REAEMD.md 수정

bb599a8b · Administrator · 80cdf0be · bb599a8b
Commit bb599a8b authored Sep 12, 2025 by Administrator
--- a/README.md
+++ b/README.md
 # 3D 객체인식 평가시스템
-[![CI/CD](https://github.com/your-repo/rvtouch3d-evaluation/workflows/CI/CD%20Pipeline/badge.svg)](https://github.com/your-repo/rvtouch3d-evaluation/actions)
-[![Coverage](https://codecov.io/gh/your-repo/rvtouch3d-evaluation/branch/main/graph/badge.svg)](https://codecov.io/gh/your-repo/rvtouch3d-evaluation)
 [![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT)
 [![Python 3.8+](https://img.shields.io/badge/python-3.8+-blue.svg)](https://www.python.org/downloads/)
+[![Docker](https://img.shields.io/badge/docker-supported-blue.svg)](https://www.docker.com/)
-3D 객체인식 평가시스템은 3D 모델의 성능을 종합적으로 평가하는 고급 시스템입니다. 다양한 평가 지표와 최신 기술을 활용하여 정확하고 신뢰할 수 있는 평가 결과를 제공합니다.
+3D 객체인식 평가시스템은 TRELLIS 모델을 통해 변환된 3D 모델의 객체 인식 정확도를 측정하는 시스템입니다. 다양한 평가 지표를 활용하여 정확하고 신뢰할 수 있는 평가 결과를 제공합니다.
 ## ✨ 주요 기능
@@ -13,27 +12,26 @@
 - **다중 지표 평가**: 2D/3D mAP, Chamfer Distance, EMD, 클래스 정확도
 - **가중치 기반 점수**: 사용자 정의 가중치로 맞춤형 평가
 - **성능 등급**: A-F 등급으로 직관적인 성능 표시
+- **개선된 점수 정규화**: 지표별 특성을 고려한 정규화 알고리즘
-### 🚀 Empir3D 프레임워크
+### 🎨 3D 렌더링 시스템
- **해상도 평가**: 점군 밀도와 메시 품질 분석
- **정확도 평가**: 기하학적 정확성과 형태 유사도
- **커버리지 평가**: 객체 표면 완전성 분석
- **아티팩트 평가**: 노이즈와 이상치 탐지
-### 🧠 DeepEMD 기술
- **Transformer 기반**: 최신 딥러닝 기술 활용
- **계산 복잡성 해결**: 기존 EMD 계산의 성능 문제 해결
- **고정밀도**: 더 정확한 EMD 값 계산
-### 🎨 SceneDreamer 통합
- **3D 장면 생성**: 고품질 3D 모델 자동 생성
 - **다각도 렌더링**: 다양한 시점에서의 이미지 생성
- **객체 탐지**: 복잡한 장면에서의 다중 객체 탐지
+- **OSMesa 지원**: 헤드리스 렌더링 환경 지원
+- **고품질 렌더링**: 512x512 해상도로 고품질 이미지 생성
-### 🔧 자동화 시스템
+- **자동 카메라 설정**: 최적의 카메라 위치 자동 계산
- **CI/CD 파이프라인**: GitHub Actions 기반 자동화
+### 📊 평가 지표
+- **2D mAP**: 2D 객체 탐지 정확도 측정
+- **3D mAP**: 3D 객체 탐지 정확도 측정
+- **Chamfer Distance**: 3D 기하학적 유사성 측정
+- **EMD (Earth Mover's Distance)**: 3D 분포 유사성 측정
+- **클래스 정확도**: 객체 분류 정확도 측정
+### 🔧 시스템 기능
+- **Docker 지원**: 컨테이너화된 배포 환경
 - **자동 테스트**: 단위, 통합, 성능 테스트
- **코드 품질**: 린팅, 포맷팅, 타입 체크
+- **성능 모니터링**: 메모리 사용량 및 실행 시간 추적
+- **상세 로깅**: 평가 과정의 상세한 로그 기록
 ## 📋 시스템 요구사항
@@ -63,6 +61,7 @@ pip install -r requirements.txt
 ### 2. 기본 사용법
+#### Python 코드로 실행
 ```python
 from src.evaluator import Evaluator
@@ -80,20 +79,30 @@ print(f"종합 점수: {result['comprehensive_score']:.2f}")
 print(f"성능 등급: {result['grade']}")
 ```
-### 3. Empir3D 사용법
+#### 명령행으로 실행
+```bash
+# 기본 실행
+python main.py --model path/to/model.glb --reference path/to/reference.jpg
+# 출력 디렉토리 지정
+python main.py --model model.glb --reference reference.jpg --output results/
-```python
+# 시각화 포함
-from src.metrics.empir3d_evaluator import Empir3DEvaluator
+python main.py --model model.glb --reference reference.jpg --visualize
+# 상세 로그
+python main.py --model model.glb --reference reference.jpg --log-level DEBUG
+```
-# Empir3D 평가기 초기화
+### 3. Docker로 실행
-evaluator = Empir3DEvaluator()
-# 3D 모델 평가
+```bash
-result = evaluator.evaluate_3d_model(model_3d, ground_truth_3d)
+# Docker 이미지 빌드
+docker build -t rvtouch3d-evaluation .
-print(f"Empir3D 점수: {result['empir3d_score']:.2f}")
+# Docker 컨테이너 실행
-print(f"해상도: {result['resolution']['score']:.2f}")
+docker run -v $(pwd)/data:/app/data -v $(pwd)/results:/app/results \
-print(f"정확도: {result['accuracy']['score']:.2f}")
+  rvtouch3d-evaluation --model data/model.glb --reference data/reference.jpg
 ```
 ## 📚 문서
@@ -129,68 +138,307 @@ open htmlcov/index.html
 시스템 설정은 `config/evaluation_config.py`에서 관리됩니다:
+### 평가 가중치 설정
 ```python
-# 평가 가중치
 EVALUATION_WEIGHTS = {
-    '2d_map': 0.25,
+    '2d_map': 0.25,          # 2D mAP 가중치 (25%)
-    '3d_map': 0.30,
+    '3d_map': 0.30,          # 3D mAP 가중치 (30%)
-    'chamfer_distance': 0.20,
+    'chamfer_distance': 0.20, # Chamfer Distance 가중치 (20%)
-    'emd': 0.15,
+    'emd': 0.15,             # EMD 가중치 (15%)
-    'class_accuracy': 0.10
+    'class_accuracy': 0.10   # 클래스 정확도 가중치 (10%)
+}
+```
+**가중치 설명:**
+각 지표는 3D 모델의 서로 다른 측면을 평가하며, 가중치는 전체 점수에서 각 지표가 차지하는 비중을 나타냅니다. 총 가중치는 1.0(100%)입니다.
+- **2D mAP (0.25 = 25%)**: 
+  - **의미**: 2D 이미지에서 객체를 얼마나 정확하게 찾아내는지 측정
+  - **예시**: 의자를 찍은 사진에서 "의자가 여기 있다"고 정확히 표시하는 능력
+  - **왜 25%인가**: 2D는 3D 모델의 한 면만 보여주므로 상대적으로 낮은 비중
+  - **영향**: 2D 성능이 좋지 않아도 다른 지표로 보완 가능
+- **3D mAP (0.30 = 30%)**: 
+  - **의미**: 3D 공간에서 객체의 위치와 크기를 얼마나 정확하게 파악하는지 측정
+  - **예시**: 의자의 3D 위치, 크기, 방향을 정확히 인식하는 능력
+  - **왜 30%인가**: 3D 모델의 핵심 기능이므로 가장 높은 비중
+  - **영향**: 3D 성능이 전체 평가에 가장 큰 영향을 미침
+- **Chamfer Distance (0.20 = 20%)**: 
+  - **의미**: 3D 모델의 모양이 실제 객체와 얼마나 비슷한지 측정
+  - **예시**: 의자 모델이 실제 의자와 형태적으로 얼마나 유사한지 비교
+  - **왜 20%인가**: 모양의 정확성은 중요한 평가 요소
+  - **영향**: 모델이 실제 객체와 비슷할수록 높은 점수
+- **EMD (0.15 = 15%)**: 
+  - **의미**: 3D 모델의 점 분포가 실제 객체의 점 분포와 얼마나 일치하는지 측정
+  - **예시**: 의자 표면의 점들이 실제 의자의 표면 분포와 얼마나 비슷한지
+  - **왜 15%인가**: 세밀한 분포 비교이지만 상대적으로 낮은 비중
+  - **영향**: 모델의 세부적인 품질을 평가
+- **클래스 정확도 (0.10 = 10%)**: 
+  - **의미**: 3D 모델이 어떤 종류의 객체인지 얼마나 정확하게 분류하는지 측정
+  - **예시**: "이것은 의자다", "이것은 테이블이다"라고 정확히 구분하는 능력
+  - **왜 10%인가**: 분류는 상대적으로 단순한 작업이므로 가장 낮은 비중
+  - **영향**: 기본적인 인식 능력을 평가하지만 전체 점수에는 적은 영향
+**가중치 조정 가이드:**
+- 3D 성능을 더 중시하고 싶다면 → 3D mAP 가중치를 높이세요
+- 모양의 정확성을 더 중요하게 생각한다면 → Chamfer Distance 가중치를 높이세요
+- 2D 성능도 중요하다면 → 2D mAP 가중치를 높이세요
+- 모든 가중치의 합은 1.0이 되도록 조정해야 합니다
+### 평가 임계값 설정
+```python
+EVALUATION_THRESHOLDS = {
+    '2d_map': 0.8,           # 2D mAP 임계값 (80% 이상이면 우수)
+    '3d_map': 0.7,           # 3D mAP 임계값 (70% 이상이면 우수)
+    'chamfer_distance': 0.3, # Chamfer Distance 임계값 (0.3 이하면 우수)
+    'emd': 0.3,              # EMD 임계값 (0.3 이하면 우수)
+    'class_accuracy': 0.8    # 클래스 정확도 임계값 (80% 이상이면 우수)
 }
+```
-# 렌더링 설정
+**임계값 설명:**
+임계값은 각 지표에서 "우수한 성능"으로 간주되는 기준점입니다. 이 값들을 기준으로 점수가 정규화됩니다.
+- **2D mAP (0.8 = 80%)**: 
+  - **의미**: 2D 이미지에서 객체를 80% 이상 정확하게 찾아내면 우수
+  - **예시**: 100개의 의자 중 80개 이상을 정확히 찾아내면 우수한 성능
+  - **점수 계산**: 80% = 70점, 90% = 85점, 100% = 100점
+  - **조정 가이드**: 더 엄격하게 평가하려면 0.9로, 관대하게 평가하려면 0.7로 설정
+- **3D mAP (0.7 = 70%)**: 
+  - **의미**: 3D 공간에서 객체를 70% 이상 정확하게 인식하면 우수
+  - **예시**: 3D 공간에서 의자의 위치, 크기, 방향을 70% 이상 정확히 파악하면 우수
+  - **점수 계산**: 70% = 70점, 80% = 85점, 90% = 95점
+  - **조정 가이드**: 3D는 2D보다 어려우므로 상대적으로 낮은 임계값 사용
+- **Chamfer Distance (0.3)**: 
+  - **의미**: 모델과 실제 객체 간의 평균 거리가 0.3 이하면 우수
+  - **예시**: 의자 모델의 각 점이 실제 의자와 평균 0.3 단위 이하로 떨어져 있으면 우수
+  - **점수 계산**: 0.1 = 95점, 0.3 = 70점, 0.5 = 50점
+  - **조정 가이드**: 더 정밀한 모양을 원한다면 0.2로, 관대하게 평가하려면 0.5로 설정
+- **EMD (0.3)**: 
+  - **의미**: 점 분포의 유사성이 0.3 이하면 우수
+  - **예시**: 의자 표면의 점 분포가 실제 의자와 0.3 이하의 차이를 보이면 우수
+  - **점수 계산**: 0.1 = 95점, 0.3 = 70점, 0.5 = 50점
+  - **조정 가이드**: 세밀한 분포를 중시한다면 0.2로, 관대하게 평가하려면 0.5로 설정
+- **클래스 정확도 (0.8 = 80%)**: 
+  - **의미**: 객체를 80% 이상 정확하게 분류하면 우수
+  - **예시**: 100개의 객체 중 80개 이상을 올바른 클래스(의자, 테이블 등)로 분류하면 우수
+  - **점수 계산**: 80% = 70점, 90% = 85점, 100% = 100점
+  - **조정 가이드**: 분류 정확도를 더 중시한다면 0.9로, 관대하게 평가하려면 0.7로 설정
+**임계값 조정 팁:**
+- **더 엄격한 평가**: 모든 임계값을 10-20% 높이세요
+- **더 관대한 평가**: 모든 임계값을 10-20% 낮추세요
+- **특정 지표 중시**: 해당 지표의 임계값만 조정하세요
+- **실제 성능 확인**: 여러 모델을 테스트하여 적절한 임계값을 찾으세요
+### 렌더링 설정
+```python
 RENDERING_CONFIG = {
-    'num_views': 36,
+    'num_views': 36,         # 렌더링할 뷰의 개수 (36개 방향)
-    'image_size': (512, 512),
+    'image_size': (512, 512), # 렌더링 이미지 크기 (가로x세로)
-    'camera_distance': 2.0,
+    'camera_distance': 2.0,  # 카메라와 객체 간 거리
-    'camera_elevation': 30.0
+    'camera_elevation': 30.0, # 카메라 고도각 (도)
+    'num_views_for_evaluation': 8 # 평가용 뷰 개수 (성능 최적화)
 }
 ```
+**렌더링 파라미터 설명:**
+- **num_views (36)**: 객체를 36개 방향에서 렌더링하여 다양한 시점의 이미지를 생성합니다.
+- **image_size (512x512)**: 각 렌더링 이미지의 해상도입니다. 높을수록 정확하지만 처리 시간이 증가합니다.
+- **camera_distance (2.0)**: 카메라와 객체 중심점 간의 거리입니다. 객체가 화면에 적절히 보이도록 조정됩니다.
+- **camera_elevation (30.0)**: 카메라의 수직 각도입니다. 30도는 객체를 위에서 내려다보는 각도입니다.
+- **num_views_for_evaluation (8)**: 실제 평가에 사용할 뷰의 개수입니다. 성능 최적화를 위해 전체 뷰 중 일부만 사용합니다.
+### 점군 생성 설정
+```python
+POINTCLOUD_CONFIG = {
+    'num_points': 10000,     # 기본 점군 점의 개수
+    'num_points_emd': 5000,  # EMD 계산용 점의 개수
+    'num_points_chamfer': 10000 # Chamfer Distance 계산용 점의 개수
+}
+```
+**점군 파라미터 설명:**
+- **num_points (10000)**: 3D 모델에서 생성할 기본 점군의 점 개수입니다.
+- **num_points_emd (5000)**: EMD 계산 시 사용할 점의 개수입니다. EMD는 계산 복잡도가 높아 적은 점을 사용합니다.
+- **num_points_chamfer (10000)**: Chamfer Distance 계산 시 사용할 점의 개수입니다.
+### 성능 등급 기준
+```python
+GRADE_THRESHOLDS = {
+    'A': 90.0,               # A등급: 90점 이상 (우수)
+    'B': 80.0,               # B등급: 80점 이상 (양호)
+    'C': 70.0,               # C등급: 70점 이상 (보통)
+    'D': 60.0,               # D등급: 60점 이상 (미흡)
+    'F': 0.0                 # F등급: 60점 미만 (부족)
+}
+```
+**등급 기준 설명:**
+- **A등급 (90점 이상)**: 우수한 성능으로 모든 지표에서 높은 점수를 받은 모델
+- **B등급 (80-89점)**: 양호한 성능으로 대부분의 지표에서 좋은 점수를 받은 모델
+- **C등급 (70-79점)**: 보통 성능으로 일부 지표에서 개선이 필요한 모델
+- **D등급 (60-69점)**: 미흡한 성능으로 여러 지표에서 개선이 필요한 모델
+- **F등급 (60점 미만)**: 부족한 성능으로 전반적인 개선이 필요한 모델
+### 클래스 분류 설정
+```python
+CLASSIFICATION_CONFIG = {
+    'num_classes': 10,       # 예상 클래스 개수
+    'class_names': [         # 클래스 이름 리스트
+        'chair', 'table', 'sofa', 'bed', 'desk',
+        'bookshelf', 'lamp', 'cabinet', 'door', 'window'
+    ],
+    'clustering_enabled': True, # 클러스터링 기반 분류 사용 여부
+    'num_clusters': 5        # 클러스터 개수
+}
+```
+**클래스 분류 파라미터 설명:**
+- **num_classes (10)**: 시스템이 인식할 수 있는 객체 클래스의 총 개수입니다.
+- **class_names**: 인식 가능한 객체 클래스들의 이름 리스트입니다. 가구류 중심으로 구성되어 있습니다.
+- **clustering_enabled (True)**: 클러스터링 기반 분류 방법을 사용할지 여부입니다.
+- **num_clusters (5)**: 클러스터링 시 사용할 클러스터의 개수입니다.
+### IoU 임계값 설정
+```python
+IOU_THRESHOLDS = {
+    '2d_iou': [0.5, 0.75],   # 2D IoU 임계값 리스트
+    '3d_iou': [0.5, 0.7]     # 3D IoU 임계값 리스트
+}
+```
+**IoU 임계값 설명:**
+- **2d_iou [0.5, 0.75]**: 2D 객체 탐지에서 사용하는 IoU 임계값들입니다. 0.5와 0.75에서 mAP를 계산합니다.
+- **3d_iou [0.5, 0.7]**: 3D 객체 탐지에서 사용하는 IoU 임계값들입니다. 3D에서는 일반적으로 더 낮은 임계값을 사용합니다.
+### 출력 설정
+```python
+OUTPUT_CONFIG = {
+    'save_images': True,     # 렌더링된 이미지 저장 여부
+    'save_pointclouds': False, # 점군 데이터 저장 여부
+    'generate_report': True, # 리포트 생성 여부
+    'report_format': 'html', # 리포트 형식 ('html', 'json', 'txt')
+    'visualize_results': True # 결과 시각화 여부
+}
+```
+**출력 설정 설명:**
+- **save_images (True)**: 렌더링된 이미지들을 파일로 저장할지 여부입니다.
+- **save_pointclouds (False)**: 생성된 점군 데이터를 파일로 저장할지 여부입니다. 기본적으로 저장하지 않습니다.
+- **generate_report (True)**: 평가 결과 리포트를 생성할지 여부입니다.
+- **report_format ('html')**: 생성할 리포트의 형식입니다. HTML, JSON, 텍스트 중 선택할 수 있습니다.
+- **visualize_results (True)**: 평가 결과를 시각화할지 여부입니다.
+### 성능 최적화 설정
+```python
+PERFORMANCE_CONFIG = {
+    'parallel_processing': True, # 병렬 처리 사용 여부
+    'max_workers': 4,        # 최대 워커 수
+    'memory_limit_gb': 8,    # 메모리 제한 (GB)
+    'cache_enabled': True,   # 캐시 사용 여부
+    'cache_size_mb': 100     # 캐시 크기 (MB)
+}
+```
+**성능 최적화 파라미터 설명:**
+- **parallel_processing (True)**: 병렬 처리를 사용하여 평가 속도를 향상시킬지 여부입니다.
+- **max_workers (4)**: 병렬 처리 시 사용할 최대 워커(스레드) 수입니다.
+- **memory_limit_gb (8)**: 시스템이 사용할 수 있는 최대 메모리 제한입니다.
+- **cache_enabled (True)**: 중간 결과를 캐시하여 반복 계산을 줄일지 여부입니다.
+- **cache_size_mb (100)**: 캐시에 사용할 메모리 크기입니다.
+### 검증 설정
+```python
+VALIDATION_CONFIG = {
+    'validate_input_files': True, # 입력 파일 검증 여부
+    'check_file_formats': True,   # 파일 형식 검증 여부
+    'min_file_size_kb': 1,        # 최소 파일 크기 (KB)
+    'max_file_size_mb': 100       # 최대 파일 크기 (MB)
+}
+```
+**검증 설정 설명:**
+- **validate_input_files (True)**: 입력 파일들의 유효성을 검증할지 여부입니다.
+- **check_file_formats (True)**: 파일 형식이 지원되는지 검증할지 여부입니다.
+- **min_file_size_kb (1)**: 허용되는 최소 파일 크기입니다. 너무 작은 파일은 오류일 가능성이 높습니다.
+- **max_file_size_mb (100)**: 허용되는 최대 파일 크기입니다. 메모리 사용량을 제한하기 위한 설정입니다.
 ## 🏗️ 아키텍처
 ```
 src/
 ├── evaluator.py              # 메인 평가기
+├── data_loader.py            # 데이터 로더
+├── renderer.py               # 3D 렌더러
+├── visualizer.py             # 결과 시각화
 ├── metrics/                  # 평가 지표
-│   ├── empir3d_evaluator.py  # Empir3D 평가기
+│   ├── map_2d.py            # 2D mAP 계산기
-│   ├── deep_emd_calculator.py # DeepEMD 계산기
+│   ├── map_3d.py            # 3D mAP 계산기
-│   ├── resolution_calculator.py # 해상도 계산기
+│   ├── chamfer_distance.py  # Chamfer Distance 계산기
-│   ├── accuracy_calculator.py  # 정확도 계산기
+│   ├── emd.py               # EMD 계산기
-│   ├── coverage_calculator.py  # 커버리지 계산기
+│   ├── class_accuracy.py    # 클래스 정확도 계산기
-│   └── artifact_calculator.py  # 아티팩트 계산기
+│   └── accuracy_calculator.py # 정확도 계산기
-├── renderer/                 # 렌더링
+├── utils/                    # 유틸리티
-│   └── improved_renderer.py  # 개선된 렌더러
+│   ├── reference_extractor.py # 참조 데이터 추출기
-├── generators/               # 생성기
+│   ├── exception_handler.py   # 예외 처리기
-│   └── scene_dreamer.py      # SceneDreamer
+│   ├── normalization_validator.py # 정규화 검증기
-├── integration/              # 통합
+│   ├── performance_monitor.py # 성능 모니터링
-│   └── scene_detection.py    # 장면 탐지
+│   ├── logging_utils.py      # 로깅 유틸리티
-├── models/                   # 모델
+│   ├── config_validator.py   # 설정 검증기
-│   └── transformer_emd.py    # Transformer EMD
+│   └── system_monitor.py     # 시스템 모니터링
-└── utils/                    # 유틸리티
+├── config/
-    ├── reference_extractor.py # 참조 데이터 추출기
+│   └── evaluation_config.py  # 평가 설정
-    ├── exception_handler.py   # 예외 처리기
+├── tests/                    # 테스트
-    └── normalization_validator.py # 정규화 검증기
+│   ├── automated_tests.py    # 자동화 테스트
-```
+│   ├── test_coverage.py      # 커버리지 테스트
+│   ├── test_metrics.py       # 지표 테스트
-## 🚀 CI/CD 파이프라인
+│   └── test_evaluator.py     # 평가기 테스트
+└── main.py                   # 메인 실행 파일
-GitHub Actions를 통한 자동화된 파이프라인:
+```
- **테스트**: 단위, 통합, 성능 테스트
+## 🚀 자동화 및 테스트
- **코드 품질**: 린팅, 포맷팅, 타입 체크
- **보안**: 보안 취약점 스캔
+### 자동화된 테스트 시스템
- **배포**: 자동 배포 및 릴리스
+- **단위 테스트**: 개별 모듈별 기능 테스트
+- **통합 테스트**: 전체 시스템 통합 테스트
-## 📊 성능 벤치마크
+- **성능 테스트**: 메모리 사용량 및 실행 시간 테스트
+- **커버리지 테스트**: 코드 커버리지 측정
-| 지표 | 기존 시스템 | 개선된 시스템 | 향상도 |
-|------|-------------|---------------|--------|
+### Docker 지원
-| 평가 시간 | 5-10분 | 1-3분 | 60-70% |
+- **컨테이너화**: 완전한 Docker 환경 지원
-| 메모리 사용량 | 8-12GB | 4-6GB | 50% |
+- **OSMesa 렌더링**: 헤드리스 렌더링 환경
-| 정확도 | 85% | 95% | 10% |
+- **의존성 관리**: 모든 필요한 라이브러리 포함
-| 안정성 | 70% | 95% | 25% |
+## 📊 성능 특징
+### 평가 지표
+- **2D mAP**: 2D 객체 탐지 정확도 (0.0-1.0)
+- **3D mAP**: 3D 객체 탐지 정확도 (0.0-1.0)
+- **Chamfer Distance**: 3D 기하학적 유사성 (낮을수록 좋음)
+- **EMD**: 3D 분포 유사성 (낮을수록 좋음)
+- **클래스 정확도**: 객체 분류 정확도 (0.0-1.0)
+### 성능 등급 기준
+- **A등급**: 90점 이상 (우수)
+- **B등급**: 80점 이상 (양호)
+- **C등급**: 70점 이상 (보통)
+- **D등급**: 60점 이상 (미흡)
+- **F등급**: 60점 미만 (부족)
+### 시스템 요구사항
+- **평가 시간**: 일반적으로 1-5분 (모델 복잡도에 따라)
+- **메모리 사용량**: 4-8GB (모델 크기에 따라)
+- **지원 형식**: GLB, OBJ, PLY 등 3D 모델 형식
 ## 🤝 기여하기
@@ -207,9 +455,12 @@ GitHub Actions를 통한 자동화된 파이프라인:
 ## 🙏 감사의 말
 - [Open3D](https://github.com/isl-org/Open3D) - 3D 데이터 처리
- [PyTorch](https://pytorch.org/) - 딥러닝 프레임워크
+- [Trimesh](https://github.com/mikedh/trimesh) - 3D 메시 처리
 - [Ultralytics](https://github.com/ultralytics/ultralytics) - YOLO 모델
 - [OpenCV](https://opencv.org/) - 컴퓨터 비전
+- [PyTorch](https://pytorch.org/) - 딥러닝 프레임워크
+- [NumPy](https://numpy.org/) - 수치 계산
+- [Matplotlib](https://matplotlib.org/) - 시각화
 ## 📞 지원
@@ -219,18 +470,15 @@ GitHub Actions를 통한 자동화된 파이프라인:
 ## 🔄 업데이트 로그
-### v2.0.0 (2024-01-15)
+### v1.0.0 (2024-01-15)
- ✨ Empir3D 프레임워크 도입
+- 🎯 기본 3D 객체인식 평가 시스템
- 🚀 DeepEMD 기술 적용
+- 📊 2D/3D mAP, Chamfer Distance, EMD, 클래스 정확도 계산
- 🎨 SceneDreamer 통합
+- 🎨 다각도 3D 렌더링 시스템
- 🔧 자동화 시스템 구축
+- 🐳 Docker 지원 및 OSMesa 헤드리스 렌더링
- 📚 완전한 문서화
+- 🔧 자동화된 테스트 시스템
+- 📚 상세한 문서화 및 API 레퍼런스
-### v1.0.0 (2023-12-01)
+- 🎛️ 설정 가능한 평가 가중치 및 임계값
- 🎯 기본 평가 시스템
+- 📈 성능 모니터링 및 상세 로깅
- 📊 2D/3D mAP 계산
- 🎨 렌더링 시스템
- 🔧 기본 테스트
 ---