diff --git a/MANUAL_TRAIN.md b/MANUAL_TRAIN.md
index 9a1d7c2..fe2256d 100644
--- a/MANUAL_TRAIN.md
+++ b/MANUAL_TRAIN.md
@@ -1,17 +1,21 @@
 # I. 단일폴더 수동 학습 사용 예시
 
 ## 1. 기본 사용 (자동 계산)
-```bash
+```cmd
 run-train-single --folder ../dataset/training/01_alice
 ```
 
 ##  2. Epochs만 수동 지정
-```bash
+```cmd
 run-train-single --folder ../dataset/training/01_alice --epochs 25
+
+또는
+
+run-train-single --folder ../training/mainchar/01_alic3 --epochs 17 --resume alic3-000009.safetensors  
 ```
  
 ## 3. 세밀한 조정
-```bash
+```cmd
 run-train-single ^
   --folder ../dataset/training/01_alice ^
   --epochs 30 ^
@@ -22,7 +26,7 @@ run-train-single ^
 ```
 
 ## 4. 고해상도 학습
-```bash
+```cmd
 run-train-single ^
   --folder ../dataset/training/01_alice ^
   --resolution 1024,1024 ^
@@ -30,7 +34,7 @@ run-train-single ^
 ```
 
 ## 5. 빠른 테스트
-```bash
+```cmd
 run-train-single ^
   --folder ../dataset/training/01_alice ^
   --epochs 5 ^
@@ -39,7 +43,7 @@ run-train-single ^
 ```
 
 ## 6. 완전 수동 모드
-```bash
+```cmd
 run-train-single ^
   --folder ../dataset/training/01_alice ^
   --no-auto ^
@@ -75,14 +79,14 @@ run-train-single ^
 
 ## 비교
 ### train_batch.py (일괄 자동)
-```bash
+```cmd
 # 여러 폴더 자동 학습
 python train_batch.py
 → 01_alice, 02_bob, 03_background 모두 학습
 ```
 
 ### train_single.py (단일 수동)
-```bash
+```cmd
 # 특정 폴더만 세밀 조정
 run-train-single --folder ../dataset/training/mainchar/01_alice --epochs 30 --lr 0.00015
 → alice만 커스텀 파라미터로 학습
@@ -91,7 +95,7 @@ run-train-single --folder ../dataset/training/mainchar/01_alice --epochs 30 --lr
 ## 워크플로우 추천
 
 ### 초보자
-```bash
+```cmd
 # 1. 먼저 일괄 자동으로 테스트
 python train_batch.py
 
@@ -100,7 +104,7 @@ run-train-single --folder ../dataset/training/mainchar/01_alice --epochs 25
 ```
 
 ### 고급 사용자
-```bash
+```cmd
 # 처음부터 세밀하게 조정
 run-train-single ^
   --folder ../dataset/training/mainchar/01_alice ^
diff --git a/README.md b/README.md
index 60dd1cb..dde98e7 100644
--- a/README.md
+++ b/README.md
@@ -26,6 +26,7 @@ C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\bin으로 복사합니
 ## 학습방법 1: 폴더명 규칙 사용 (자동)
 ./train.sh config.json 0
 
+
 # 방법 2: 강제로 15번 반복
 ./train.sh config.json 0 15
 
diff --git a/TRAINING.md b/TRAINING.md
new file mode 100644
index 0000000..042b245
--- /dev/null
+++ b/TRAINING.md
@@ -0,0 +1,82 @@
+🎨 폴더 명명 예시:
+
+```cmd
+01_alice_woman (3단어와 언더스코어 2개: 클래스 포함)
+- name=alice, class=woman -> --class_tokens=woman 적용.
+
+02_style (2단어와 언더스코어 1개: 클래스 미포함)
+- name=style, class=None -> --class_tokens 미적용.
+```
+
+🎨 클래스 키워드 선정 기준 및 분류 예시
+
+#### 클래스 키워드를 선정할 때는 **"이 대상이 없었을 때, 모델이 원래 무엇을 생성해야 하는가?"**를 생각하면 쉽습니다.
+
+### 1. 인물/캐릭터 학습 시
+
+사람이나 캐릭터를 학습시킬 때는 성별, 연령대, 종족 등 가장 넓은 카테고리를 사용합니다.
+
+| 학습 대상 (ID 토큰) | 클래스 키워드 | 설명 |
+|---------------------|---------------------------|-------|
+| 특정 인물 (alice) | woman 또는 man | 성별을 나타내는 가장 일반적인 단어. |
+| 특정 어린이 (child_A) | child 또는 kid | 연령대를 나타내는 일반적인 단어. |
+| 특정 동물 캐릭터 (pet_dragon) | dragon 또는 monster | 해당 대상의 종족 또는 종류. |
+| 만화체 캐릭터 (manga_hero) | person 또는 character | 스타일이 강한 경우 일반적인 '사람'이나 '캐릭터'로 정의. |
+
+### 2. 스타일/화풍 학습 시
+스타일을 학습시킬 때는 그 스타일이 적용될 가장 일반적인 대상을 클래스로 지정합니다.
+
+| 학습 대상 (ID 토큰) | 클래스 키워드 | 설명 |
+|---------------------|---------------------------|--------|
+| 특정 작가 화풍 (artstyle_A) | style 또는 art | '스타일' 자체를 클래스로 지정하는 것이 일반적입니다. |
+| 특정 조명 효과 (cinema_light) | lighting 또는 effect | 모델이 **'조명'**의 개념을 잃지 않도록 합니다. |
+| 특정 의상 (maid_dress_v2) | clothing 또는 dress | 의류의 일반적인 카테고리. |
+
+### 3. 사물/배경 학습 시
+특정 사물이나 배경을 학습시킬 때는 그 사물의 가장 넓은 범주를 사용합니다.
+
+| 학습 대상 (ID 토큰) | 클래스 키워드 | 설명 |
+|---------------------|---------------------------|--------|
+| 특정 자동차 모델 (car_v1) | car 또는 vehicle | 해당 사물의 일반적인 명칭. |
+| 특정 건물 (my_house) | house 또는 building | 해당 배경의 일반적인 명칭. |
+| 특정 음식 (korean_dish) | food 또는 dish | 해당 카테고리의 일반적인 명칭. |
+
+
+### 🛑 클래스 키워드를 넣는 경우 (정규화의 중요성)
+
+클래스 키워드를 01_alice_woman처럼 넣는다는 것은 다음과 같은 의미가 있습니다.
+
+ID 토큰 정의: alice는 **woman**이다.
+
+정규화 활성화: Kohya_SS에게 **woman**이라는 클래스에 대한 **정규화 이미지(Regularization Images)**를 찾아서 함께 학습하라고 지시합니다.
+
+정규화 이미지가 없다면 클래스 키워드를 넣어도 효과가 없거나 미미합니다. 따라서 클래스 키워드를 정했다면, 해당 키워드(예: woman)로 생성된 수백~수천 장의 이미지를 정규화 폴더 (일반적으로 reg_woman 등)에 넣어 함께 학습해야 가장 좋은 품질을 얻을 수 있습니다.
+
+
+### 🎯 SDXL Base 모델 학습 시 정규화 이미지의 역할
+
+#### SDXL Base 1.0 모델을 기반으로 학습할 때, woman과 같은 일반적인 클래스 이미지(정규화 이미지)를 추가로 넣어줄 필요는 없습니다.
+
+### 1. SDXL의 강점: 이미 "알고 있음"
+- SDXL Base 1.0은 수많은 이미지로 학습된 **대규모 모델(Foundation Model)**입니다.
+- 이미 **woman (여성), car (자동차), house (집)**과 같은 일반적인 개념과 해당 개념의 다양한 형태를 매우 잘 이해하고 표현할 수 있습니다.
+- LoRA 학습의 목표는 SDXL이 이미 알고 있는 **일반적인 지식(클래스 지식)**을 잊어버리지 않게 하면서, **새로운 고유 개념(ID 토큰)**만 추가로 학습시키는 것입니다.
+
+### 2. 정규화 이미지의 필요성
+- 일반 LoRA/Dreambooth 학습: SD 1.5 같은 구형 모델이나 미세 조정되지 않은 모델로 학습할 때는 정규화 이미지가 필수였습니다. 이는 모델이 일반적인 개념을 잊어버리는 **재앙적 망각(Catastrophic Forgetting)**을 방지하기 위함이었습니다.
+- SDXL LoRA 학습: SDXL은 기본적으로 이 지식을 매우 잘 보존합니다. 따라서 **woman**이라는 클래스에 대해 수백, 수천 장의 정규화 이미지를 직접 수집하고 넣어주는 노동은 대부분의 경우 불필요합니다.
+
+### 3. Kohya_SS 설정 (SDXL에 특화된 방식)
+- Kohya_SS를 포함한 최신 학습 툴들은 SDXL 학습 시 정규화 이미지 폴더를 비워두거나, 아예 지정하지 않는 방식을 지원합니다.
+- 이 방식은 SDXL이 이미 방대한 내부 지식을 가지고 있기 때문에, 따로 외부 이미지를 가져와 정규화하지 않아도 충분히 안정적인 결과를 얻을 수 있다는 전제에 기반합니다.
+
+### ⚠️ 예외적인 경우: 정규화가 필요한 경우
+
+- 대부분의 경우 woman에 대한 정규화는 불필요하지만, 매우 특수한 형태의 클래스를 학습시킬 때는 고려해 볼 수 있습니다.
+
+| 경우                  | 예시                        | 설명     |
+|---------------------|---------------------------|--------|
+| 강력한 스타일 학습          | artstyle_A (극도로 만화적인 스타일) | "스타일 자체가 SDXL이 '인간'으로 인식하는 방식을 크게 왜곡할 때, 일반적인 woman 이미지를 정규화하여 모델의 지식을 보호할 수 있습니다." |
+| 특정 자세/배경에 과적합 우려    | 특정 포즈만 있는 pose_v1         |"pose 클래스에 대해 다양한 일반 포즈 이미지를 정규화하여, 모델이 모든 사람의 포즈를 해당 포즈로 고정시키지 않도록 방지합니다." |
+
+#### - 일반적으로 사람이나 평범한 사물을 학습할 때는 클래스 명만 지정(01_alice_woman)하고 정규화 이미지는 넣지 않는 것이 시간과 자원(디스크 공간)을 아끼는 가장 효율적인 방법입니다.
diff --git a/docker-build.cmd b/docker-build.cmd
index 31ce934..de3dfae 100644
--- a/docker-build.cmd
+++ b/docker-build.cmd
@@ -1,3 +1,3 @@
-docker build --no-cache -t aicompanion/sdxl_train_captioner:1.0.2 .
+docker build --no-cache -t aicompanion/sdxl_train_captioner:1.0.3 .
 
-docker tag aicompanion/sdxl_train_captioner:1.0.2 aicompanion/sdxl_train_captioner:latest
\ No newline at end of file
+docker tag aicompanion/sdxl_train_captioner:1.0.3 aicompanion/sdxl_train_captioner:latest
\ No newline at end of file
diff --git a/resume-train.cmd b/resume-train.cmd
index 67a9646..231f203 100644
--- a/resume-train.cmd
+++ b/resume-train.cmd
@@ -1,31 +1 @@
-accelerate launch --num_cpu_threads_per_process 1 --mixed_precision bf16 ^
-  sdxl_train_network.py ^
-  --resume="../output_models" ^
-  --max_train_epochs=20 ^
-  --pretrained_model_name_or_path="../models/sd_xl_base_1.0.safetensors" ^
-  --train_data_dir="../dataset/train/mainchar" ^
-  --output_dir="../output_models" ^
-  --logging_dir="../logs" ^
-  --output_name="karina" ^
-  --network_module=networks.lora ^
-  --network_dim=32 ^
-  --network_alpha=16 ^
-  --learning_rate=1e-4 ^
-  --optimizer_type="AdamW8bit" ^
-  --lr_scheduler="cosine" ^
-  --lr_warmup_steps=100 ^
-  --save_every_n_epochs=1 ^
-  --mixed_precision="bf16" ^
-  --save_precision="bf16" ^
-  --cache_latents ^
-  --cache_latents_to_disk ^
-  --gradient_checkpointing ^
-  --xformers ^
-  --seed=42 ^
-  --bucket_no_upscale ^
-  --min_bucket_reso=512 ^
-  --max_bucket_reso=2048 ^
-  --bucket_reso_steps=64 ^
-  --resolution="1024,1024" ^
-  --network_train_unet_only ^
-  --cache_text_encoder_outputs
\ No newline at end of file
+run-train-single --resume ../output_models/alic3-000009.safetensors --epochs 17 --folder ../training/mainchar/01_alic3
\ No newline at end of file
diff --git a/run-train-single.ps1 b/run-train-single.ps1
deleted file mode 100644
index 60a20e7..0000000
--- a/run-train-single.ps1
+++ /dev/null
@@ -1,55 +0,0 @@
-# ===================================
-# SDXL LoRA 단일 학습 (PowerShell → Docker)
-# ===================================
-
-param(
-    [Parameter(ValueFromRemainingArguments=$true)]
-    [string[]]$Arguments
-)
-
-if ($Arguments.Count -eq 0) {
-    Write-Host "Usage: run-train-single.ps1 --folder FOLDER [OPTIONS]" -ForegroundColor Yellow
-    Write-Host ""
-    Write-Host "Examples:" -ForegroundColor Cyan
-    Write-Host "  .\run-train-single.ps1 --folder ../dataset/training/01_alice"
-    Write-Host "  .\run-train-single.ps1 --folder ../dataset/training/01_alice --epochs 25"
-    Write-Host "  .\run-train-single.ps1 --folder ../dataset/training/01_alice --lr 0.0002 --dim 64"
-    exit 1
-}
-
-# 타임스탬프
-$timestamp = Get-Date -Format "yyyyMMdd_HHmmss"
-
-# Arguments를 문자열로 결합
-$argsString = $Arguments -join ' '
-
-# 작은따옴표 이스케이프
-$argsString = $argsString -replace "'", "'\\''"
-
-Write-Host "===================================" -ForegroundColor Green
-Write-Host "Starting SDXL LoRA Training" -ForegroundColor Green
-Write-Host "===================================" -ForegroundColor Green
-Write-Host "Arguments: $argsString" -ForegroundColor Cyan
-Write-Host "Log file: train_$timestamp.log" -ForegroundColor Cyan
-Write-Host "===================================" -ForegroundColor Green
-Write-Host ""
-
-# Docker 명령어
-$dockerCmd = "cd /app/sdxl_train_captioner/sd-scripts && python run-train-single.py $argsString 2>&1 | tee /app/sdxl_train_captioner/logs/train_$timestamp.log"
-
-# 실행
-docker exec -it sdxl_train_captioner bash -c $dockerCmd
-
-if ($LASTEXITCODE -eq 0) {
-    Write-Host ""
-    Write-Host "===================================" -ForegroundColor Green
-    Write-Host "Training completed successfully!" -ForegroundColor Green
-    Write-Host "===================================" -ForegroundColor Green
-} else {
-    Write-Host ""
-    Write-Host "===================================" -ForegroundColor Red
-    Write-Host "Training failed with error code: $LASTEXITCODE" -ForegroundColor Red
-    Write-Host "===================================" -ForegroundColor Red
-}
-
-pause
\ No newline at end of file
diff --git a/sd-scripts b/sd-scripts
index 22f559d..8cf42e0 160000
--- a/sd-scripts
+++ b/sd-scripts
@@ -1 +1 @@
-Subproject commit 22f559dbe24db93979ce508a5033a8272989a80d
+Subproject commit 8cf42e0e2fbd1ff5dc55aa0a7e63acb5f98e89de