KandenAiHackathonPosture2 — エンジニア姿勢合成画像データセット

English Summary A large-scale synthetic image dataset of 52,500 images depicting engineers in four sitting postures (good, slouch, chin rest, stretch). Generated using Stable Diffusion v1.5 + ControlNet (Depth) from reference base images, with diverse variations in age, ethnicity, clothing, lighting, and camera artifacts. Designed for training posture classification models for real-time fatigue detection in office environments.

---

データセット概要

本データセットは、空間AIブレイン プロジェクトのために構築された、エンジニアの座り姿勢を再現した大規模合成画像データセットです。

実際のオフィスでの撮影データ収集が困難なため、画像生成AI（Stable Diffusion v1.5 + ControlNet Depth）を用いて、ベース画像の姿勢構造を保持しながら多様なバリエーションを自動生成しました。

---

データの内容

項目	詳細
件数	52,500枚
フォーマット	Parquet（自動変換済み）
データ分割	train: 52,500行
サイズ	約69.3 GB

カラム説明

カラム名	型	説明
image	Image (JPEG)	合成生成された姿勢画像
label	string	姿勢クラスラベル（01_good, 02_slouch, 03_chin_rest, 04_stretch）
prompt	string	画像生成に使用したプロンプト（年齢、服装、環境等の詳細記述）

クラス説明

ラベル	説明	学習時のID
01_good	正しい姿勢でデスクワーク中。背筋が伸び、モニターを正面から見ている	0
02_slouch	猫背で前傾した疲労姿勢。肩が丸まり、顔がモニターに近い	1
03_chin_rest	頬杖をついている姿勢。片手で顎を支え、ストレスや集中力低下を示す	2
04_stretch	ストレッチ・伸びをしている姿勢。腕を後ろに伸ばし、休憩行動を示す	3

---

作成方法

生成パイプライン

1. ベース画像の撮影: 各姿勢クラスの典型的なポーズを撮影
2. 深度マップ抽出: MiDaS (Depth Estimator) でベース画像から深度マップを生成
3. ControlNet生成: Stable Diffusion v1.5 + ControlNet (Depth) で深度マップを制御信号として、多様なバリエーションを生成

使用モデル

コンポーネント	モデル
画像生成	runwayml/stable-diffusion-v1-5
ControlNet	lllyasviel/sd-controlnet-depth
深度推定	MiDaS (lllyasviel/Annotators)
スケジューラ	UniPCMultistepScheduler

生成パラメータ

パラメータ	値
推論ステップ数	20
Guidance Scale	7.5
バリエーション数	ベース画像1枚あたり100枚

プロンプト例

• good: "A professional Japanese engineer working with good posture, bright modern office, highly detailed, 4k"
• slouch: "A tired Japanese engineer slouching over a laptop, messy dark room, glowing monitor light, exhausted, cinematic lighting"
• chin_rest: "A stressed Japanese engineer resting chin on hand, looking at laptop screen, server room background, deep thought, highly detailed"
• stretch: "A Japanese engineer stretching arms back, relaxing on a desk chair, taking a break, coding environment"

ネガティブプロンプト

worst quality, low quality, bad anatomy, bad hands, missing fingers, deformed, ugly, cropped, real person face

---

使用方法

Python (datasets ライブラリ)

from datasets import load_dataset

dataset = load_dataset("SeiyaCM/KandenAiHackathonPosture2")
print(dataset)
# DatasetDict({
#     train: Dataset({
#         features: ['image', 'label', 'prompt'],
#         num_rows: 52500
#     })
# })

# 画像の表示
sample = dataset["train"][0]
sample["image"].show()
print(f"Label: {sample['label']}")
print(f"Prompt: {sample['prompt']}")

学習での使用例

from datasets import load_dataset
from torchvision import transforms

dataset = load_dataset("SeiyaCM/KandenAiHackathonPosture2")
split = dataset["train"].train_test_split(test_size=0.1, seed=42)

label_map = {"01_good": 0, "02_slouch": 1, "03_chin_rest": 2, "04_stretch": 3}

transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

---

想定ユースケース

• エンジニアの姿勢分類モデルの学習・評価
• オフィス環境でのウェルネスモニタリングシステムの開発
• 合成データによる画像分類の研究・実験
• ControlNet を用いたデータ拡張手法のベンチマーク

---

注意点・制約・バイアス / Limitations & Bias

• 合成画像: 全画像がStable Diffusionで生成されたものであり、実際の写真ではありません。実環境での評価には実データでの追加検証が推奨されます
• プロンプト由来のバイアス: 生成プロンプトにバリエーション（年齢、性別、服装等）を含めていますが、生成モデル自体のバイアスが反映される可能性があります
• 姿勢の明確性: 一部の生成画像では、指定した姿勢が明確に表現されていない場合があります
• 解像度: 生成画像はWebカメラ品質を模しており、高解像度な用途には適しません
• 環境の多様性: オフィス環境を中心に生成しており、自宅や屋外環境のバリエーションは限定的です

---

ライセンス / License

MIT License

---

関連リンク / Related Links

• GitHub: SeiyaCM/kanden-ai-hackathon
• 学習済みモデル: SeiyaCM/KandenAiHackathonPostureModel（ResNet18 → ONNX、検証精度 97.33 %）