Update README.md

@@ -6,9 +6,83 @@
 <br><br>
 
 ## 프로젝트 소개
-  * 딥러닝을 이용하여 저렴하고 데이터 처리가 용이한 카메라를 통한 영상인식 기술을 활용해 차간 거리를 일정하게 유지하며 주행하는 Adaptive Cruise Control기능을 구현한다.
+  ![1](/uploads/2f442cc7eea9bd0f4eada9af25a1661c/1.gif)
+  ![2](/uploads/fe4fb3dafda1db03d437de45260a15af/2.gif)
+  
+  * 딥러닝을 이용하여 저렴하고 데이터 처리가 용이한 카메라를 통한 영상인식 기술을 활용해 차간 거리를 일정하게 유지하며 주행하는 Adaptive Cruise Control 기능을 제공한다.
 <br><br>
 
+## 디렉토리 구조
+```shell
+HEN_Project2
+├── dataset
+│   ├── ver_1
+│   ├── ver_2
+│   └── ver_3
+│
+├── docs
+│   ├── 기초보고서
+│   ├── 면담보고서
+│   ├── 중간보고서
+│   └── 최종보고서
+│
+└── src
+    ├── cart
+    │   ├── main_arm.c
+    │   └── main_cart.c
+    │
+    ├── weights
+    │   ├── cart_model_v1.pt
+    │   ├── cart_model_v2.pt
+    │   ├── cart_model_v3.pt
+    │   ├── cart_model_v4.pt
+    │   └── cart_model_v5.pt
+    │
+    └── detect.py
+```
+
+## 실행 방법
+
+### YOLO 설치
+
+라즈베리파이에서 `git clone https://github.com/ultralytics/yolov5` 후
+안내에 따라 필요한 모듈 설치
+
+### YOLO 구성 및 구동 방법
+1. car_data 폴더 : yolov5 모델 학습에 사용된 커스텀 이미지파일 포함
+(label파일도 포함되어 있음)
+
+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
+
+- train을 위한 명령어
+(yolov5 폴더에서) 다음 명령어 실행  
+`python3 train.py --img 64 --batch 3 --epochs 30 --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)*
+
+## Reference
+
+
 ## 팀원
 - 권동영 (2016110307)
 - 신동해 (2018110651)