Update README.md

README.md

@@ -1,12 +1,21 @@
 ---
+tags:
+  - clipsegmentation
+  - pytorch
+  - research
+  - computer-vision
+library_name: torch
 datasets:
-- quandao92/ad-clip-dataset
+  - quandao92/ad-clip-dataset
 metrics:
-- f1
+  - f1
 base_model:
-- openai/clip-vit-base-patch32
+  - openai/clip-vit-base-patch32
 ---
-<div style='text-align: center; font-size: 28px; font-weight: bold'>CLIP 기반 제품 결함 탐지 모델 카드</div>
+
+<div style='text-align: center; font-size: 28px; font-weight: bold'>
+  <h1>CLIP 기반 제품 결함 탐지 모델 카드</h1>
+</div>
 
 ## 모델 세부사항
 
@@ -16,34 +25,44 @@ AnomalyCLIP은 특정 객체에 의존하지 않는 텍스트 프롬프트를
 이 모델은 CLIP 기반 이상 탐지 기법을 활용하여 제품 결함을 탐지합니다. 
 사전 학습된 CLIP 모델을 파인튜닝(Fine-tuning)하여 제품 이미지에서 결함을 식별하며, 이를 통해 생산 라인의 품질 관리 및 결함 탐지 작업을 자동화할 수 있습니다.
 
-- **Developed by:** 윤석민
-- **Funded by:** SOLUWINS Co., Ltd. (솔루윈스)
-- **Referenced by:** zhou2023 anomalyclip [[github](https://github.com/zqhang/AnomalyCLIP.git)]
-- **Model type:** CLIP (Contrastive Language-Image Pretraining) - Domain-Agnostic Prompt Learning Model
-- **Language(s):** Python
-- **License:** Apache 2.0, MIT, OpenAI
+| 속성 | 값 |
+|------|-----|
+| **개발자** | 윤석민 |
+| **제작 후원** | SOLUWINS Co., Ltd. (솔루윈스) |
+| **참고 연구** | zhou2023 anomalyclip [[github](https://github.com/zqhang/AnomalyCLIP.git)] |
+| **모델 유형** | CLIP (Contrastive Language-Image Pretraining) - Domain-Agnostic Prompt Learning Model |
+| **프로그래밍 언어** | Python |
+| **라이선스** | Apache 2.0, MIT, OpenAI |
 
 ### 기술적 제한사항
 
-- 모델은 결함 탐지를 위한 충분하고 다양한 훈련 데이터를 필요로 합니다. 훈련 데이터셋이 부족하거나 불균형할 경우, 모델의 성능이 저하될 수 있습니다.
-- 실시간 결함 감지 성능은 하드웨어 사양에 따라 달라질 수 있으며, 높은 해상도에서 결함을 탐지하는 정확도가 떨어질 수 있습니다.
-- 결함이 미세하거나 제품 간 유사성이 매우 높은 경우, 모델이 결함을 정확하게 탐지하지 못할 수 있습니다.
+| 제한사항 | 설명 |
+|---------|------|
+| **데이터 요구사항** | 충분하고 다양한 훈련 데이터가 필요하며, 데이터셋이 부족하거나 불균형할 경우 모델 성능이 저하될 수 있습니다. |
+| **성능 제한** | 실시간 결함 감지 성능은 하드웨어 사양에 따라 달라질 수 있으며, 높은 해상도에서의 정확도가 떨어질 수 있습니다. |
+| **탐지 한계** | 결함이 미세하거나 제품 간 유사성이 매우 높은 경우, 모델이 결함을 정확하게 탐지하지 못할 수 있습니다. |
 
 ## 학습 세부사항
 
-### Hardware
-  - **CPU:** Intel Core i9-13900K (24 Cores, 32 Threads)
-  - **RAM:** 64GB DDR5
-  - **GPU:** NVIDIA RTX 4090Ti 24GB
-  - **Storage:** 1TB NVMe SSD + 2TB HDD
+### 하드웨어 환경
+
+| 구성 요소 | 사양 |
+|---------|------|
+| **CPU** | Intel Core i9-13900K (24 Cores, 32 Threads) |
+| **RAM** | 64GB DDR5 |
+| **GPU** | NVIDIA RTX 4090Ti 24GB |
+| **Storage** | 1TB NVMe SSD + 2TB HDD |
 
-### Software
-  - **OS:** Windows 11 64 bit/ Ubuntu 20.04LTS
-  - **Python:** 3.8 (anaconda)
-  - **PyTorch:** 1.9.0
-  - **OpenCV:** 4.5.3
-  - **Cuda Toolkit:** 11.8
-  - **CudDNN:** 9.3.0.75 for cuda11
+### 소프트웨어 환경
+
+| 구성 요소 | 버전 |
+|---------|------|
+| **OS** | Windows 11 64 bit / Ubuntu 20.04LTS |
+| **Python** | 3.8 (anaconda) |
+| **PyTorch** | 1.9.0 |
+| **OpenCV** | 4.5.3 |
+| **Cuda Toolkit** | 11.8 |
+| **CuDNN** | 9.3.0.75 for cuda11 |
 
 ### 데이터셋 정보
 
@@ -51,233 +70,254 @@ AnomalyCLIP은 특정 객체에 의존하지 않는 텍스트 프롬프트를
 이 데이터는 제품의 이미지, 결함 영역에 대한 ground truth 정보, 그리고 기타 관련 특성을 포함하고 있습니다.
 이미지는 CLIP 모델의 입력 형식에 적합하도록 전처리되며, 결함 영역의 평가를 위해 ground truth 마킹이 포함됩니다.
 
-- **데이터 소스:**  https://huggingface.co/datasets/quandao92/ad-clip-dataset
+- **데이터 소스:** https://huggingface.co/datasets/quandao92/ad-clip-dataset
 - **데이터 수집 장비:**
   - 수집 H/W: jetson orin nano 8GB
   - 카메라: BFS-U3-89S6C Color Camera
   - 렌즈: 8mm Fiexd Focal Length Lens
   - 조명: LIDLA-120070
   - 데이터 형식: .bpm, .jpg
-- **데이터 버전 관리:**
-   - **1차 : 20240903_V0_간이 환경 데이터 수집**
-     데이터 버전 및 사용 이력
-      - V01: 전처리 전 데이터 원본 ->  데이터 수집 원본: 120ea
-      - V02: 데이터 분류 -> 정상/불량 분류: 116ea/4ea
-      - V03: 데이터 분류, 데이터 회전 -> 이미지 증강_45/90/135도로 회전_360ea
-    <div style="text-align: center;">
-    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/6kvzgbH81jJrHJECaEspY.png" height="500" width="100%">
-    <p>Ground Truth Marking</p>
-    </div>
-    
-    <div style="display: flex; justify-content: space-between;">
-      <div style="text-align: center; margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/_fkcI52_BTcqvQyrJ4EXl.png" height="80%" width="90%" style="margin-right:5px;">
-        <p>PCA 분포 시각화</p>
-      </div>
-      <div style="text-align: center; margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/biaWPJtbm6iwNf7ZqnW5O.png" height="80%" width="90%" style="margin-right:5px;">
-        <p>Isolation Forest로 이상값 식별 결과</p>
-      </div>
-    </div>
-
-   - **2차 : 20240910_V1_하우징 내 이미지 수집**
-     데이터 버전 및 사용 이력
-      - V01: 전처리 전 데이터 원본 -> 데이터 수집 원본: 350ea
-      - V02: 데이터 분류 -> 정상/불량 분류: 336ea/14ea
-      - V03: 데이터 분류, 데이터 회전 -> 이미지 증강: 1,050ea
-    <div style="text-align: center;">
-    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/YsP7UwejFabUFp2Im0xWj.png" height="500" width="100%">
-    <p>Ground Truth Marking</p>
-    </div>
-
-    <div style="display: flex; justify-content: space-between;">
-      <div style="text-align: center; margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/CNFdse5mHQY1KkMb5BYpb.png" height="80%" width="90%" style="margin-right:5px;">
-        <p>PCA 분포 시각화</p>
-      </div>
-      <div style="text-align: center; margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/nRO00DJFT0-B1EJYf8lzK.png" height="80%" width="90%" style="margin-right:5px;">
-        <p>Isolation Forest로 이상값 식별 결과</p>
-      </div>
-    </div>
-
-   - **3차 : 20250328_V2_설비 내 데이터 수집**
-     데이터 버전 및 사용 이력
-      - V01: 전처리 전 데이터 원본 -> 이미지 수집_2,010개
-      - V02: 데이터 분류 -> 정상/불량 분류 수행_1,918/92
-      - V03: 데이터 분류, 데이터 회전 -> 이미지 증강 수행_이미지 회전을 통해 이미지 개수 6,030개
-    <div style="text-align: center;">
-    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/MFyVWaqr4GDNs8W2mWzGZ.png" height="500" width="100%">
-    <p>Ground Truth Marking</p>
-    </div>
-
-    <div style="display: flex; justify-content: space-between;">
-      <div style="text-align: center; margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/Kc3EMbY05frUFQh5HbVHn.png" height="80%" width="90%" style="margin-right:5px;">
-        <p>PCA 분포 시각화</p>
-      </div>
-      <div style="text-align: center; margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/SP4R5LjGo2M1Zvby1Bar_.png" height="80%" width="90%" style="margin-right:5px;">
-        <p>Isolation Forest로 이상값 식별 결과</p>
-      </div>
-    </div>
-
-- **Data Configuration:**
-  - **이미지 크기 조정 및 정규화:**
-     - 이미지는 일정한 크기(예: 518x518)로 리사이즈되며, CLIP 모델의 입력으로 적합하게 처리됩니다.
-     - 정규화를 통해 픽셀 값을 [0, 1] 범위로 변환합니다.
-  - **Ground Truth 마킹:**
-     - 결함이 있는 이미지에 대해 결함 영역을 bounding box 형식 또는 binary mask로 표시합니다.
-     - 마킹된 데이터를 JSON 또는 CSV 형식으로 저장하여 모델 평가 시 사용합니다.
-       
-    <div style="text-align: center;">
-    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/k8GQgaTK7JfQExNpCYpzz.png" height="500" width="100%" style="margin-right:5px;">
-    <p>Ground Truth Marking</p>
-    </div>
-
-  - **데이터 분류:**
-     - Normal: 결함이 없는 정상 제품의 이미지.
-     - Error: 결함이 있는 제품의 이미지. 결함 위치와 관련 정보가 포함됩니다.
-    <div style="display: flex;justify-content: space-between;">
-      <div style="text-align: center;margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/5pGwZ-sptjWjf7WpHifyJ.jpeg" height="400" width="450"">
-      </div>
-      <div style="text-align: center;justify-content: space-between; margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/3iihck7VfkXKw9VcIl06x.jpeg" height="400" width="450"">
-      </div>
-      <div style="text-align: center;justify-content: space-between;margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/tjsmiXq9pp0K6KSuS1iOS.jpeg" height="400" width="450"">
-      </div>
-    </div>
-    <p style="text-align: center;">Normal Product Images</p>
-    
-    <div style="display: flex;justify-content: space-between;">
-      <div style="text-align: center;margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/Qv01zDzEM5u8cQYdALrSU.jpeg" height="400" width="450"">
-      </div>
-      <div style="text-align: center;justify-content: space-between; margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/B5q_FKiTVXkuElTSlUc4s.jpeg" height="400" width="450"">
-      </div>
-      <div style="text-align: center;justify-content: space-between;margin-right: 5px;">
-        <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/3pro8oEqMTiEwiwFKcACn.jpeg" height="400" width="450"">
-      </div>
-    </div>
-    <p style="text-align: center;">Error Product Images</p>
+
+#### 데이터 버전 관리
+
+**1차: 20240903_V0_간이 환경 데이터 수집**
+- V01: 전처리 전 데이터 원본 → 데이터 수집 원본: 120ea
+- V02: 데이터 분류 → 정상/불량 분류: 116ea/4ea
+- V03: 데이터 분류, 데이터 회전 → 이미지 증강_45/90/135도로 회전_360ea
+
+<div style="text-align: center;">
+  <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/6kvzgbH81jJrHJECaEspY.png" height="500" width="100%">
+  <p>Ground Truth Marking</p>
+</div>
+
+<div style="display: flex; justify-content: space-between;">
+  <div style="text-align: center; margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/_fkcI52_BTcqvQyrJ4EXl.png" height="80%" width="90%" style="margin-right:5px;">
+    <p>PCA 분포 시각화</p>
+  </div>
+  <div style="text-align: center; margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/biaWPJtbm6iwNf7ZqnW5O.png" height="80%" width="90%" style="margin-right:5px;">
+    <p>Isolation Forest로 이상값 식별 결과</p>
+  </div>
+</div>
+
+**2차: 20240910_V1_하우징 내 이미지 수집**
+- V01: 전처리 전 데이터 원본 → 데이터 수집 원본: 350ea
+- V02: 데이터 분류 → 정상/불량 분류: 336ea/14ea
+- V03: 데이터 분류, 데이터 회전 → 이미지 증강: 1,050ea
+
+<div style="text-align: center;">
+  <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/YsP7UwejFabUFp2Im0xWj.png" height="500" width="100%">
+  <p>Ground Truth Marking</p>
+</div>
+
+<div style="display: flex; justify-content: space-between;">
+  <div style="text-align: center; margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/CNFdse5mHQY1KkMb5BYpb.png" height="80%" width="90%" style="margin-right:5px;">
+    <p>PCA 분포 시각화</p>
+  </div>
+  <div style="text-align: center; margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/nRO00DJFT0-B1EJYf8lzK.png" height="80%" width="90%" style="margin-right:5px;">
+    <p>Isolation Forest로 이상값 식별 결과</p>
+  </div>
+</div>
+
+**3차: 20250328_V2_설비 내 데이터 수집**
+- V01: 전처리 전 데이터 원본 → 이미지 수집_2,010개
+- V02: 데이터 분류 → 정상/불량 분류 수행_1,918/92
+- V03: 데이터 분류, 데이터 회전 → 이미지 증강 수행_이미지 회전을 통해 이미지 개수 6,030개
+
+<div style="text-align: center;">
+  <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/MFyVWaqr4GDNs8W2mWzGZ.png" height="500" width="100%">
+  <p>Ground Truth Marking</p>
+</div>
+
+<div style="display: flex; justify-content: space-between;">
+  <div style="text-align: center; margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/Kc3EMbY05frUFQh5HbVHn.png" height="80%" width="90%" style="margin-right:5px;">
+    <p>PCA 분포 시각화</p>
+  </div>
+  <div style="text-align: center; margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/SP4R5LjGo2M1Zvby1Bar_.png" height="80%" width="90%" style="margin-right:5px;">
+    <p>Isolation Forest로 이상값 식별 결과</p>
+  </div>
+</div>
+
+#### Data Configuration
+
+**이미지 크기 조정 및 정규화:**
+- 이미지는 일정한 크기(예: 518x518)로 리사이즈되며, CLIP 모델의 입력으로 적합하게 처리됩니다.
+- 정규화를 통해 픽셀 값을 [0, 1] 범위로 변환합니다.
+
+**Ground Truth 마킹:**
+- 결함이 있는 이미지에 대해 결함 영역을 bounding box 형식 또는 binary mask로 표시합니다.
+- 마킹된 데이터를 JSON 또는 CSV 형식으로 저장하여 모델 평가 시 사용합니다.
+
+<div style="text-align: center;">
+  <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/k8GQgaTK7JfQExNpCYpzz.png" height="500" width="100%" style="margin-right:5px;">
+  <p>Ground Truth Marking</p>
+</div>
+
+**데이터 분류:**
+- Normal: 결함이 없는 정상 제품의 이미지.
+- Error: 결함이 있는 제품의 이미지. 결함 위치와 관련 정보가 포함됩니다.
+
+<div style="display: flex;justify-content: space-between;">
+  <div style="text-align: center;margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/5pGwZ-sptjWjf7WpHifyJ.jpeg" height="400" width="450">
+  </div>
+  <div style="text-align: center;justify-content: space-between; margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/3iihck7VfkXKw9VcIl06x.jpeg" height="400" width="450">
+  </div>
+  <div style="text-align: center;justify-content: space-between;margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/tjsmiXq9pp0K6KSuS1iOS.jpeg" height="400" width="450">
+  </div>
+</div>
+<p style="text-align: center;">Normal Product Images</p>
+
+<div style="display: flex;justify-content: space-between;">
+  <div style="text-align: center;margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/Qv01zDzEM5u8cQYdALrSU.jpeg" height="400" width="450">
+  </div>
+  <div style="text-align: center;justify-content: space-between; margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/B5q_FKiTVXkuElTSlUc4s.jpeg" height="400" width="450">
+  </div>
+  <div style="text-align: center;justify-content: space-between;margin-right: 5px;">
+    <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/3pro8oEqMTiEwiwFKcACn.jpeg" height="400" width="450">
+  </div>
+</div>
+<p style="text-align: center;">Error Product Images</p>
 
 ### 데이터 라벨링 가이드
+
 본 데이터 라벨링 가이드는 AnomalyDetection 기반 모델 학습을 위해 수집된 데이터를 라벨링하는 기준과 프로세스를 명확히 정의합니다. 
 데이터는 주로 정상(normal) 데이터를 중심으로 구성되며, 최소한의 비정상(anomaly) 데이터를 포함합니다. 
 본 가이드는 데이터의 품질을 유지하고 모델 학습 및 테스트를 최적화하는 데 목표를 둡니다.
-- **라벨링 범위**
-
-  1. **정상(normal) 데이터**:
-      - 전체 데이터의 약 **95% 이상**을 차지.
-      - 다양한 환경 조건에서 수집된 데이터를 포함 (조명, 각도, 배경 등).
-      - 정상적인 상태의 금속 표면, 정밀한 구조, 균일한 광택을 가진 데이터.
-  2. **비정상(anomaly) 데이터**:
-      - 전체 데이터의 약 5**% 이하**로 제한.
-      - 결함 유형:
-          - **Scratch**: 스크래치.
-          - **Contamination**: 얼룩 또는 이물질.
-          - **Crack**: 표면 균열.
-          - **결함 이미지 예시**
-- **데이터 라벨링 기준**
-
-  -**1. 파일 네이밍 규칙**
-  
-  - 데이터 버전별 파일명은 버전별로 상이함.
-  - 각 버전의 데이터 관리 문서 참고
-  - 데이터 폴더명은 **`<수집년월일>_<V버전>_<간단한 설명>`** 형식으로 작성.
-  - 예시:20240910_V0_간이 환경 데이터 수집
-  
-  - **2. 라벨 메타데이터**
-  
-  라벨 메타데이터는 csv 형식으로 저장하며, 각 데이터의 라벨 및 설명을 포함.
-  
-  - **필수 필드**:
-      - `image_id`: 이미지 파일명.
-      - `label`: 정상(`normal`) 또는 비정상(`anomaly`) 여부.
-      - `description`: 상세 설명(예: 결함 유형).
-      
-- **예시:**
-    ```ruby
-    {
-      "image_id": "normal_20241111_001.jpg",
-      "label": "normal",
-      "description": "매끄러운 표면을 가진 정상적인 금속 부품, 광택이 균일함."
-    }
-    {
-      "image_id": "abnormal_20241111_002.jpg",
-      "label": "error",
-      "description": "표면에 선형 스크래치가 발견됨."
-    }
-    ```
-
-
-# AD-CLIP Model Architecture
+
+#### 라벨링 범위
+
+1. **정상(normal) 데이터:**
+   - 전체 데이터의 약 **95% 이상**을 차지.
+   - 다양한 환경 조건에서 수집된 데이터를 포함 (조명, 각도, 배경 등).
+   - 정상적인 상태의 금속 표면, 정밀한 구조, 균일한 광택을 가진 데이터.
+
+2. **비정상(anomaly) 데이터:**
+   - 전체 데이터의 약 **5% 이하**로 제한.
+   - 결함 유형:
+     - **Scratch**: 스크래치.
+     - **Contamination**: 얼룩 또는 이물질.
+     - **Crack**: 표면 균열.
+
+#### 데이터 라벨링 기준
+
+**1. 파일 네이밍 규칙**
+- 데이터 버전별 파일명은 버전별로 상이함.
+- 각 버전의 데이터 관리 문서 참고.
+- 데이터 폴더명은 **`<수집년월일>_<V버전>_<간단한 설명>`** 형식으로 작성.
+- 예시: `20240910_V0_간이 환경 데이터 수집`.
+
+**2. 라벨 메타데이터**
+
+��벨 메타데이터는 CSV 형식으로 저장하며, 각 데이터의 라벨 및 설명을 포함합니다.
+
+필수 필드:
+- `image_id`: 이미지 파일명.
+- `label`: 정상(`normal`) 또는 비정상(`anomaly`) 여부.
+- `description`: 상세 설명(예: 결함 유형).
+
+예시:
+```json
+{
+  "image_id": "normal_20241111_001.jpg",
+  "label": "normal",
+  "description": "매끄러운 표면을 가진 정상적인 금속 부품, 광택이 균일함."
+}
+{
+  "image_id": "abnormal_20241111_002.jpg",
+  "label": "error",
+  "description": "표면에 선형 스크래치가 발견됨."
+}
+```
+
+## AD-CLIP Model Architecture
+
 AD-CLIP 모델은 CLIP (ViT-B-32)을 백본으로 사용하여 이미지에서 특징을 추출하고, 대조 학습을 통해 이상을 탐지합니다. 
 최종 출력은 이미지가 비정상인지 정상인지를 판별하는 이상 점수와 각 클래스의 확률을 제공합니다.
+
 <div style="display: flex; justify-content: center; align-items: center; flex-direction: column;">
   <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/62sYcSncxxzqGjQAa0MgQ.png" height="500" width="70%">
   <p>CLIP-based Anomaly Detection Model Architecture</p>
 </div>
 
-- **model:**
-  - 입력 계층 (Input Layer):
-      - 입력 이미지: 모델은 크기 [640, 640, 3]의 이미지를 입력받습니다. 여기서 640x640은 이미지의 가로와 세로 크기이며, 3은 RGB 색상의 채널 수를 나타냅니다.
-      - 기능: 이 계층은 입력된 이미지를 처리하고 모델의 나머지 부분에 맞는 형식으로 데이터를 준비하는 역할을 합니다.
-  - backbone:
-      - CLIP (ViT-B-32): 모델은 CLIP의 Vision Transformer (ViT-B-32) 아키텍처를 사용하여 이미지에서 특징을 추출합니다. ViT-B-32는 이미지를 이해하는 데 필요한 고급 특성을 추출할 수 있는 능력을 가지고 있습니다.
-      - 필터: 필터 크기 [32, 64, 128, 256, 512]는 각 ViT 레이어에서 사용되며, 이미지의 각 레벨에서 중요한 정보를 추출하여 특징을 학습합니다.
-  - neck:
-      - 이상 탐지 모듈 (Anomaly Detection Module): 이 모듈은 CLIP에서 추출된 특징을 기반으로 이미지를 분석하고 이상 여부를 판단합니다. 이 단계에서는 이미지 내에서 정상과 비정상 데이터를 구별하기 위한 중요한 처리가 이루어집니다.
-      - 대조 학습 (Contrastive Learning): 대조 학습 방법은 정상 이미지와 비정상 이미지 간의 차이를 학습하여, 이미지의 이상 여부를 더욱 명확하게 구분할 수 있게 도와줍니다.
-  - head:
-      - 이상 탐지 헤드 (Anomaly Detection Head): 모델의 마지막 부분으로, 이 계층은 이미지가 비정상적인지 정상적인지를 결정합니다.
-      - outputs:
-          - 이상 점수 (Anomaly Score): 모델은 이미지가 이상인지 아닌지를 나타내는 점수(예: 1은 이상, 0은 정상)를 출력합니다.
-          - 클래스 확률 (Class Probabilities): 모델은 각 클래스에 대한 확률을 출력하며, 이 확률을 통해 결함이 있는지 없는지의 여부를 판단합니다.
-
-# Optimizer and Loss Function
-- **training:**
-  - optimizer:
-      - name: AdamW  # AdamW 옵티마이저 (가중치 감쇠 포함)
-      - lr: 0.0001  # 학습률
-  - loss:
-      - classification_loss: 1.0  # 분류 손실 (교차 엔트로피)
-      - anomaly_loss: 1.0  # 결함 탐지 손실 (이상 탐지 모델에 대한 손실)
-      - contrastive_loss: 1.0  # 대조 학습 손실 (유사도 기반 손실)
-
-# Metrics
-- **metrics:**
-  - Precision  # 정밀도 (Precision)
-  - Recall  # 재현율 (Recall)
-  - mAP  # 평균 정밀도 (Mean Average Precision)
-  - F1-Score  # F1-점수 (균형 잡힌 평가 지표)
-
-# Training Parameters
- **하이퍼파라미터 설정**
-- Learning Rate: 0.001.
-- Batch Size: 8.
-- Epochs: 200.
-
-# Pre-trained CLIP model
+### 모델 구조
+
+**입력 계층 (Input Layer):**
+- 입력 이미지: 모델은 크기 [640, 640, 3]의 이미지를 입력받습니다. 여기서 640x640은 이미지의 가로와 세로 크기이며, 3은 RGB 색상의 채널 수를 나타냅니다.
+- 기능: 이 계층은 입력된 이미지를 처리하고 모델의 나머지 부분에 맞는 형식으로 데이터를 준비하는 역할을 합니다.
+
+**Backbone:**
+- CLIP (ViT-B-32): 모델은 CLIP의 Vision Transformer (ViT-B-32) 아키텍처를 사용하여 이미지에서 특징을 추출합니다. ViT-B-32는 이미지를 이해하는 데 필요한 고급 특성을 추출할 수 있는 능력을 가지고 있습니다.
+- 필터: 필터 크기 [32, 64, 128, 256, 512]는 각 ViT 레이어에서 사용되며, 이미지의 각 레벨에서 중요한 정보를 추출하여 특징을 학습합니다.
+
+**Neck:**
+- 이상 탐지 모듈 (Anomaly Detection Module): 이 모듈은 CLIP에서 추출된 특징을 기반으로 이미지를 분석하고 이상 여부를 판단합니다. 이 단계에서는 이미지 내에서 정상과 비정상 데이터를 구별하기 위한 중요한 처리가 이루어집니다.
+- 대조 학습 (Contrastive Learning): 대조 학습 방법은 정상 이미지와 비정상 이미지 간의 차이를 학습하여, 이미지의 이상 여부를 더욱 명확하게 구분할 수 있게 도와줍니다.
+
+**Head:**
+- 이상 탐지 헤드 (Anomaly Detection Head): 모델의 마지막 부분으로, 이 계층은 이미지가 비정상적인지 정상적인지를 결정합니다.
+- Outputs:
+  - 이상 점수 (Anomaly Score): 모델은 이미지가 이상인지 아닌지를 나타내는 점수(예: 1은 이상, 0은 정상)를 출력합니다.
+  - 클래스 확률 (Class Probabilities): 모델은 각 클래스에 대한 확률을 출력하며, 이 확률을 통해 결함이 있는지 없는지의 여부를 판단합니다.
+
+## Optimizer and Loss Function
+
+### Training
+
+**optimizer:**
+```python
+name: AdamW  # AdamW 옵티마이저 (가중치 감쇠 포함)
+lr: 0.0001  # 학습률
+```
+
+**loss:**
+```python
+classification_loss: 1.0  # 분류 손실 (교차 엔트로피)
+anomaly_loss: 1.0  # 결함 탐지 손실 (이상 탐지 모델에 대한 손실)
+contrastive_loss: 1.0  # 대조 학습 손실 (유사도 기반 손실)
+```
+
+## Metrics
+
+- Precision  # 정밀도 (Precision)
+- Recall  # 재현율 (Recall)
+- mAP  # 평균 정밀도 (Mean Average Precision)
+- F1-Score  # F1-점수 (균형 잡힌 평가 지표)
+
+## Training Parameters
+
+**하이퍼파라미터 설정:**
+- Learning Rate: 0.001
+- Batch Size: 8
+- Epochs: 200
+
+## Pre-trained CLIP model
+
 | Model | Download |
-| ---     | ---   |
+| --- | --- |
 | ViT-B/32 | [download](https://openaipublic.azureedge.net/clip/models/40d365715913c9da98579312b702a82c18be219cc2a73407c4526f58eba950af/ViT-B-32.pt) |
 | ViT-B/16 | [download](https://openaipublic.azureedge.net/clip/models/5806e77cd80f8b59890b7e101eabd078d9fb84e6937f9e85e4ecb61988df416f/ViT-B-16.pt) |
 | ViT-L/14 | [download](https://openaipublic.azureedge.net/clip/models/b8cca3fd41ae0c99ba7e8951adf17d267cdb84cd88be6f7c2e0eca1737a03836/ViT-L-14.pt) |
 | ViT-L/14@336px | [download](https://openaipublic.azureedge.net/clip/models/3035c92b350959924f9f00213499208652fc7ea050643e8b385c2dac08641f02/ViT-L-14-336px.pt) |
 
-# Evaluation Parameters
-- F1-score: 90%이상. (1년차)
-- F1-score: 98%이상. (2년차)
+## Evaluation Parameters
 
+- F1-score: 90% 이상 (1년차)
+- F1-score: 98% 이상 (2년차)
 
+## 학습 성능 및 테스트 결과
 
-# 학습 성능 및 테스트 결과
+### 학습성능 결과 그래프
 
-- **학습성능 결과과 그래프**:
 <div style="display: flex; justify-content: space-between; margin-bottom: 10px;">
   <div style="text-align: center; margin-right: 20px;">
     <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/7Q1RzKyia-WNSCJHnk2-d.png" height="80%" width="100%" style="margin-right:5px;">
@@ -303,7 +343,8 @@ AD-CLIP 모델은 CLIP (ViT-B-32)을 백본으로 사용하여 이미지에서
   </div>
 </div>
 
-- **테스트 결과표**:
+### 테스트 결과표
+
 <div style="display: flex; justify-content: space-between;">
   <div style="text-align: center; margin-right: 20px;">
     <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/u1DQHjXM41DMq1JIUOGlp.png" height="100%" width="100%" style="margin-right:5px;">
@@ -313,7 +354,8 @@ AD-CLIP 모델은 CLIP (ViT-B-32)을 백본으로 사용하여 이미지에서
   </div>
 </div>
 
-- **테스트 결과**:
+### 테스트 결과
+
 <div style="display: flex; justify-content: space-between;">
   <div style="text-align: center; margin-right: 20px;">
     <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/A91V0GdrcUcX01cC-biG9.png" height="600" width="1000" style="margin-right:5px;">
@@ -325,10 +367,9 @@ AD-CLIP 모델은 CLIP (ViT-B-32)을 백본으로 사용하여 이미지에서
   </div>
 </div>
 
-
 ---
 
-# 모델 변경 이력 (Model Update History)
+## 모델 변경 이력 (Model Update History)
 
 > AD-CLIP 기반 이상탐지 모델은 **총 3개 버전**으로 관리되고 있으며,  
 > 각 버전은 데이터 품질 개선 및 모델 성능 향상에 맞춰 체계적으로 변경·승인되었다.  
@@ -347,7 +388,7 @@ AD-CLIP 모델은 CLIP (ViT-B-32)을 백본으로 사용하여 이미지에서
 > AD-CLIP 모델의 변경·교체 시점은 **데이터 버전, 코드 버전, 성능 로그, 승인 기록**이 상호 연계되며,  
 > 이를 통해 **모델 신뢰성, 재현성, 추적성**을 동시에 확보한다.
 
-### 🔖 버전 명명 규칙
+### 버전 명명 규칙
 
 | 구분 | 규칙 | 예시 |
 |------|------|------|
@@ -357,7 +398,7 @@ AD-CLIP 모델은 CLIP (ViT-B-32)을 백본으로 사용하여 이미지에서
 
 ---
 
-### ⚙️ 관리 구성요소
+### 관리 구성요소
 
 | 구분 | 관리 항목 | 설명 |
 |------|------------|------|
@@ -368,7 +409,7 @@ AD-CLIP 모델은 CLIP (ViT-B-32)을 백본으로 사용하여 이미지에서
 
 ---
 
-### 🧱 모델 변경 절차 요약
+### 모델 변경 절차 요약
 
 | 단계 | 주요 활동 | 산출물 |
 |------|------------|--------|
@@ -381,7 +422,7 @@ AD-CLIP 모델은 CLIP (ViT-B-32)을 백본으로 사용하여 이미지에서
 
 ---
 
-### 🧮 모델 메타데이터 예시
+### 모델 메타데이터 예시
 
 ```json
 {
@@ -399,312 +440,353 @@ AD-CLIP 모델은 CLIP (ViT-B-32)을 백본으로 사용하여 이미지에서
   "status": "Active",
   "notes": "2차년도 전체 재학습 및 성능 고도화 버전"
 }
+```
 
+---
 
+## 설치 및 실행 가이드
 
+이 모델을 실행하려면 Python과 함께 다음 라이브러리가 필요합니다:
 
-# 설치 및 실행 가이라인
+### 필수 라이브러리
+
+- **ftfy==6.2.0**: 텍스트 정규화 및 인코딩 문제를 해결하는 라이브러리
+- **matplotlib==3.9.0**: 데이터 시각화 및 그래프 생성을 위한 라이브러리
+- **numpy==1.24.3**: 수치 연산을 위한 핵심 라이브러리
+- **opencv_python==4.9.0.80**: 이미지 및 비디오 처리용 라이브러리
+- **pandas==2.2.2**: 데이터 분석 및 조작을 위한 라이브러리
+- **Pillow==10.3.0**: 이미지 파일 처리 및 변환을 위한 라이브러리
+- **PyQt5==5.15.10**: GUI 애플리케이션 개발을 위한 프레임워크
+- **PyQt5_sip==12.13.0**: PyQt5와 Python 간의 인터페이스를 제공하는 라이브러리
+- **regex==2024.5.15**: 정규 표현식 처리를 위한 라이브러리
+- **scikit_learn==1.2.2**: 기계 학습 및 데이터 분석을 위한 라이브러리
+- **scipy==1.9.1**: 과학 및 기술 계산을 위한 라이브러리
+- **setuptools==59.5.0**: Python 패키지 배포 및 설치를 위한 라이브러리
+- **scikit-image**: 이미지 처리 및 분석을 위한 라이브러리
+- **tabulate==0.9.0**: 표 형태로 데이터를 출력하는 라이브러리
+- **thop==0.1.1.post2209072238**: PyTorch 모델의 FLOP 수를 계산하는 도구
+- **timm==0.6.13**: 다양한 최신 이미지 분류 모델을 제공하는 라이브러리
+- **torch==2.0.0**: PyTorch 딥러닝 프레임워크
+- **torchvision==0.15.1**: 컴퓨터 비전 작업을 위한 PyTorch 확장 라이브러리
+- **tqdm==4.65.0**: 진행 상황을 시각적으로 표시하는 라이브러리
+- **pyautogui**: GUI 자동화를 위한 라이브러리
+
+### 설치 명령어
 
-이 모델을 실행하려면 Python과 함께 다음 라이브러리가 필요합니다:
+```bash
+pip install -r requirements.txt
+```
+
+---
+
+## 모델 실행 단계
+
+### 1. Dataset Configuration
+
+Dataset configuration 예시:
 
-- **ftfy==6.2.0**: 텍스트 정규화 및 인코딩 문제를 해결하는 라이브러리.
-- **matplotlib==3.9.0**: 데이터 시각화 및 그래프 생성을 위한 라이브러리.
-- **numpy==1.24.3**: 수치 연산을 위한 핵심 라이브러리.
-- **opencv_python==4.9.0.80**: 이미지 및 비디오 처리용 라이브러리.
-- **pandas==2.2.2**: 데이터 분석 및 조작을 위한 라이브러리.
-- **Pillow==10.3.0**: 이미지 파일 처리 및 변환을 위한 라이브러리.
-- **PyQt5==5.15.10**: GUI 애플리케이션 개발을 위한 프레임워크.
-- **PyQt5_sip==12.13.0**: PyQt5와 Python 간의 인터페이스를 제공하는 라이브러리.
-- **regex==2024.5.15**: 정규 표현식 처리를 위한 라이브러리.
-- **scikit_learn==1.2.2**: 기계 학습 및 데이터 분석을 위한 라이브러리.
-- **scipy==1.9.1**: 과학 및 기술 계산을 위한 라이브러리.
-- **setuptools==59.5.0**: Python 패키지 배포 및 설치를 위한 라이브러리.
-- **scikit-image**: 이미지 처리 및 분석을 위한 라이브러리.
-- **tabulate==0.9.0**: 표 형태로 데이터를 출력하는 라이브러리.
-- **thop==0.1.1.post2209072238**: PyTorch 모델의 FLOP 수를 계산하는 도구.
-- **timm==0.6.13**: 다양한 최신 이미지 분류 모델을 제공하는 라이브러리.
-- **torch==2.0.0**: PyTorch 딥러닝 프레임워크.
-- **torchvision==0.15.1**: 컴퓨터 비전 작업을 위한 PyTorch 확장 라이브러리.
-- **tqdm==4.65.0**: 진행 상황을 시각적으로 표시하는 라이브러리.
-- **pyautogui**: GUI 자동화를 위한 라이브러리.
-
-- Install Python libraries
-  ```
-  pip install -r requirements.txt
-  ```
-
-
-## 모델 실행 단계:
-
-### ✅Dataset configuration
-
-- Dataset configuration as example below
 ```
 ├── data/
 │   ├── COMP_1/
 │   │   ├── product_1/
-│   │   │   ├──grouth_truth
-│   │   │   │   ├──anomaly_1
-│   │   │   │   ├──anomaly_2
+│   │   │   ├── ground_truth
+│   │   │   │   ├── anomaly_1
+│   │   │   │   ├── anomaly_2
 │   │   │   │
-│   │   │   ├──test/
-│   │   │   │   ├──good
-│   │   │   │   ├──anomaly_1
-│   │   │   │   ├──anomaly_2
+│   │   │   ├── test/
+│   │   │   │   ├── good
+│   │   │   │   ├── anomaly_1
+��   │   │   │   ├── anomaly_2
 │   │   │   │
-│   │   │   ├──train/
-│   │   │   │   ├──good
-│   │   │   │   ├──anomaly_1
-│   │   │   │   ├──anomaly_2
-│   │   │   │ 
+│   │   │   ├── train/
+│   │   │   │   ├── good
+│   │   │   │   ├── anomaly_1
+│   │   │   │   ├── anomaly_2
+│   │   
 │   │   ├── product_2/
-│   │   │   │
+│   │   
 │   │   ├── meta.json
-│   │   │
+│   
 │   ├── COMP_2/
-│   │ 
 ```
 
-- Generate JSON file storing all the above information of dataset ( -> meta_train.json, meta_test.json)
-```ruby
+#### JSON 파일 생성
+
+데이터셋의 모든 정보를 JSON 파일(meta_train.json, meta_test.json)로 저장:
+
+```bash
 cd dataset_config
 python dataset_get_json.py
 ```
 
-- Making all grouth_truth (only anomaly mask) by hand
-```ruby
+#### Ground Truth 생성
+
+수동으로 모든 ground truth(anomaly mask만) 생성:
+
+```bash
 cd dataset_config
 python image_ground_truth.py
 ```
 
-- Dataset configuration for train and test
-```ruby
+#### 학습 및 테스트용 데이터셋 설정
+
+```bash
 cd training_libs
 python dataset.py
 ```
 
- →  _ _init_ _ 메서드는 데이터셋의 루트 디렉토리, 변환 함수, 데이터셋 이름, 모드를 입력으로 받음  
- →  메타 정보를 담은 JSON 파일 (meta_train.json)을 읽어와 클래스 이름 목록과 모든 데이터 항목을 리스트에 저장  
- →  generate_class_info 함수를 호출하여 클래스 정보를 생성하고 클래스 이름을 클래스 ID에 매핑  
- →  _ _len_ _ 메서드는 데이터셋의 샘플 수를 반환   
- →  _ _getitem_ _ 메서드는 주어진 인덱스의 샘플 데이터를 반환  
- →  이미지 경로를 통해 이미지를 읽고, 이상 여부에 따라 마스크 이미지를 생성  
- →  필요시 이미지와 마스크에 변환 함수를 적용  
- →  이미지, 마스크, 클래스 이름, 이상 여부, 이미지 경로, 클래스 ID를 포함한 딕셔너리를 반환 
+**Dataset 클래스 동작 방식:**
+- `__init__` 메서드: 데이터셋의 루트 디렉토리, 변환 함수, 데이터셋 이름, 모드를 입력으로 받습니다
+- 메타 정보를 담은 JSON 파일 (meta_train.json)을 읽어와 클래스 이름 목록과 모든 데이터 항목을 리스트에 저장합니다
+- `generate_class_info` 함수를 호출하여 클래스 정보를 생성하고 클래스 이름을 클래스 ID에 매핑합니다
+- `__len__` 메서드: 데이터셋의 샘플 수를 반환합니다
+- `__getitem__` 메서드: 주어진 인덱스의 샘플 데이터를 반환합니다
+- 이미지 경로를 통해 이미지를 읽고, 이상 여부에 따라 마스크 이미지를 생성합니다
+- 필요시 이미지와 마스크에 변환 함수를 적용합니다
+- 이미지, 마스크, 클래스 이름, 이상 여부, 이미지 경로, 클래스 ID를 포함한 딕셔너리를 반환합니다
 
+### 2. Image Pre-processing (Transformation)
 
-### ✅ Image pre-processing (transformation) for train and test
-```ruby
-  training_libs/utils.py
-```
-```ruby
-  AnomalyCLIP_lib/transform.py
+학습 및 테스트를 위한 이미지 전처리:
+
+```python
+# training_libs/utils.py
+# AnomalyCLIP_lib/transform.py
 ```
-- **Data Processing Techniques:**
-  - normalization:
-      description: "이미지 픽셀 값을 평균 및 표준편차로 표준화"
-      method: "'Normalize' from 'torchvision.transforms'"
-  - max_resize:
-      description: "이미지의 최대 크기를 유지하며, 비율을 맞추고 패딩을 추가하여 크기 조정"
-      method: "Custom 'ResizeMaxSize' class"
-  - random_resized_crop:
-      description: "훈련 중에 이미지를 랜덤으로 자르고 크기를 조정하여 변형을 추가"
-      method: "'RandomResizedCrop' from 'torchvision.transforms'"
-  - resize:
-      description: "모델 입력에 맞게 이미지를 고정된 크기로 조정"
-      method: "'Resize' with BICUBIC interpolation"
-  - center_crop:
-      description: "이미지의 중앙 부분을 지정된 크기로 자르기"
-      method: "'CenterCrop'"
-  - to_tensor:
-      description: "이미지를 PyTorch 텐서로 변환"
-      method: "'ToTensor'"
-  - augmentation (optional):
-      description: "데이터 증강을 위해 다양한 랜덤 변환 적용, 'AugmentationCfg'로 설정 가능"
-      method: "Uses 'timm' library if specified"
-
-### ✅ Prompt generating
-```ruby
-  training_lib/prompt_ensemble.py
+
+**Data Processing Techniques:**
+- **normalization**: 이미지 픽셀 값을 평균 및 표준편차로 표준화
+  - 방법: `'Normalize' from 'torchvision.transforms'`
+- **max_resize**: 이미지의 최대 크기를 유지하며, 비율을 맞추고 패딩을 추가하여 크기 조정
+  - 방법: `Custom 'ResizeMaxSize' class`
+- **random_resized_crop**: 훈련 중에 이미지를 랜덤으로 자르고 크기를 조정하여 변형을 추가
+  - 방법: `'RandomResizedCrop' from 'torchvision.transforms'`
+- **resize**: 모델 입력에 맞게 이미지를 고정된 크기로 조정
+  - 방법: `'Resize' with BICUBIC interpolation`
+- **center_crop**: 이미지의 중앙 부분을 지정된 크기로 자르기
+  - 방법: `'CenterCrop'`
+- **to_tensor**: 이미지를 PyTorch 텐서로 변환
+  - 방법: `'ToTensor'`
+- **augmentation (optional)**: 데이터 증강을 위해 다양한 랜덤 변환 적용, `'AugmentationCfg'`로 설정 가능
+  - 방법: `Uses 'timm' library if specified`
+
+### 3. Prompt Generating
+
+```python
+# training_lib/prompt_ensemble.py
 ```
-👍 **Prompts Built in the Code**
-1. Normal Prompt: *'["{  }"]'*  
- → Normal Prompt Example: "object"
-2. Anomaly Prompt: *'["damaged { }"]'*  
- → Anomaly Prompt Example: "damaged object"
 
-👍 **Construction Process**
-1. *'prompts_pos (Normal)'*: Combines the class name with the normal template
-2. *'prompts_neg (Anomaly)'*: Combines the class name with the anomaly template
+**Prompts Built in the Code:**
+
+1. Normal Prompt: `["{}"]`
+   - Normal Prompt Example: "object"
+
+2. Anomaly Prompt: `["damaged {}"]`
+   - Anomaly Prompt Example: "damaged object"
+
+**Construction Process:**
 
-### ✅ Initial setting for training
+1. `prompts_pos (Normal)`: Combines the class name with the normal template
+2. `prompts_neg (Anomaly)`: Combines the class name with the anomaly template
 
-- Define the path to the training dataset and model checkpoint saving
-```ruby
+### 4. Initial Setting for Training
+
+학습 데이터셋 경로 및 모델 체크포인트 저장 경로 정의:
+
+```python
 parser.add_argument("--train_data_path", type=str, default="./data/", help="train dataset path")
 parser.add_argument("--dataset", type=str, default='smoke_cloud', help="train dataset name")
 parser.add_argument("--save_path", type=str, default='./checkpoint/', help='path to save results')
 ```
 
-### ✅ Hyper parameters setting
+### 5. Hyper Parameters Setting
+
+#### Depth Parameter
 
-- Set the depth parameter: depth of the embedding learned during prompt training. This affects the model's ability to learn complex features from the data
-```ruby
+프롬프트 학습 중 학습할 임베딩의 깊이를 설정합니다. 이는 모델이 데이터에서 복잡한 특징을 학습하는 능력에 영향을 미칩니다:
+
+```python
 parser.add_argument("--depth", type=int, default=9, help="image size")
 ```
 
-- Define the size of input images used for training (pixel)
-```ruby
+#### Image Size
+
+학습에 사용할 입력 이미지의 크기를 정의합니다 (픽셀 단위):
+
+```python
 parser.add_argument("--image_size", type=int, default=518, help="image size")
 ```
 
-- Setting parameters for training
-```ruby
+#### Training Parameters
+
+학습 파라미터 설정:
+
+```python
 parser.add_argument("--epoch", type=int, default=500, help="epochs")
 parser.add_argument("--learning_rate", type=float, default=0.0001, help="learning rate")
 parser.add_argument("--batch_size", type=int, default=8, help="batch size")
 ```
 
-- Size/depth parameter for the DPAM (Deep Prompt Attention Mechanism)
-```ruby
-parser.add_argument("--dpam", type=int, default=20, help="dpam size")
+#### DPAM (Deep Prompt Attention Mechanism)
 
-1. ViT-B/32 and ViT-B/16: --dpam should be around 10-13
-2. ViT-L/14 and ViT-L/14@336px: --dpam should be around 20-24
-```
-```ruby
-→ DPAM is used to refine and enhance specific layers of a model, particularly in Vision Transformers (ViT).
-→ Helps the model focus on important features within each layer through an attention mechanism
-→ Layers: DPAM is applied across multiple layers, allowing deeper and more detailed feature extraction
-→ Number of layers DPAM influences is adjustable (--dpam), controlling how much of the model is fine-tuned.
-→ If you want to refine the entire model, you can set --dpam to the number of layers in the model (e.g., 12 for ViT-B and 24 for ViT-L).
-→  If you want to focus only on the final layers (where the model usually learns complex features), you can choose fewer DPAM layers.
+DPAM의 크기/깊이 파라미터:
+
+```python
+parser.add_argument("--dpam", type=int, default=20, help="dpam size")
 ```
 
-### ✅ Test process
+**DPAM 설정 가이드:**
+- ViT-B/32 and ViT-B/16: `--dpam` should be around 10-13
+- ViT-L/14 and ViT-L/14@336px: `--dpam` should be around 20-24
 
-👍 **Load pre-trained and Fine tuned (Checkpoints) models**
-1. Pre-trained mode (./pre-trained model/): 
- ```ruby
-→ Contains the pre-trained model (ViT-B, ViT-L,....)
-→ Used as the starting point for training the CLIP model
-→ Pre-trained model helps speed up and improve training by leveraging previously learned features
-```
-2. Fine-tuned models (./checkpoint/): 
- ```ruby
-→ "epoch_N.pth" files in this folder store the model's states during the fine-tuning process.
-→ Each ".pth" file represents a version of the model fine-tuned from the pre-trained model
-→ These checkpoints can be used to resume fine-tuning, evaluate the model at different stages, or select the best-performing version
-```
+**DPAM 설명:**
+- DPAM은 특히 Vision Transformers (ViT)에서 모델의 특정 레이어를 개선하고 향상시키는 데 사용됩니다
+- Attention 메커니즘을 통해 모델이 각 레이어 내에서 중요한 특징에 집중할 수 있도록 도와줍니다
+- DPAM은 여러 레이어에 적용되어 더 깊고 세부적인 특징 추출을 가능하게 합니다
+- DPAM이 영향을 미치는 레이어 수는 조정 가능합니다 (`--dpam`), 모델을 얼마나 fine-tune할지 제어합니다
+- 전체 모델을 개선하려면 `--dpam`을 모델의 레이어 수로 설정할 수 있습니다 (예: ViT-B의 경우 12, ViT-L의 경우 24)
+- 최종 레이어(일반적으로 모델이 복잡한 특징을 학습하는 곳)에만 집중하려면 더 적은 DPAM 레이어를 선택할 수 있습니다
+
+### 6. Test Process
+
+**Load pre-trained and Fine tuned (Checkpoints) models:**
+
+1. **Pre-trained model** (`./pre-trained model/`): 
+   - 사전 학습된 모델 (ViT-B, ViT-L, 등) 포함
+   - CLIP 모델 학습의 시작점으로 사용됨
+   - 사전 학습된 모델은 이전에 학습된 특징을 활용하여 학습 속도를 높이고 개선하는 데 도움이 됩니다
 
+2. **Fine-tuned models** (`./checkpoint/`): 
+   - 이 폴더의 "epoch_N.pth" 파일은 fine-tuning 과정 중 모델의 상태를 저장합니다
+   - 각 ".pth" 파일은 사전 학습된 모델에서 fine-tuned된 모델의 버전을 나타냅니다
+   - 이러한 체크포인트는 fine-tuning 재개, 다양한 단계에서 모델 평가, 또는 성능이 가장 좋은 버전 선택에 사용할 수 있습니다
+
+---
+
+## 모델 공격 취약점 분석
 
-# 모델 공격 취약점 분석
 본 문서는 AnomalyCLIP 모델의 취약점 분석 및 적대적 공격(Adversarial Attacks)에 대한 방어 대책을 체계적으로 수립하기 위해 작성되었습니다. 
 모델의 신뢰성과 안정성을 확보하고 데이터 무결성을 유지하기 위해, 데이터 및 모델 수준의 방어 전략을 구현하고 성능을 평가한 결과를 포함합니다.
-## **1. 취약점 분석**
-- ### ** 적대적 공격 시나리오**
+
+### 1. 취약점 분석
+
+#### 적대적 공격 시나리오
+
 1. **Adversarial Examples:**
-    - **설명:** 입력 데이터에 작은 노이즈를 추가하여 모델의 예측을 왜곡.
-    - **예:** 정상 이미지를 결함 이미지로 예측하도록 유도.
+   - 설명: 입력 데이터에 작은 노이즈를 추가하여 모델의 예측을 왜곡합니다.
+   - 예: 정상 이미지를 결함 이미지로 예측하도록 유도합니다.
+
 2. **Data Poisoning:**
-    - **설명:** 학습 데이터에 악의적 데이터를 삽입하여 모델 학습을 왜곡.
-    - **예:** 비정상 데이터를 정상 데이터로 학습시키는 경우.
+   - 설명: 학습 데이터에 악의적 데이터를 삽입하여 모델 학습을 왜곡합니다.
+   - 예: 비정상 데이터를 정상 데이터로 학습시키는 경우입니다.
+
 3. **Evasion Attacks:**
-    - **설명:** 추론 시 모델의 분류 결과를 조작.
-    - **예:** 결함 데이터를 정상으로 예측하도록 유도.
-
-- ### **모델 및 데이터셋 영향**
-  - **성능 저하:** 적대적 샘플 입력 시 모델의 정확도 감소.
-  - **무결성 손상:** 데이터 변조로 인해 학습된 모델이 실제 환경에서 신뢰성을 상실.
-  - **악의적 활용 가능성:** 모델의 의사결정이 오작동하여 생산 품질 관리 실패 가능성 증가.
-
-## **2. 대응 방안**
-
-- ### ** 데이터 수준 방어 대책**
-  1. **데이터 정제:**
-      - 흐릿하거나 잘린 이미지 제거.
-      - 데이터 노이즈 제거 및 결함 복구.
-      - **결과:** 데이터 품질 강화로 적대적 노이즈 효과 감소.
-  2. **데이터 증강(Data Augmentation):**
-      - 랜덤 회전, 크기 조정, 밝기 및 대비 조정.
-      - Gaussian Noise 및 Salt-and-Pepper Noise 추가.
-      - **결과:** 데이터 다양성 확보 및 모델 일반화 성능 강화.
-  3. **데이터 무결성 검증:**
-      - 각 데이터 해시값(MD5) 저장 및 위변조 여부 확인.
-      - **결과:** 데이터셋 신뢰성 및 무결성 보장.
-
-- ### **모델 수준 방어 대책**
-  1. **Adversarial Training:**
-      - FGSM 기반의 적대적 샘플을 학습 데이터에 포함.
-      - **결과:** 적대적 샘플에서도 평균 정확도 5% 향상.
-  2. **Gradient Masking:**
-      - 그래디언트를 숨겨 모델이 적대적 공격에 노출되지 않도록 방어.
-  3. **Temperature Scaling:**
-      - 모델의 예측 확률을 조정하여 적대적 샘플 민감도 완화.
-
-- ### **시스템 수준 방어 대책**
-  1. **실시간 탐지 및 대응:**
-      - 입력 데이터의 이상 패턴을 실시간으로 탐지하는 시스템 구축.
-      - **결과:** 적대적 공격 발생 시 즉각적인 경고 및 대응 가능.
-  2. **자동화된 방어 도구:**
-      - Adversarial Examples 생성 및 방어 테스트 자동화.
-
-## **3. 실험 결과**
-
-- ### **평가 데이터**
-
-  - **데이터셋 구성:**
-      - 정상 데이터: 110건
-      - 결함 데이터: 10건
-      - 적대적 데이터(FGSM 공격): 100건
-
-- ### **주요 성능 지표**
-메트릭            | 기본 데이터  | 적대적 데이터 | 변화율
------------------|-------------|---------------|--------
-Accuracy         | 98%         | 92%           | -6%
-F1 Score         | 0.935       | 0.91          | -2.5%
-False Positive   | 2%          | 5%            | +3%
-False Negative   | 3%          | 7%            | +4%
-
-## **4. 향후 계획**
-  1. **다양한 공격 기법 테스트:**
-      - PGD, DeepFool 등 새로운 공격 기법 적용 및 평가.
-  2. **모델 개선:**
-      - Contrastive Learning 및 앙상블 학습을 통한 견고성 강화.
-  3. **실시간 방어 시스템 구축:**
-      - 모델의 실시간 예측 데이터를 분석하여 적대적 입력 탐지 및 차단.
+   - 설명: 추론 시 모델의 분류 결과를 조작합니다.
+   - 예: 결함 데이터를 정상으로 예측하도록 유도합니다.
+
+#### 모델 및 데이터셋 영향
+
+- 성능 저하: 적대적 샘플 입력 시 모델의 정확도 감소
+- 무결성 손상: 데이터 변조로 인해 학습된 모델이 실제 환경에서 신뢰성을 상실
+- 악의적 활용 가능성: 모델의 의사결정이 오작동하여 생산 품질 관리 실패 가능성 증가
+
+### 2. 대응 방안
 
+#### 데이터 수준 방어 대책
 
+1. **데이터 정제:**
+   - 흐릿하거나 잘린 이미지 제거
+   - 데이터 노이즈 제거 및 결함 복구
+   - 결과: 데이터 품질 강화로 적대적 노이즈 효과 감소
+
+2. **데이터 증강(Data Augmentation):**
+   - 랜덤 회전, 크기 조정, 밝기 및 대비 조정
+   - Gaussian Noise 및 Salt-and-Pepper Noise 추가
+   - 결과: 데이터 다양성 확보 및 모델 일반화 성능 강화
+
+3. **데이터 무결성 검증:**
+   - 각 데이터 해시값(MD5) 저장 및 위변조 여부 확인
+   - 결과: 데이터셋 신뢰성 및 무결성 보장
+
+#### 모델 수준 방어 대책
+
+1. **Adversarial Training:**
+   - FGSM 기반의 적대적 샘플을 학습 데이터에 포함
+   - 결과: 적대적 샘플에서도 평균 정확도 5% 향상
+
+2. **Gradient Masking:**
+   - 그래디언트를 숨겨 모델이 적대적 공격에 노출되지 않도록 방어
+
+3. **Temperature Scaling:**
+   - 모델의 예측 확률을 조정하여 적대적 샘플 민감도 완화
+
+#### 시스템 수준 방어 대책
+
+1. **실시간 탐지 및 대응:**
+   - 입력 데이터의 이상 패턴을 실시간으로 탐지하는 시스템 구축
+   - 결과: 적대적 공격 발생 시 즉각적인 경고 및 대응 가능
+
+2. **자동화된 방어 도구:**
+   - Adversarial Examples 생성 및 방어 테스트 자동화
+
+### 3. 실험 결과
+
+#### 평가 데이터
+
+- 정상 데이터: 110건
+- 결함 데이터: 10건
+- 적대적 데이터(FGSM 공격): 100건
+
+#### 주요 성능 지표
+
+| 메트릭 | 기본 데이터 | 적대적 데이터 | 변화율 |
+|--------|------------|---------------|--------|
+| Accuracy | 98% | 92% | -6% |
+| F1 Score | 0.935 | 0.91 | -2.5% |
+| False Positive | 2% | 5% | +3% |
+| False Negative | 3% | 7% | +4% |
+
+### 4. 향후 계획
+
+1. **다양한 공격 기법 테스트:**
+   - PGD, DeepFool 등 새로운 공격 기법 적용 및 평가
+
+2. **모델 개선:**
+   - Contrastive Learning 및 앙상블 학습을 통한 견고성 강화
+
+3. **실시간 방어 시스템 구축:**
+   - 모델의 실시간 예측 데이터를 분석하여 적대적 입력 탐지 및 차단
+
+---
 
 ## 오픈소스 라이브러리 보안·라이선스 위험 관리 체계
 
 > 본 섹션은 AnomalyCLIP/AD-CLIP 기반 모델 카드의 **보안·라이선스 거버넌스**를 정의합니다.  
 > 목적: 공급망(Software Supply Chain) 리스크 최소화, 라이선스 의무 준수, 재배포/상용화 적합성 확보.
 
----
-
 ### 1) 범위(Scope) & 원칙
 
-- **대상**: 학습/추론 코드, 스크립트, 도구 체인, 파생 산출물(가중치·체크포인트·GUI 실행파일), 배포 번들(whl/zip/docker).
-- **원칙**
-  - 최소권한(Principle of Least Privilege), 재현가능 빌드(Reproducible Build), 투명성(명시적 라이선스 고지), 신속한 취약점 패치.
-  - **상용 배포 시** 모든 OSS 의무(저작권/NOTICE/소스 제공 범위 등) 선이행 후 배포.
+- 대상: 학습/추론 코드, 스크립트, 도구 체인, 파생 산출물(가중치·체크포인트·GUI 실행파일), 배포 번들(whl/zip/docker)
+- 원칙:
+  - 최소권한(Principle of Least Privilege)
+  - 재현가능 빌드(Reproducible Build)
+  - 투명성(명시적 라이선스 고지)
+  - 신속한 취약점 패치
+- 상용 배포 시 모든 OSS 의무(저작권/NOTICE/소스 제공 범위 등) 선이행 후 배포
 
----
+### 2) 라이브러리 & 라이선스 매트릭스
 
-### 2) 라이브러리 & 라이선스 매트릭스 (예시)
-
-> 실제 사용하는 버전/라이선스는 `pip-licenses`/`cyclonedx-py` 산출물로 **자동생성**하여 본 테이블을 정기 업데이트 합니다.
+> 실제 사용하는 버전/라이선스는 `pip-licenses`/`cyclonedx-py` 산출물로 **자동생성**하여 본 테이블을 정기 업데이트합니다.
 
 | 패키지 | 버전(예) | 라이선스(예) | 핵심 의무 |
-|---|---:|---|---|
+|--------|---------|--------------|-----------|
 | ftfy | 6.2.0 | MIT | 저작권 고지 유지 |
 | matplotlib | 3.9.0 | PSF/MATPL | 저작권 고지 |
 | numpy | 1.24.3 | BSD-3 | 저작권/면책 고지 |
 | opencv-python | 4.9.0.80 | Apache-2.0 | NOTICE 포함 권장 |
 | pandas | 2.2.2 | BSD-3 | 저작권/면책 고지 |
 | Pillow | 10.3.0 | HPND-PIL | 저작권 고지 |
-| PyQt5 / PyQt5-sip | 5.15.10 / 12.13.0 | GPLv3/상용듀얼 | **상용 배포·정적 링크 주의** |
+| PyQt5 / PyQt5-sip | 5.15.10 / 12.13.0 | GPLv3/상용듀얼 | 상용 배포·정적 링크 주의 |
 | regex | 2024.5.15 | PSF | 저작권 고지 |
 | scikit-learn | 1.2.2 | BSD-3 | 저작권 고지 |
 | scipy | 1.9.1 | BSD-3 | 저작권 고지 |
@@ -717,36 +799,32 @@ False Negative   | 3%          | 7%            | +4%
 | torchvision | 0.15.1 | BSD-3 | 저작권 고지 |
 | tqdm | 4.65.0 | MPL-2.0 | 수정 배포 시 소스 공개 요건 확인 |
 | pyautogui | 최신 | BSD-3 | 저작권 고지 |
-| **CLIP 가중치(ViT-B/32 등)** | 링크 참조 | **OpenAI Terms(모델 가중치)** | **상업적 이용 가능 여부/재배포 제한 사항을 개별 약관으로 재확인 필요** |
+| CLIP 가중치(ViT-B/32 등) | 링크 참조 | OpenAI Terms(모델 가중치) | 상업적 이용 가능 여부/재배포 제한 사항을 개별 약관으로 재확인 필요 |
 
-> ⚠️ **주의**: PyQt5는 GPLv3(또는 상용 라이선스)로 배포됩니다. **상용 배포/정적 링크** 시 **코드 공개 의무**가 발생할 수 있으므로, 필요 시 **상용 라이선스 구매** 또는 **Qt의 대체 GUI(예: PySide6 LGPL, 웹 프론트엔드)** 검토가 필요합니다.  
-> ⚠️ **OpenAI CLIP 가중치**는 **OpenAI 제공 약관**을 반드시 확인해 **재배포/상업적 사용 범위**를 검증하세요.
+⚠️ **주의**: PyQt5는 GPLv3(또는 상용 라이선스)로 배포됩니다. 상용 배포/정적 링크 시 코드 공개 의무가 발생할 수 있으므로, 필요 시 상용 라이선스 구매 또는 Qt의 대체 GUI(예: PySide6 LGPL, 웹 프론트엔드) 검토가 필요합니다.
 
----
+⚠️ **OpenAI CLIP 가중치**는 OpenAI 제공 약관을 반드시 확인해 재배포/상업적 사용 범위를 검증하세요.
 
 ### 3) 배포 시 필수 고지(Attribution) & NOTICE
 
-- 저장소 루트에 **`LICENSE`**, **`NOTICE`**, **`THIRD_PARTY_LICENSES/`** 유지.
-- 패키지별 저작권·면책 고지 포함(자동수집 산출물 병합).
-- 모델 가중치/데이터셋의 **원저작자·약관**을 README에 명시.
-
-**NOTICE 템플릿 (발췌)**
-
+- 저장소 루트에 `LICENSE`, `NOTICE`, `THIRD_PARTY_LICENSES/` 유지
+- 패키지별 저작권·면책 고지 포함(자동수집 산출물 병합)
+- 모델 가중치/데이터셋의 원저작자·약관을 README에 명시
 
 ### 4) 취약점 관리 프로세스 (CVE/SBOM)
 
-**도구 체인(권장)**
+**도구 체인(권장):**
 - SBOM: `cyclonedx-py` / `pipdeptree` → `bom.json`/`bom.xml`
 - 라이선스: `pip-licenses --format=json`
 - 취약점: `pip-audit`, `safety`, (컨테이너) `trivy`
 
-**정책**
-1. **주기적 스캔**: 메인 브랜치 주 1회, 릴리스 직전 1회.
-2. **임계치**: High/CRITICAL 발견 시 **릴리스 중단**, 패치/우회버전 평가.
-3. **변경관리**: 패치 후 회귀 테스트, 성능 영향 보고.
-4. **추적**: `SECURITY.md`에 CVE, 영향범위, 대응상태 기록.
+**정책:**
+1. 주기적 스캔: 메인 브랜치 주 1회, 릴리스 직전 1회
+2. 임계치: High/CRITICAL 발견 시 릴리스 중단, 패치/우회버전 평가
+3. 변경관리: 패치 후 회귀 테스트, 성능 영향 보고
+4. 추적: `SECURITY.md`에 CVE, 영향범위, 대응상태 기록
 
-**예시 커맨드**
+**예시 커맨드:**
 
 ```bash
 # SBOM
@@ -761,27 +839,30 @@ safety check         # 안전성 DB 기반 스캔
 
 # 컨테이너(있을 경우)
 trivy fs .           # 소스/종속성 스캔
+```
 
-### 5️. 개발·빌드 보안 (Development & Build Security)
+### 5. 개발·빌드 보안 (Development & Build Security)
 
 > 안전하고 재현 가능한 빌드 파이프라인을 유지하여 공급망 리스크를 최소화합니다.
 
-**권장 설정**
-- 잠금파일(`requirements.txt` / `constraints.txt`)에 정확한 버전(pin) 명시  
+**권장 설정:**
+- 잠금파일(`requirements.txt` / `constraints.txt`)에 정확한 버전(pin) 명시
 - `pip-tools`를 사용해 의존성 동결 (`pip-compile`)
-- CI/CD에서 `--require-hashes` 옵션으로 해시 검증  
-- 배포 아티팩트에 **SHA256 해시 및 SBOM** 포함  
-- **API Key / Token**은 코드에 ��대 포함 금지 (환경변수 또는 Secret Manager 사용)
-- **서명/무결성 관리**: 해시 검증 및 SBOM 동시 배포  
-- **권한 분리**: 학습/추론 서버는 최소 권한으로 실행
+- CI/CD에서 `--require-hashes` 옵션으로 해시 검증
+- 배포 아티팩트에 SHA256 해시 및 SBOM 포함
+- API Key / Token은 코드에 절대 포함 금지 (환경변수 또는 Secret Manager 사용)
+- 서명/무결성 관리: 해시 검증 및 SBOM 동시 배포
+- 권한 분리: 학습/추론 서버는 최소 권한으로 실행
+
+**설치 예시:**
 
-**설치 예시**
 ```bash
 pip install pip-tools
 pip install cyclonedx-bom pipdeptree pip-licenses pip-audit safety
 ```
 
-**빌드/검증 명령어**
+**빌드/검증 명령어:**
+
 ```bash
 # 의존성 동결
 pip-compile requirements.in --output-file requirements.txt
@@ -797,20 +878,18 @@ pip-audit
 safety check
 ```
 
----
-
 ### 6. 데이터·모델 아티팩트 보안 (Data & Model Artifact Security)
 
 > 모델과 데이터는 AI 공급망의 핵심 자산입니다.  
 > 아래 지침은 데이터 무결성과 모델의 신뢰성을 보장하기 위한 최소 보안 기준을 정의합니다.
 
-**핵심 목표**
-1. 학습 및 평가 데이터의 **무결성(Integrity)** 보장  
-2. 모델 체크포인트(.pth 등)의 **위변조 방지 및 추적성 확보**  
-3. **적대적 공격(Adversarial Attack)** 및 **데이터 오염(Data Poisoning)** 대응  
+**핵심 목표:**
+1. 학습 및 평가 데이터의 무결성(Integrity) 보장
+2. 모델 체크포인트(.pth 등)의 위변조 방지 및 추적성 확보
+3. 적대적 공격(Adversarial Attack) 및 데이터 오염(Data Poisoning) 대응
 4. 학습 재현성(Reproducibility) 보장
 
-**데이터 보안 관리 절차**
+**데이터 보안 관리 절차:**
 
 | 단계 | 설명 | 도구 / 실행 예시 |
 |------|------|------------------|
@@ -820,7 +899,7 @@ safety check
 | ④ 접근 제어 | 데이터 폴더 권한 최소화 (r-- 권한으로 공유) | `chmod 440 data/*` |
 | ⑤ 버전 관리 | 변경 시점마다 버전명 기록 (예: `20241002_V2`) | Git tag 또는 DVC 사용 |
 
-**모델 아티팩트 관리**
+**모델 아티팩트 관리:**
 
 | 항목 | 관리 방법 | 주의사항 |
 |------|-------------|-----------|
@@ -830,7 +909,8 @@ safety check
 | **추적성 확보** | MLflow / W&B 또는 로컬 DB 사용 | `run_id`, `commit_id`, `data_version` 연동 |
 | **비공개 저장소 관리** | 내부 NAS 또는 S3 Private Bucket 활용 | 공개 저장소 업로드 금지 (특히 고객 이미지 포함 시) |
 
-**체크포인트 메타데이터 구조 (예시)**
+**체크포인트 메타데이터 구조 (예시):**
+
 ```json
 {
   "model_name": "ad_clip_epoch_120.pth",
@@ -846,7 +926,7 @@ safety check
 }
 ```
 
-**적대적 공격(Adversarial Attack) 방어 강화**
+**적대적 공격(Adversarial Attack) 방어 강화:**
 
 | 공격 유형 | 설명 | 대응 방안 |
 |------------|------|------------|
@@ -855,7 +935,8 @@ safety check
 | **Data Poisoning** | 학습 데이터에 악성 데이터 삽입 | 데이터 정제 및 해시 기반 무결성 검증 |
 | **Evasion Attack** | 추론 시 입력 조작 | 확률 임계값 조정 + Gradient Masking |
 
-**무결성 검증 자동화 스크립트 (예시)**
+**무결성 검증 자동화 스크립트 (예시):**
+
 ```bash
 #!/bin/bash
 echo "[INFO] Starting dataset integrity check..."
@@ -871,15 +952,17 @@ done
 echo "[INFO] Dataset integrity check completed successfully."
 ```
 
-**권장 도구**
+**권장 도구:**
+
 | 목적 | 도구 | 비고 |
 |------|------|------|
-| 데이터 버전 관리 | **DVC (Data Version Control)** | Git 연동 가능 |
-| 모델 실험 추적 | **MLflow / W&B** | 하이퍼파라미터 및 결과 추적 |
-| 보안 스캔 | **trivy**, **safety**, **pip-audit** | 의존성 취약점 점검 |
-| 무결성 검증 | **sha256sum / openssl dgst** | 해시 기반 검증 |
+| 데이터 버전 관리 | DVC (Data Version Control) | Git 연동 가능 |
+| 모델 실험 추적 | MLflow / W&B | 하이퍼파라미터 및 결과 추적 |
+| 보안 스캔 | trivy, safety, pip-audit | 의존성 취약점 점검 |
+| 무결성 검증 | sha256sum / openssl dgst | 해시 기반 검증 |
+
+**예시 워크플로우 (모델 아카이브 생성):**
 
-**예시 워크플로우 (모델 아카이브 생성)**
 ```bash
 # 1. 해시 생성
 sha256sum ad_clip_epoch_120.pth > ad_clip_epoch_120.pth.sha256
@@ -894,7 +977,8 @@ tar -czvf adclip_model_v2.tar.gz ad_clip_epoch_120.pth model_info.json
 sha256sum -c ad_clip_epoch_120.pth.sha256
 ```
 
-**문서화 예시**
+**문서화 예시:**
+
 > `/security/model_security/README.md` 파일 내 포함 권장
 
 ```markdown
@@ -904,27 +988,24 @@ sha256sum -c ad_clip_epoch_120.pth.sha256
 - 데이터셋 및 모델 변경 시, 새로운 버전 태그(`_Vx.x`)를 부여하고 SBOM을 재생성합니다.
 ```
 
----
-
 ### 7. 재배포·상업화 가이드 (Redistribution & Commercialization)
 
 > 오픈소스 라이선스 및 데이터셋·모델 약관을 준수하여 법적 리스크를 방지합니다.
 
-**원칙**
+**원칙:**
+
 | 라이선스 | 사용 가능성 | 주의사항 |
 |-----------|-------------|-----------|
-| **MIT / BSD / Apache-2.0** | ✅ 자유로운 상업적 사용 가능 | 저작권, NOTICE 파일 유지 |
-| **GPL / MPL 등 카피레프트** | ⚠️ 조건부 허용 | 링크 방식에 따라 소스 공개 의무 발생 |
-| **OpenAI CLIP 가중치** | ⚠️ 제한적 | 상업적 이용 약관 별도 확인 필요 |
-| **HuggingFace Dataset** | ⚠️ 출처별 확인 | 데이터 제공자 약관 준수 필요 |
+| MIT / BSD / Apache-2.0 | 자유로운 상업적 사용 가능 | 저작권, NOTICE 파일 유지 |
+| GPL / MPL 등 카피레프트 | 조건부 허용 | 링크 방식에 따라 소스 공개 의무 발생 |
+| OpenAI CLIP 가중치 | 제한적 | 상업적 이용 약관 별도 확인 필요 |
+| HuggingFace Dataset | 출처별 확인 | 데이터 제공자 약관 준수 필요 |
 
-**체크리스트**
-- [x] `THIRD_PARTY_LICENSES/` 최신화  
-- [x] PyQt5 등 **GPL 계열** 의존성 검토  
-- [x] CLIP 가중치 약관 문서 첨부  
-- [x] SBOM + 해시 포함하여 배포  
-
----
+**체크리스트:**
+- [x] `THIRD_PARTY_LICENSES/` 최신화
+- [x] PyQt5 등 GPL 계열 의존성 검토
+- [x] CLIP 가중치 약관 문서 첨부
+- [x] SBOM + 해시 포함하여 배포
 
 ### 8. 내부 승인·RACI (Internal Approval & RACI)
 
@@ -937,8 +1018,6 @@ sha256sum -c ad_clip_epoch_120.pth.sha256
 | 취약점 패치 적용 | 개발팀 | 보안팀 | 개발팀장 |
 | 릴리스 승인 | 개발팀 | 보안·법무 | 제품 책임자(PO) |
 
----
-
 ### 9. PR 체크리스트 (Pull Request Checklist)
 
 > 릴리스/병합 전 보안·법적 준수를 위한 점검 항목입니다.
@@ -956,5 +1035,6 @@ sha256sum -c ad_clip_epoch_120.pth.sha256
 
 ---
 
-# References
-- AnomalyCLIP: Object-agnostic Prompt Learning for Zero-shot Anomaly Detection [[github](https://github.com/zqhang/AnomalyCLIP.git)]
+## References
+
+- AnomalyCLIP: Object-agnostic Prompt Learning for Zero-shot Anomaly Detection [[github](https://github.com/zqhang/AnomalyCLIP.git)]