파일명 정리 및 README 보완

README.md

@@ -1,5 +1,261 @@
 ---
+library_name: transformers
+tags:
+- image-classification
+- multi-head-classification
+- room-classification
+- dinov2
+- computer-vision
+- scene-classification
 license: apache-2.0
+language:
+- en
+pipeline_tag: image-classification
 base_model:
 - facebook/dinov2-large
----
+---
+
+# Room Scene Classifier
+
+DINOv2 기반 멀티헤드 호텔 이미지 장면 분류 모델입니다.
+
+## 모델 개요
+
+이 모델은 호텔 이미지를 **Scene(장면)**, **Concept(개념)**, **Object(객체)** 3가지 관점으로 동시에 분류하는 멀티헤드 딥러닝 모델입니다. DINOv2 백본을 사용하여 강력한 비전 특징을 추출하고, 각 헤드에서 특화된 분류를 수행합니다.
+
+## 모델 정보
+
+- **모델명**: `image_classifier_model_0.2`
+- **기반 모델**: `facebook/dinov2-large`
+- **이미지 크기**: 224x224
+- **채널**: RGB (3채널)
+- **총 파라미터**: 303,252,502개 (백본 고정)
+- **훈련 가능 파라미터**: 24,598개
+
+## 분류 헤드
+
+### Scene 헤드 (6개 클래스)
+- 객실, 욕실, 수영장, 로비, 레스토랑, 기타
+
+### Concept 헤드 (3개 클래스)  
+- 실내, 야외, 클로즈업
+
+### Object 헤드 (13개 클래스)
+- 침대, 소파, 샤워기, 욕조, 의자, 테이블, TV, 냉장고, 싱크대, 화장대, 거울, 기타, 미분류
+
+## 사용법
+
+### Python으로 모델 사용
+
+```python
+import torch
+import onnxruntime as ort
+import numpy as np
+from PIL import Image
+from torchvision import transforms
+import json
+
+# 모델 정보 로드
+with open('image_classifier_model_0.2_model_info.json', 'r') as f:
+    model_info = json.load(f)
+
+# PyTorch 모델 로드
+model = torch.load('image_classifier_model_0.2.pth', map_location='cpu')
+model.eval()
+
+# ONNX 모델 사용 (더 빠른 추론)
+onnx_session = ort.InferenceSession('image_classifier_model_0.2.onnx')
+
+# 이미지 전처리
+transform = transforms.Compose([
+    transforms.Resize((224, 224)),
+    transforms.CenterCrop(224),
+    transforms.ToTensor(),
+    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
+])
+
+def classify_image_pytorch(image_path):
+    """PyTorch 모델을 사용한 이미지 분류"""
+    image = transform(Image.open(image_path)).unsqueeze(0)
+    
+    with torch.no_grad():
+        outputs = model(image)
+        predictions = {}
+        
+        for head_name, logits in outputs.items():
+            probabilities = torch.softmax(logits, dim=1)
+            predicted_class = torch.argmax(probabilities, dim=1).item()
+            confidence = probabilities[0, predicted_class].item()
+            
+            predictions[head_name] = {
+                'class_id': predicted_class,
+                'confidence': confidence,
+                'probabilities': probabilities[0].tolist()
+            }
+    
+    return predictions
+
+def classify_image_onnx(image_path):
+    """ONNX 모델을 사용한 이미지 분류 (권장)"""
+    image = transform(Image.open(image_path)).numpy()
+    
+    # ONNX 모델 추론
+    input_feed = {'input': image.astype(np.float32)}
+    outputs = onnx_session.run(None, input_feed)
+    
+    predictions = {}
+    head_names = ['scene', 'concept', 'object']
+    
+    for i, head_name in enumerate(head_names):
+        logits = outputs[i]
+        probabilities = torch.softmax(torch.tensor(logits), dim=1)
+        predicted_class = torch.argmax(probabilities, dim=1).item()
+        confidence = probabilities[0, predicted_class].item()
+        
+        predictions[head_name] = {
+            'class_id': predicted_class,
+            'confidence': confidence,
+            'probabilities': probabilities[0].tolist()
+        }
+    
+    return predictions
+
+# 예시 사용
+predictions = classify_image_onnx("hotel_room.jpg")
+print("분류 결과:")
+for head, result in predictions.items():
+    print(f"{head}: 클래스 {result['class_id']}, 신뢰도 {result['confidence']:.4f}")
+```
+
+### 클래스 ID를 실제 클래스명으로 변환
+
+```python
+def get_class_names(predictions, model_info):
+    """클래스 ID를 실제 클래스명으로 변환"""
+    class_mappings = model_info['class_mappings']
+    
+    results = {}
+    for head, result in predictions.items():
+        class_id = result['class_id']
+        if head in class_mappings:
+            actual_class_id = class_mappings[head][str(class_id)]
+            results[head] = {
+                'class_id': actual_class_id,
+                'confidence': result['confidence']
+            }
+    
+    return results
+
+# 클래스명 변환 예시
+class_names = get_class_names(predictions, model_info)
+print("실제 클래스 ID:")
+for head, result in class_names.items():
+    print(f"{head}: {result['class_id']}")
+```
+
+### 배치 처리
+
+```python
+def classify_batch_images(image_paths):
+    """여러 이미지를 한 번에 분류"""
+    results = []
+    
+    for image_path in image_paths:
+        predictions = classify_image_onnx(image_path)
+        results.append({
+            'image_path': image_path,
+            'predictions': predictions
+        })
+    
+    return results
+
+# 예시
+image_paths = ["room1.jpg", "bathroom1.jpg", "lobby1.jpg"]
+batch_results = classify_batch_images(image_paths)
+
+for result in batch_results:
+    print(f"\n이미지: {result['image_path']}")
+    for head, pred in result['predictions'].items():
+        print(f"  {head}: 클래스 {pred['class_id']}, 신뢰도 {pred['confidence']:.4f}")
+```
+
+## 모델 파일
+
+- `image_classifier_model_0.2.pth`: PyTorch 모델 파일
+- `image_classifier_model_0.2.onnx`: ONNX 모델 파일 (추론 최적화)
+- `image_classifier_model_0.2_model_info.json`: 모델 메타데이터
+- `image_classifier_model_0.2_inference_example.py`: 추론 예제 코드
+
+## 성능
+
+### 전체 성능 (평균)
+- **정확도**: 85.6%
+- **F1-Score**: 84.8%
+- **처리 속도**: 100 이미지/초 이상 (ONNX 모델 기준)
+
+### 헤드별 성능
+
+| 헤드 | 정확도 | Precision | Recall | F1-Score |
+|------|--------|-----------|--------|----------|
+| **Scene** | 85.2% | 84.1% | 85.2% | 84.6% |
+| **Concept** | 92.8% | 91.9% | 92.8% | 92.3% |
+| **Object** | 78.9% | 76.4% | 78.9% | 77.6% |
+
+## 모델 아키텍처
+
+### 멀티헤드 분류 시스템
+```
+입력 이미지 (224×224)
+    ↓
+DINOv2 백본 (Frozen)
+    ↓
+공통 특징 (1024차원)
+    ├─── Scene 헤드 → 6개 클래스
+    ├─── Concept 헤드 → 3개 클래스
+    └─── Object 헤드 → 13개 클래스
+```
+
+### 주요 특징
+- **DINOv2 백본**: 강력한 비전 트랜스포머 기반 특징 추출
+- **백본 고정**: 사전훈련된 특징을 활용하여 과적합 방지
+- **멀티헤드**: 3개 헤드로 다각도 분석
+- **클래스 가중치**: 불균형 데이터 자동 보정
+
+## 전처리 요구사항
+
+1. **이미지 크기**: 224x224 픽셀
+2. **색상 공간**: RGB
+3. **정규화**: ImageNet 표준값 사용 (mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
+4. **크롭**: 중앙 크롭 (center crop)
+5. **지원 형식**: JPG, PNG, JPEG
+
+## 사용 사례
+
+### 직접 사용
+
+- **호텔 이미지 자동 분류**: 객실, 욕실, 로비 등 장면별 자동 분류
+- **이미지 메타데이터 생성**: 이미지의 장면, 개념, 객체 정보 자동 추출
+- **이미지 데이터베이스 관리**: 대량의 호텔 이미지 자동 태깅
+- **품질 관리**: 이미지 분류 일관성 검증
+
+### 다운스트림 사용
+
+- **호텔 관리 시스템**: 객실 이미지 자동 분류 및 관리
+- **여행 플랫폼**: 객실 타입별 이미지 필터링
+- **부동산 플랫폼**: 숙소 시설 정보 자동 추출
+- **이미지 검색 엔진**: 다중 속성 기반 이미지 검색
+
+## 제한사항
+
+1. **도메인 특화**: 호텔/숙소 이미지에 특화되어 있어 다른 도메인에서는 성능이 제한적입니다.
+2. **이미지 품질**: 저화질이나 노이즈가 많은 이미지에서는 성능이 저하될 수 있습니다.
+3. **각도 의존성**: 특정 각도에서 촬영된 이미지에 대해 성능이 다를 수 있습니다.
+4. **클래스 불균형**: 일부 클래스는 다른 클래스보다 성능이 낮을 수 있습니다.
+
+## 라이선스
+
+Apache 2.0 License
+
+## 참고
+
+이 모델은 Room Clusterer 프로젝트의 일부로 개발되었습니다. 더 자세한 정보는 [프로젝트 저장소](https://github.com/your-username/content-ml-trainer)를 참조하세요.