fix README

@@ -11,9 +11,9 @@ Supported Platforms & Test Environments
 ---------------------------------------------------------------------------------------------------------------------------------
 
 >Raspberry Pi 3 Model B
-Paspberry Pi Camera Rev. 1.3
-Ubuntu MATE 16.04.2
-C++ 컴파일러 버전 11이상
+>Paspberry Pi Camera Rev. 1.3
+>Ubuntu MATE 16.04.2
+>C++ 컴파일러 버전 11이상
 
 
 Application Project Setup
@@ -41,84 +41,83 @@ Detail
 ---------------------------------------------------------------------------------------------------------------------------------
 
 >1. 계획서 업로드 
-[강현준, 권은진, 김효은, 하미르] 라즈베리파이에 이미지 프로세싱 딥러닝을 적용한 자동화 계산 시스템
+>[강현준, 권은진, 김효은, 하미르] 라즈베리파이에 이미지 프로세싱 딥러닝을 적용한 자동화 계산 시스템
 
 
->2. 중간보고서(논문) 업로드 
-[강현준, 권은진, 김효은, 하미르] 이미지 인식 딥러닝을 적용한 자동화 계산 시스템_중간보고서(논문)
+>>2. 중간보고서(논문) 업로드 
+>[강현준, 권은진, 김효은, 하미르] 이미지 인식 딥러닝을 적용한 자동화 계산 시스템_중간보고서(논문)
 
 
->3. simple_convnet 원본코드 업로드
+>>3. simple_convnet 원본코드 업로드
 
 
->4. params.pkl->params.csv
-프로그램의 속도보장을 위해 python->c++ 컨버팅 작업이 필요함
-python 코드에서 가중치를 pickle 파일에 저장하는데 c++에서는 pickle 파일을 읽는 데에 어려움이 있음
-pickletools라는 라이브러리가 있지만 에러가 많고, 자바, 파이썬, C++ 여러 언어를 지원해 무겁기 때문에 속도를 올리기 위한 컨버팅 작업에는 적절하지 않음
+>>4. params.pkl->params.csv
+>프로그램의 속도보장을 위해 python->c++ 컨버팅 작업이 필요함
+>python 코드에서 가중치를 pickle 파일에 저장하는데 c++에서는 pickle 파일을 읽는 데에 어려움이 있음
+>pickletools라는 라이브러리가 있지만 에러가 많고, 자바, 파이썬, C++ 여러 언어를 지원해 무겁기 때문에 속도를 올리기 위한 컨버팅 작업에는 적절하지 않음
 그래서, 파라미터를 저장하는 부분을 csv로 바꿔  C++에서 그 파일로 읽기위해 params.pkl을 params.csv로 바꾸는 코드를 추가함
 
 
->5.  params.pkl->params.txt
-입력처리할 때 csv파일로 읽으면 속도가 느림
-이 또한 속도를 올리기 위한 컨버팅 작업의 목적에 맞지 않기 때문에 params.pkl 파일을 csv 파일이 아닌 txt 파일로 바꿈
+>>5.  params.pkl->params.txt
+>입력처리할 때 csv파일로 읽으면 속도가 느림 이 또한 속도를 올리기 위한 컨버팅 작업의 목적에 맞지 않기 때문에 params.pkl 파일을 csv 파일이 아닌 txt 파일로 바꿈
 
 
->6. python test 코드 추가
-test하는 부분만 골라내기 위해 python test 코드를 추가(test.py), simple_convnet 내용 추가
+>>6. python test 코드 추가
+>test하는 부분만 골라내기 위해 python test 코드를 추가(test.py), simple_convnet 내용 추가
 
 
->7. python test 폴더 추가
-python test 폴더에는 test에 필요하지 않은 train 부분을 삭제함 
+>>7. python test 폴더 추가
+>python test 폴더에는 test에 필요하지 않은 train 부분을 삭제함 
 
 
->8. make_img.py 추가
-이미지를 불러와 (32,32,3)의 크기로 resize한 후 input.txt에 저장함
+>>8. make_img.py 추가
+>이미지를 불러와 (32,32,3)의 크기로 resize한 후 input.txt에 저장함
 
 
->9. simple_convnet_cpp 코드 추가
- 1) layers.hpp : Convolution, ReLu, Normalization, Pooling, DW_Conv등 각 layer가 구현
- 2)  SimpleConvNet.hpp : 딥러닝 모델이 구현
- 3) input.txt : make_img.py코드로 만든 이미지를 (32,32,3)의 크기로 만들어 txt파일로 저장
- 4) pred.txt : 1개의 이미지만 넣으면 예측이 되지않아 dummy를 같이 읽어서 처리함. 출력은 되지않음
- 5) params.txt : 속도향상을 위해 params.pkl파일을 params.txt로 변환
- 6) main.cpp 
- *c++ 컴파일러 버전 11이상
- *프로젝트 생성 시 sdl 검사 체크 해제
+>>9. simple_convnet_cpp 코드 추가
+> 1) layers.hpp : Convolution, ReLu, Normalization, Pooling, DW_Conv등 각 layer가 구현
+> 2)  SimpleConvNet.hpp : 딥러닝 모델이 구현
+> 3) input.txt : make_img.py코드로 만든 이미지를 (32,32,3)의 크기로 만들어 txt파일로 저장
+> 4) pred.txt : 1개의 이미지만 넣으면 예측이 되지않아 dummy를 같이 읽어서 처리함. 출력은 되지않음
+> 5) params.txt : 속도향상을 위해 params.pkl파일을 params.txt로 변환
+> 6) main.cpp 
+>*c++ 컴파일러 버전 11이상
+> *프로젝트 생성 시 sdl 검사 체크 해제
 
 
->10. google_image_crwaling 코드 추가
-필요한 데이터셋을 만들기 위한 google_image_crwaling 코드 추가
+>>10. google_image_crwaling 코드 추가
+>필요한 데이터셋을 만들기 위한 google_image_crwaling 코드 추가
 
 
->11. chrome_crwaling 확장프로그램 추가
-앞서 만든 코드는 1회에 20장의 사진만 다운로드 가능
-데이터셋을 만들기 위해서는 훨씬 더 방대한 양의 데이터가 필요함
-googel chrome의 확장프로그램을 활용한 구글 이미지 검색 결과 크롤링 프로그램 구현
+>>11. chrome_crwaling 확장프로그램 추가
+>앞서 만든 코드는 1회에 20장의 사진만 다운로드 가능
+>데이터셋을 만들기 위해서는 훨씬 더 방대한 양의 데이터가 필요함
+>googel chrome의 확장프로그램을 활용한 구글 이미지 검색 결과 크롤링 프로그램 구현
 
 
->12. simple_convnet_rasberryPi 코드 추가
-라즈베리파이에서 구동되는 코드 추가
-make_img.py에서는 라즈베리파이에 연결된 카메라가 촬영을 하면 그 사진을 32*32*3 사이즈로 resize해준 후 input.txt파일로 변환해줌
-main.cpp에서 convnet 코드 실행
-predict.sh 쉘파일로 전체 실행
+>>12. simple_convnet_rasberryPi 코드 추가
+>라즈베리파이에서 구동되는 코드 추가
+>make_img.py에서는 라즈베리파이에 연결된 카메라가 촬영을 하면 그 사진을 32*32*3 사이즈로 resize해준 후 input.txt파일로 변환해줌
+>main.cpp에서 convnet 코드 실행
+>predict.sh 쉘파일로 전체 실행
 
 
->13. dataset 추가
-image_process.py : cropping을 통해 정사각형 형태를 만들고 32*32 크기로 resize, 사진 반전, 회전을 통해 사진 1개당 8개의 데이터를 생성
-크롤링을 통해 휴지, 소주, 캔음료, 라면, 삼각김밥 각각 500개씩의 이미지를 다운받음
-한 카테고리당 4000개의 데이터를 생성
+>>13. dataset 추가
+>image_process.py : cropping을 통해 정사각형 형태를 만들고 32*32 크기로 resize, 사진 반전, 회전을 통해 사진 1개당 8개의 데이터를 생성
+>크롤링을 통해 휴지, 소주, 캔음료, 라면, 삼각김밥 각각 500개씩의 이미지를 다운받음
+>한 카테고리당 4000개의 데이터를 생성
 
 
->14. data.bin.gz
-직접 만든 데이터셋. 32*32의 이미지를 rgb로 분리하여 이미지 1개당 3072개의 데이터, 1개의 label을 포함하여 3073개의 데이터를 갖음 
+>>14. data.bin.gz
+>직접 만든 데이터셋. 32*32의 이미지를 rgb로 분리하여 이미지 1개당 3072개의 데이터, 1개의 label을 포함하여 3073개의 데이터를 갖음 
 
 
->15. params.pkl 추가
-제작한 데이터셋을 트레이닝하고 나온 가중치를 저장한 params.pkl 파일 추가
+>>15. params.pkl 추가
+>제작한 데이터셋을 트레이닝하고 나온 가중치를 저장한 params.pkl 파일 추가
 
 
->16. simple_convnet_rasberryPi 코드 추가
-인식한 결과에 따라 계산서가 나오도록 코드를 추가
+>>16. simple_convnet_rasberryPi 코드 추가
+>인식한 결과에 따라 계산서가 나오도록 코드를 추가
 
 
->17. 최종 발표 ppt 및 데모 영상 추가
\ No newline at end of file
+>>17. 최종 발표 ppt 및 데모 영상 추가
\ No newline at end of file