card.md

README.md

@@ -0,0 +1,75 @@
+---
+license: mit
+---
+## 3D 모델 텍스처링 분류 모델
+
+### 모델 설명
+이 모델은 **3D 모델 썸네일 이미지**를 입력으로 받아, 이미지가 **텍스처링 되어 있는지 아닌지**를 분류합니다.
+
+- **태스크**: 이진 이미지 분류 (Textured vs. Not Textured)
+- **클래스**:
+  - `0`: 텍스처링 안됨
+  - `1`: 텍스처링 됨
+- **모델 구조**: ResNet18 (ImageNet 사전학습 사용)
+- **입력 이미지 크기**: 224 × 224 RGB 이미지
+- **출력**: 2개의 클래스에 대한 로짓값 (소프트맥스 전)
+
+---
+
+### 학습 데이터
+- **CSV 파일**: `meshy_textured_gold.csv`
+- **이미지 출처**: Meshy AI에서 생성된 3D 썸네일 이미지
+- **라벨링 방법**: 사람이 직접 텍스처링 여부를 보고 수작업으로 라벨 부여
+- **샘플 수**: 약 500장 (텍스처링 / 비텍스처링 클래스 균형 있음)
+
+---
+
+### 평가 정보
+- **평가지표**: 정확도(Accuracy) 기준 약 90% 이상
+- **손실 함수**: CrossEntropyLoss
+- **최적화 알고리즘**: Adam (lr=1e-4)
+
+> 검증 데이터셋에서도 안정적인 성능을 보였으며, 라벨과 예측 결과를 이미지로 시각화하여 성능을 추가 확인했습니다.
+
+---
+
+### 사용법
+
+```python
+from torchvision import transforms, models
+from PIL import Image
+import torch
+
+# 모델 로드
+model = models.resnet18()
+model.fc = torch.nn.Linear(model.fc.in_features, 2)
+model.load_state_dict(torch.load("pytorch_model.bin", map_location="cpu"))
+model.eval()
+
+# 전처리 정의
+transform = transforms.Compose([
+    transforms.Resize((224, 224)),
+    transforms.ToTensor(),
+    transforms.Normalize([0.485, 0.456, 0.406],
+                         [0.229, 0.224, 0.225])
+])
+
+# 예측
+img = Image.open("example.jpg").convert("RGB")
+x = transform(img).unsqueeze(0)
+with torch.no_grad():
+    logits = model(x)
+    pred = logits.argmax(dim=1).item()
+    print("텍스처링 됨" if pred == 1 else "텍스처링 안됨")
+```
+
+---
+
+### 사용 목적
+- Miravelle에서 생성된 썸네일 이미지가 텍스처링된 것인지 자동으로 구분
+- 대규모 데이터셋 선별, 품질 관리, 라벨링 시간 단축 등에 활용 가능
+
+---
+
+### 🏷️ 태그
+`이미지 분류`, `이진 분류`, `3D 썸네일`, `텍스처링 판별`, `ResNet`, `Meshy`