레시피에 저장돼 있으므로 해당 구간만 골라 쓰면 되고 재생성은 필요 없다.

재현

레시피는 (seed, bucket, shard, index) 로 결정론적으로 재생성된다. 코드 커밋 해시는 각 JSONL 첫 줄의 _stats.code 에 있다 — {"commit": ..., "dirty": ...} 형태다. dirty 가 true 면 그 해시만으로는 이미지를 재현할 수 없다는 뜻이다.

v1 의 dirty: true 는 생성 코드가 커밋과 달랐다는 뜻이 아니다. 판정이 git status --porcelain 으로 트리 전체를 보는 것이었는데, data/stats/ 가 git 에 들어가는 유일한 생성물이라 앞선 버킷이 남긴 stats 파일이 다음 실행에서 untracked 로 잡혔다. 발행분 9개 중 8개가 true 이고, 같은 커밋 290e154 로 만든 train.L(false) 과 train.M·train.H(true) 가 나뉘는 것이 그 증거다 — 갈린 것은 코드가 아니라 실행 순서다. 이후 판정은 wemeet/ scripts/ tests/ pyproject.toml uv.lock 만 본다.

학습 세트 재현에 필요한 입력값 (v1). 행 하나는 자족적이라 한 장을 재현하는 데는 문제가 없지만, 세트를 그대로 다시 만들려면 아래 값이 필요하다. 이후 실행부터는 _stats 에 seed·render_cap·per_band·tau 로 기록되지만, 이미 만들어진 v1 통계 파일에는 소급해서 들어갈 수 없으므로 여기 적어 둔다.

	값
seed	42
tau (밴드 라벨을 정의한 값)	0.0741 — tau_suggestion 은 결과이지 입력이 아니다
per_band	target 5,000 / hard 3,500 / first_ok 1,500
render_cap (--n)	L 182,926 / M 218,446 / H 74,504

render_cap 은 index_offset = sum(caps[:shard]) 를 통해 모든 샤드의 텍스트를 바꾸므로, 시드가 같아도 이 값이 다르면 다른 세트가 나온다.

평가 3벌은 시드와 쿼터가 다르다(--seed 7, --per-band 500/0/0, 샤드 5). 세 벌 모두 상한에 닿기 전에 쿼터를 채웠지만(hit_cap 전부 false, 렌더 10,611 / 17,116 / 4,228), render_cap 값 자체가 산출물에 남아 있지 않다. 상한에 안 걸려도 샤드별 인덱스 오프셋을 통해 번호 배정이 달라지므로, 이 값 없이는 같은 평가 세트를 다시 만들 수 없다. 입력값을 _stats 에 넣게 된 이유가 이것이다.

같은 시드로 두 번 생성해 _stats 헤더를 제외한 본문의 sha256 이 일치함을 확인했다.

shards 를 바꾸면 같은 시드라도 다른 데이터가 나온다 — 샤드마다 독립 난수 스트림과 겹치지 않는 인덱스를 쓰기 때문이다. 각 JSONL 헤더에 기록해 두었다.

git clone https://github.com/kim1034/2026-Wemeet-Barcode-Restoration
uv sync
uv run python -m scripts.generate_v1 --bucket L --n 182926 --out train.L.jsonl
#                                      M: 218446   H: 74504

사용 시 주의

• eval/ 은 학습에 쓰지 않는다.
• 구간 라벨은 디코더(zxing-cpp)에 종속된다. 디코더가 바뀌면 재라벨링만 하면 되고 레시피 재생성은 필요 없다 — sat_ratio 를 같이 저장해 두었다.
• burned(포화 소실) 행은 학습에서 제외한다. 기록용으로만 남겼다.
• burned 만 빼고 쓰면 안 된다. JSONL 은 렌더 전량 기록이고 64~89% 가 first_ok 라, 그대로 쓰면 설계 비중(50/35/15)과 정반대인 세트가 된다. 로더가 band 필드로 버킷마다 target 5,000 / hard 3,500 / first_ok 1,500 을 뽑아야 한다.

라이선스

MIT. 모든 이미지는 합성이며 실촬영·개인정보를 포함하지 않는다.