# Person Attribute Recognition

COCO80 기반 **YOLO26m** 객체 탐지 결과를 받아, 탐지된 **Person** 영역의 상세 속성을 분석하는 ClearML Agent입니다.

## 개요

1. YOLO26m이 COCO80 클래스로 이미지를 분석하고 Person의 바운딩 박스(`xywh`)를 전달합니다.
2. 해당 영역을 크롭한 뒤 보행자 속성 인식 모델로 상세 속성을 추론합니다.
3. 결과를 ClearML 아티팩트로 업로드합니다.

## 프로젝트 구조

| 파일 | 역할 |
|------|------|
| `main.py` | ClearML Task 초기화 및 아티팩트 업로드 (Agent 진입점) |
| `start.py` | 이미지 로드, 크롭, 모델 추론 로직 |
| `inference.py` | 단일 이미지 로컬 추론 스크립트 |
| `train.py` / `test.py` | 모델 학습 및 평가 |

## 입력

| 인자 | 필수 | 형식 | 설명 |
|------|------|------|------|
| `--image_url` | O | URL 또는 파일 경로 | 분석 대상 이미지 |
| `--xywh` | O | `x,y,w,h` (정수, 쉼표 구분) | YOLO26m이 탐지한 Person 바운딩 박스 |

## 출력

| 대상 | 내용 |
|------|------|
| 콘솔 | 속성명·값 목록 (예: `gender: female`, `age: teenager`) |
| ClearML | `final_result` 아티팩트 — `{"output": {...}, "status": "PASS"}` |

`output`은 속성명을 키, 속성값을 값으로 하는 딕셔너리입니다.

```json
{
  "output": {
    "gender": "female",
    "age": "teenager"
  },
  "status": "PASS"
}
```

## 실행

### ClearML Agent (권장)

```bash
uv run python main.py \
  --image_url "https://example.com/image.jpg" \
  --xywh "404,290,74,193"
```

### 로컬 테스트 (ClearML 없이)

```bash
uv run python start.py \
  --image_url "https://example.com/image.jpg" \
  --xywh "404,290,74,193"
```

## 요구 사항

- Python 3.11+
- PyTorch, torchvision, ClearML, requests
- 사전 학습 체크포인트: `checkpoints/market/resnet50_nfc/net_last.pth`
- 속성 라벨 정의: `doc/label.json`, `doc/attribute.json`

### 설치

```bash
uv sync
```

또는

```bash
pip install -r requirements.txt
```

## ClearML

| 항목 | 값 |
|------|-----|
| Project | `Person_Attribute_Recognition` |
| Task | `model-yolo-person-classify` |
| Artifact | `final_result` |

## 모델

| 단계 | 모델 | 비고 |
|------|------|------|
| 탐지 | YOLO26m (COCO80) | 상위 파이프라인에서 수행 |
| 속성 인식 | ResNet50 + NFC | Market-1501 Attribute (기본값) |

`start.py`의 `run()` 함수에서 `dataset`, `backbone`, `use_id` 파라미터로 모델 설정을 변경할 수 있습니다.