(update) README.md

@@ -2,6 +2,7 @@
 
 ## Table of Contents
   - [프로젝트 소개](#프로젝트-소개)
+  - [시스템 구조](#시스템-구조)
   - [디렉토리 구조](#디렉토리-구조)
   - [실행 방법](#실행-방법)
   - [참조](#참조)
@@ -16,10 +17,25 @@
 
 <br>
 
-**딥러닝을 이용하여 저렴하고 데이터 처리가 용이한 카메라를 통한 영상인식 기술을 활용해 차간 거리를 일정하게 유지하며 주행하는**  
+**딥러닝을 기반으로 단안 카메라의 영상을 활용해 차간 거리를 일정하게 유지하며 주행하는**  
 **Adaptive Cruise Control 기능을 제공한다.**
 <br><br>
 
+## 시스템 구조
+
+### 거리유지 시스템 구조
+![image](/uploads/10564939ae66017569ad7e7e70d9c815/image.png)
+<br>
+
+### 겍체 인식 및 거리측정 시스템 구조
+![image](/uploads/6e70810da0113cb50664938bc93f09ce/image.png)
+<br>
+
+### 거리측정 알고리즘
+![image](/uploads/1ea9036613c135a7edfd81eb1afece70/image.png)<br>
+- 카메라의 해상도에 따라 1m에서 기준이 되는 bound box의 width와 height의 크기가 달라진다
+<br><br>
+
 ## 디렉토리 구조
 ```shell
 HEN_Project2
@@ -60,36 +76,41 @@ HEN_Project2
 <br>
 
 ### YOLO 구성 및 구동 방법
-1. car_data 폴더 : yolov5 모델 학습에 사용된 커스텀 이미지파일 포함
-(label파일도 포함되어 있음)
+**1.** custom_dataset 폴더 : yolov5 모델 학습에 사용된 커스텀 이미지파일 포함
+(label파일도 포함되어 있음)<br>
+-> 직접 제작 해야 함
+<br><br>
 
-2. yolov5 : yolov5 모델의 전체 구성파일이 포함
-- 주요파일 
-	1) best.pt : 커스텀 이미지로 학습된 yolov5모델
- 	2) detect.py : 객체인식을 구동시키기 위한 파이썬 파일
-	3) /data/car_data.yaml : 학습할 이미지파일들의 정보가 포함된 파일
-	4) /models/yolov5s.yaml : 학습할 데이터셋의 뼈대
+**2.** yolov5 : yolov5 모델의 전체 구성파일이 포함<br>
+  - 주요파일<br>
+	**1)** best.pt : 커스텀 이미지로 학습된 yolov5모델<br>
+ 	**2)** detect.py : 객체인식을 구동시키기 위한 파이썬 파일<br>
+	**3)** /data/car_data.yaml : 학습할 이미지파일들의 정보가 포함된 파일<br>
+	**4)** /models/yolov5s.yaml : 학습할 데이터셋의 뼈대<br>
+    **5)** yolov5s.pt : Pre-Trained 모델<br><br>
 
-- train을 위한 명령어
+**3.** train을 위한 명령어<br>
 (yolov5 폴더에서) 다음 명령어 실행  
-`python3 train.py --img 128 --batch 3 --epochs 50 --data car_data.yaml --cfg ./models/yolov5s.yaml --weights yolov5s.pt --name custom3_car_yolov5s`
-- 파라미터 설명
-	1) img : 학습할 img size
-	2) batch : 한번에 처리되는 이미지 개수
-	3) epochs : 학습 반복 횟수
-	4) data : custom yaml 파일
-	5) cfg : 뼈대 yaml 파일
-	6) weights : 기초 가중치 파일
-	7) name : 학습한 가중치 파일과 관련 내용들이 들어갈 폴더명 (runs/train/에 생성된다)
-
-- 객체인식을 위한 명령어
-(yolov5 폴더에서) 다음 명령어 실행  
-`python3 detect.py --weights best.pt --img 128 --conf 0.4 --source 0`
-- 파라미터 설명
-	1) weights : 학습된 가중치 파일
-	2) img : 인식할 이미지 크기
-	3) conf : 인식할 객체의 최저 인식률
-	4) source : 인식할 이미지 및 영상 파일 *(라즈베리파이에서 웹캠을 source로 하고 싶다면 '0'을 넣으면 된다)*
+`python3 train.py --img 128 --batch 3 --epochs 50 --data car_data.yaml --cfg ./models/yolov5s.yaml --weights yolov5s.pt --name custom3_car_yolov5s`<br>
+  - 파라미터 설명<br>
+	**1)** img : 학습할 img size<br>
+	**2)** batch : 한번에 처리되는 이미지 개수<br>
+	**3)** epochs : 학습 반복 횟수<br>
+	**4)** data : custom yaml 파일<br>
+	**5)** cfg : 뼈대 yaml 파일<br>
+	**6)** weights : Pre-Trained 모델 파일 경로 (pt 형식 파일)<br>
+    아무런 값을 적지 않으면 ('') 랜덤한 weight 값으로 초기화 및 학습 진행 (깃헙 공식 오피셜, pre-train을 추천)<br>
+    pre-trained 파일이란? : 학습 파라미터(weight와 bias)가 잘 초기화된 파일<br>
+	**7)** name : 학습한 가중치 파일과 관련 내용들이 들어갈 폴더명 (runs/train/에 생성된다)<br><br>
+
+**4.** 객체인식을 위한 명령어<br>
+(yolov5 폴더에서) 다음 명령어 실행<br>
+`python3 detect.py --weights best.pt --img 128 --conf 0.4 --source 0`<br>
+  - 파라미터 설명<br>
+	**1)** weights : 학습된 가중치 파일<br>
+	**2)** img : 인식할 이미지 크기<br>
+	**3)** conf : 인식할 객체의 최저 인식률<br>
+	**4)** source : 인식할 이미지 및 영상 파일 *(라즈베리파이에서 웹캠을 source로 하고 싶다면 '0'을 넣으면 된다)*
 <br><br>
 
 ## 참조
@@ -104,6 +125,8 @@ HEN_Project2
 - https://github.com/yeongin1230/Self-driving-project/tree/main/Cart
 
 - https://github.com/yeongin1230/Robot-arm
+
+- https://ropiens.tistory.com/44
 <br><br>
 
 ## 팀원