Update README.md

README.md

@@ -7,7 +7,7 @@
 이 모델은 CLIP 기반의 이상 탐지 방법을 사용하여 제품 결함을 탐지합니다. 
 사전 훈련된 CLIP 모델을 fine-tuning하여 제품 이미지에서 결함을 식별하고, 생산 라인에서 품질 관리 및 결함 감지를 자동화합니다.
 
-- **Developed by:** 오석
+- **Developed by:** 오석민
 - **Funded by:** 4INLAB INC.
 - **Shared by:** zhou2023anomalyclip
 - **Model type:** CLIP based Anomaly Detection
@@ -31,13 +31,14 @@
 
 ### 데이터셋 정보
 
-이 모델은 시계열 재고 데이터를 사용하여 훈련됩니다. 이 데이터는 재고 수준, 날짜 및 기타 관련 특성에 대한 정보를 포함하고 있습니다.
-데이터는 Conv1D와 BiLSTM 레이어에 적합하도록 MinMax 스케일링을 사용하여 전처리되고 정규화됩니다.
+이 모델은 제품의 정상 이미지와 결함 이미지를 사용하여 훈련됩니다. 
+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.
 
 
 ![image/png](https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/E8pMyLfUnlIQFCLbTiLba.png)
 
-- **Data sources:**    https://huggingface.co/datasets/quandao92/vision-inventory-prediction-data
+- **Data sources:**  https://huggingface.co/datasets/quandao92/ad-clip-dataset
 - **Training size:**
    - 1차 : Few-shot learning with anomaly (10ea), good (4ea)
    - 2차 : Few-shot learning with anomaly (10ea), good (10ea)
@@ -45,6 +46,17 @@
      
 - **Time-step:** 5초 이내
 
+- **Data Pre-Processing Methods:**
+  - **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.
+  - **데이터 분류:**
+     - Normal: 결함이 없는 정상 제품의 이미지.
+     - Defective: 결함이 있는 제품의 이미지. 결함 위치와 관련 정보가 포함됩니다.
+
 - **Data Processing Techniques:**
   - normalization:
       description: "이미지 픽셀 값을 평균 및 표준편차로 표준화"