dacl10k-component-context

dacl10k v2의 정답 공개분(train 6,935장 + validation 975장 = 7,910장)을 대상으로, LabelMe 폴리곤을 채워 만든 다중 라벨 정답 마스크와 3-fold 분할(fold별 체크포인트 선택용 내부 검증 세트 포함)입니다. "교량 손상 인식에서 부재 맥락은 언제 유효한가" 연구(CNU-NUR KIRI)의 공통 데이터로 만들었습니다.

⚠️ 비상업적 사용만 가능합니다 (CC BY-NC 4.0). 원본 dacl10k의 라이선스를 그대로 따릅니다.

파일

파일	내용
classes.json	클래스 19개의 순서(index 0~18), 이름, 종류
split_3fold.json	사진별 fold(0~2)·원래 split, fold별 inner_val 목록
split3_report.md	분할 검증 보고서 (fold별 클래스 포함 비율 등)
masks/fold{0,1,2}.tar	fold별 정답 마스크 (masks/<image>.npz), 압축 없는 tar
images/fold{0,1,2}.tar	fold별 원본 사진 (images/<image>.jpg), 압축 없는 tar
load_example.py	fold 목록 만들기 + 사진·마스크 1장 읽기 예시
scripts/	재현 스크립트 (make_common.py: 마스크 생성, make_split3.py: 분할)
checksums.sha256	tar·json 파일의 sha256

fold별 사진 수: fold 0 = 2,629, fold 1 = 2,653, fold 2 = 2,628

파일	크기
classes.json	0.0 MB
split_3fold.json	0.7 MB
masks/fold0.tar	229.4 MB
masks/fold1.tar	237.0 MB
masks/fold2.tar	237.7 MB
images/fold0.tar	1,484.1 MB
images/fold1.tar	1,550.3 MB
images/fold2.tar	1,580.2 MB

클래스 (다중 라벨)

한 픽셀이 여러 클래스일 수 있습니다 (예: 받침 위의 녹 = Bearing과 Rust 둘 다 True). 손상끼리, 부재끼리도 겹칠 수 있습니다. 원본 README는 WConccor를 6번째 부재(object)로 분류하지만, 이 저장소에서는 손상으로 취급합니다.

index	이름	종류
0	Crack	damage (손상)
1	ACrack	damage (손상)
2	Wetspot	damage (손상)
3	Efflorescence	damage (손상)
4	Rust	damage (손상)
5	Rockpocket	damage (손상)
6	Hollowareas	damage (손상)
7	Cavity	damage (손상)
8	Spalling	damage (손상)
9	Graffiti	damage (손상)
10	Weathering	damage (손상)
11	Restformwork	damage (손상)
12	ExposedRebars	damage (손상)
13	WConccor	damage (손상)
14	Bearing	component (부재)
15	EJoint	component (부재)
16	Drainage	component (부재)
17	PEquipment	component (부재)
18	JTape	component (부재)

마스크 형식

• np.load(f)["mask"] → 모양 (19, H, W), dtype bool, 원본 해상도 (사진과 같은 H, W), 채널 순서 = classes.json
• np.savez_compressed로 저장한 .npz
• 만든 방법: 각 폴리곤 좌표를 반올림해 cv2.fillPoly로 채우고, 같은 클래스는 합집합(OR). 이미지 밖으로 나간 폴리곤은 잘림

분할 사용법

• 시험 fold k = 나머지 두 fold로 학습합니다. 학습 사진 = (fold ≠ k) − inner_val[k]
• 체크포인트(조기 종료·하이퍼파라미터)는 inner_val[k]로만 고릅니다. inner_val[k]는 학습 풀(fold ≠ k)의 10%입니다
• 시험 fold k 사진은 학습에도, 선택에도 쓰지 마세요. 시험 fold에는 최종 평가만 합니다
• 층화: 19개 클래스 각각의 포함 여부(19차원)로 iterative stratification (iterstrat MultilabelStratifiedKFold, seed 42). inner_val도 같은 기준(MultilabelStratifiedShuffleSplit, seed 42)
• 교량 ID 정보가 없어 사진 단위 분할입니다. 같은 교량의 비슷한 사진이 다른 fold에 들어갈 수 있습니다(누수 가능성)
• fold마다 학습 풀이 겹치므로 inner_val 목록끼리도 일부 겹칩니다(정상)

# tar 를 모두 저장소 루트에서 풀면 masks/, images/ 폴더가 생김
for f in masks/*.tar images/*.tar; do tar -xf "$f"; done
python load_example.py 0

출처, 라이선스, 변경 내역

• 원본: dacl10k v2 (Flotzinger, Rösch & Braml, WACV 2024) — https://github.com/phiyodr/dacl10k-toolkit
• 라이선스: CC BY-NC 4.0 (원본과 동일). 비상업적 사용만 가능, 사용 시 원 저자를 인용해야 합니다
• 변경 내역: ① 원본 LabelMe 폴리곤 → 19채널 다중 라벨 bool 마스크로 변환 ② 3-fold 분할 + fold별 inner_val 추가 ③ 원본 사진(train+validation)은 수정 없이 fold별 tar로 묶음만 변경
• testdev 1,012장(정답 비공개)은 포함하지 않습니다

@misc{flotzinger2023dacl10k,
  author={Johannes Flotzinger and Philipp J. Rösch and Thomas Braml},
  title={dacl10k: Benchmark for Semantic Bridge Damage Segmentation},
  year={2023},
  eprint={https://arxiv.org/abs/2309.00460},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}

재현

1. 원본 dacl10k_v2_devphase를 내려받습니다 (위 toolkit 안내)
2. python scripts/make_common.py <dacl10k_v2_devphase> → common/gt_masks/*.npz 생성 (그 밖의 출력물은 이 저장소에서 쓰지 않음)
3. python scripts/make_split3.py --common <common> --data <dacl10k_v2_devphase> → split_3fold.json, split3_report.md
4. 필요 패키지: numpy, opencv-python-headless, iterative-stratification