# ShieldGemma 2

## 개요

ShieldGemma 2 모델은 Google의 [기술 보고서](https://huggingface.co/papers/2504.01081)에 제안되었습니다. [Gemma 3](https://ai.google.dev/gemma/docs/core/model_card_3)를 기반으로 구축된 ShieldGemma 2는 40억(4B) 파라미터 모델로, 합성 이미지와 자연 이미지의 안전성을 주요 범주에 대해 검사하여 견고한 데이터셋과 모델을 구축하는 데 도움을 줍니다. Gemma 모델 계열에 이 모델이 추가됨에 따라, 연구자와 개발자는 아래에서 정의된 주요 유해 영역 전반에 걸쳐 모델 내 유해 콘텐츠의 위험을 쉽게 최소화할 수 있습니다:

- 성적으로 노골적인 콘텐츠 없음: 이미지는 노골적이거나 생생한 성행위를 묘사하는 콘텐츠(예: 포르노, 에로틱한 나체, 강간 또는 성폭행 묘사)를 포함해서는 안 됩니다.
- 위험한 콘텐츠 없음: 이미지는 현실 세계에서 해를 끼칠 수 있는 활동을 촉진하거나 장려하는 내용을 포함해서는 안 됩니다(예: 화기 및 폭발물 제조, 테러리즘 선전, 자살 방법 안내).
- 폭력/피해 묘사 금지: 이미지는 충격적, 선정적, 또는 과도한 폭력(예: 과도한 피와 내장 노출, 동물에 대한 불필요한 폭력, 극단적인 부상 또는 사망 장면)을 묘사하는 내용을 포함해서는 안 됩니다.

시각 언어 모델의 입력 필터 또는 이미지 생성 시스템의 출력 필터로 ShieldGemma 2 사용을 권장합니다. 견고한 이미지 안전성 모델을 학습하기 위해 자연 이미지와 합성 이미지로 구성된 학습 데이터셋을 선별하고, Gemma 3을 지시 튜닝하여 뛰어난 성능을 입증했습니다.

이 모델은 [Ryan Mullins](https://huggingface.co/RyanMullins)님이 기여했습니다.

## 사용 예시

- ShieldGemma 2는 `images` 목록과 선택적인 `policies` 목록을 입력으로 받아, 제공된 chat template을 사용하여 이 두 목록의 곱으로 프롬프트 배치(batch)를 구성하는 Processor를 제공합니다.
- Processor의 `custom_policies` 인수를 사용하여 ShieldGemma의 내장 정책을 확장할 수 있습니다. 내장 정책 중 하나와 동일한 키를 사용하면 해당 정책이 사용자 정의 내용으로 덮어쓰기됩니다.
- ShieldGemma 2는 Gemma 3에서 사용되는 이미지 크롭 기능을 지원하지 않습니다.

### 내장 정책과의 분류

```python
import requests
from PIL import Image

from transformers import AutoProcessor, ShieldGemma2ForImageClassification

model_id = "google/shieldgemma-2-4b-it"
model = ShieldGemma2ForImageClassification.from_pretrained(model_id, device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(images=[image], return_tensors="pt").to(model.device)

output = model(**inputs)
print(output.probabilities)
```

### 커스텀 정책 대비 분류

```python
import requests
from PIL import Image

from transformers import AutoProcessor, ShieldGemma2ForImageClassification

model_id = "google/shieldgemma-2-4b-it"
model = ShieldGemma2ForImageClassification.from_pretrained(model_id, device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"
image = Image.open(requests.get(url, stream=True).raw)

custom_policies = {
    "key_a": "description_a",
    "key_b": "description_b",
}

inputs = processor(
    images=[image],
    custom_policies=custom_policies,
    policies=["dangerous", "key_a", "key_b"],
    return_tensors="pt",
).to(model.device)

output = model(**inputs)
print(output.probabilities)
```

## ShieldGemma2Processor[[transformers.ShieldGemma2Processor]]

#### transformers.ShieldGemma2Processor[[transformers.ShieldGemma2Processor]]

```python
transformers.ShieldGemma2Processor(image_processor, tokenizer, chat_template = None, image_seq_length = 256, policy_definitions = None, **kwargs)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/shieldgemma2/processing_shieldgemma2.py#L70)

**매개변수:**

image_processor (`Gemma3ImageProcessor`) : 이미지 프로세서가 필수 입력입니다.

tokenizer (`GemmaTokenizer`) : 토크나이저는 필수 입력입니다.

chat_template (`str`) : 채팅의 메시지 목록을 토큰화 가능한 문자열로 변환하는 Jinja 템플릿입니다.

image_seq_length (``, defaults to `256`) : The number of image tokens to be used for each image in the input. Added for backward compatibility but this should be set as a processor attribute in future models.

policy_definitions (`Mapping[str, str]`, *선택*) : 이미지 분류에 기본적으로 사용되는 정책 이름에서 해당 정책의 텍스트 설명으로의 매핑입니다. 이 프로세서가 생성하는 프롬프트의 텍스트에는 정책 설명이 포함됩니다. 일반적으로 Hugging Face Hub의 프로세서 구성에는 ShieldGemma가 학습된 기본 정책이 포함되어 있어 이 값은 설정되지 않는 경우가 많습니다.

이미지 프로세서와 토크나이저를 단일 프로세서로 래핑하는 ShieldGemma2Processor를 생성합니다.

[ShieldGemma2Processor](/docs/transformers/v5.23.0/ko/model_doc/shieldgemma2#transformers.ShieldGemma2Processor)는 [Gemma3ImageProcessor](/docs/transformers/v5.23.0/ko/model_doc/gemma3#transformers.Gemma3ImageProcessor)와 [GemmaTokenizer](/docs/transformers/v5.23.0/ko/model_doc/gemma#transformers.GemmaTokenizer)의 모든 기능을 제공합니다. 자세한 내용은 [~Gemma3ImageProcessor](/docs/transformers/v5.23.0/ko/model_doc/gemma3#transformers.Gemma3ImageProcessor)와 [~GemmaTokenizer](/docs/transformers/v5.23.0/ko/model_doc/gemma#transformers.GemmaTokenizer)를 참고하세요.

#### __call__[[transformers.ShieldGemma2Processor.__call__]]

```python
__call__(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = None, text = None, **kwargs: *<class 'transformers.models.shieldgemma2.processing_shieldgemma2.ShieldGemma2ProcessorKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/shieldgemma2/processing_shieldgemma2.py#L109)

**매개변수:**

images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`, *선택*) : 전처리할 이미지. 픽셀 값이 0에서 255 범위로 이루어진 단일 이미지 또는 배치 이미지를 기대합니다. 픽셀 값이 0에서 1 범위로 이루어진 이미지를 전달하는 경우 `do_rescale=False`로 설정하세요.

text (``) : The sequence or batch of sequences to be encoded. Each sequence can be a string or a list of strings (pretokenized string). If you pass a pretokenized input, set `is_split_into_words=True`를 설정하여 배치 입력과의 혼동을 피하세요.

return_mm_token_type_ids (`bool`, *kwargs*) : 멀티모달 플레이스홀더 토큰의 위치를 나타내는 멀티모달 토큰 타입 ID를 반환할지 여부.

return_text_replacement_offsets (`bool`, *kwargs*) : 각 멀티모달 플레이스홀더 및 그 대체 문자열의 문자 오프셋을 반환할지 여부.

policies (`list[str]`, *kwargs*, *선택*) : 제공된 이미지와 관련하여 특정 관심 대상인 `self.policy_definitions | custom_policies` 딕셔너리의 키입니다. `None`인 경우, 결합된 딕셔너너의 모든 키에 대해 프롬프트가 생성됩니다.

custom_policies (`dict[str, *kwargs*, str]`, *선택*) : 생성자에 전달된 `self.policy_definitions`를 보완하는 추가 정책 정의입니다. `self.policy_definitions`와 키를 공유하는 `custom_policies`는 정책 설명을 덮어씁니다.

return_tensors (`str` 또는 [TensorType](/docs/transformers/v5.23.0/ko/internal/file_utils#transformers.TensorType), *optional*) : 설정된 경우, 특정 프레임워크의 텐서를 반환합니다. 허용되는 값은 다음과 같습니다:  - `'pt'`: PyTorch `torch.Tensor` 객체를 반환합니다. - `'np'`: NumPy `np.ndarray` 객체를 반환합니다.

- ****kwargs** ([ProcessingKwargs](/docs/transformers/v5.23.0/ko/main_classes/processors#transformers.ProcessingKwargs), *optional*) : 각 모달리티(텍스트, 이미지, 비디오, 오디오)에 대한 추가 처리 옵션입니다. 모델별 매개변수는 위에 나열되어 있으며, 지원되는 인수의 전체 목록은 TypedDict 클래스를 참조하세요.

**반환값:**

각 Tensor의 shape가 `(len(images) * len(policies), )`인 `input_ids`, `pixel_values` 등을 포함하는 `BatchFeature`입니다. 배치 내 순서는 img1_policy1, ... img1_policyN, ... imgM_policyN입니다.

제공된 이미지에서 입력 배치(batch)를 생성합니다.

ShieldGemma는 특정 프롬프트 구성을 사용하여 정책 준수 여부를 판단하기 위해 이미지 콘텐츠를 분류하도록 학습되었습니다. 이 프로세서는 제공된 이미지에서 다음과 같은 방식으로 이러한 프롬프트의 배치(batch)를 생성합니다:

1. 각 `<image, policy>` 쌍에 하나씩, 대화 목록을 생성합니다;
2. `self.apply_chat_template()`를 사용하여 이러한 대화를 텍스트로 변환하고
3. `Gemma3Processor`와 동일한 기법을 사용하여 대화와 이미지를 인코딩합니다.

## ShieldGemma2Config[[transformers.ShieldGemma2Config]]

#### transformers.ShieldGemma2Config[[transformers.ShieldGemma2Config]]

```python
transformers.ShieldGemma2Config(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, mm_tokens_per_image: int = 256, boi_token_index: int = 255999, eoi_token_index: int = 256000, image_token_index: int = 262144, initializer_range: float = 0.02, tie_word_embeddings: bool = False)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/shieldgemma2/configuration_shieldgemma2.py#L26)

**매개변수:**

text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *선택*) : 텍스트 백본의 config 객체 또는 사전입니다.

vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *선택*) : 비전 백본의 config 객체 또는 사전 정의된 config 딕셔너리입니다.

mm_tokens_per_image (`int`, *선택 사항*, 기본값 256) : 이미지 임베딩당 토큰 수입니다.

boi_token_index (`int`, *선택 사항*, 기본값 255999) : 이미지 프롬프트를 감싸는 이미지 시작 토큰 인덱스입니다.

eoi_token_index (`int`, *선택 사항*, 기본값 256000) : 이미지 프롬프트를 감싸는 이미지 종료 토큰 인덱스입니다.

image_token_index (`int`, *선택 사항*, 기본값 `262144`) : 입력 이미지의 자리표시자로 사용되는 이미지 토큰 인덱스입니다.

initializer_range (`float`, *선택 사항*, 기본값 `0.02`) : 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다.

tie_word_embeddings (`bool`, *선택 사항*) : 워드 임베딩을 묶을지 여부입니다. 설정되지 않은 경우 `text_config.tie_word_embeddings`의 값이 기본값으로 사용됩니다.

이것은 Shieldgemma2Model의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Shieldgemma2 모델을 인스턴스화하고 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 [google/shieldgemma-2-4b-it](https://huggingface.co/google/shieldgemma-2-4b-it)의 구성과 유사한 구성이 생성됩니다.

Configuration 객체는 [PreTrainedConfig](/docs/transformers/v5.23.0/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/v5.23.0/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요.

예:

```python
>>> from transformers import ShieldGemma2ForConditionalGeneration, ShieldGemma2Config, SiglipVisionConfig, ShieldGemma2TextConfig

>>> # Initializing a Siglip-like vision config
>>> vision_config = SiglipVisionConfig()

>>> # Initializing a ShieldGemma2 Text config
>>> text_config = ShieldGemma2TextConfig()

>>> # Initializing a ShieldGemma2 gemma-3-4b style configuration
>>> configuration = ShieldGemma2Config(vision_config, text_config)

>>> # Initializing a model from the gemma-3-4b style configuration
>>> model = ShieldGemma2TextConfig(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## ShieldGemma2ForImageClassification[[transformers.ShieldGemma2ForImageClassification]]

#### transformers.ShieldGemma2ForImageClassification[[transformers.ShieldGemma2ForImageClassification]]

```python
transformers.ShieldGemma2ForImageClassification(config: ShieldGemma2Config)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/shieldgemma2/modeling_shieldgemma2.py#L44)

**매개변수:**

config ([ShieldGemma2Config](/docs/transformers/v5.23.0/ko/model_doc/shieldgemma2#transformers.ShieldGemma2Config)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

ImageNet과 같은 작업에 사용할 수 있도록 이미지 분류 헤드가 위에 있는 Shieldgemma2 모델.

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### forward[[transformers.ShieldGemma2ForImageClassification.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, token_type_ids: typing.Optional[torch.LongTensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/shieldgemma2/modeling_shieldgemma2.py#L72)

**매개변수:**

input_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 어휘(input sequence tokens)의 인덱스입니다. 기본적으로 패딩은 무시됩니다. [AutoTokenizer](/docs/transformers/v5.23.0/ko/model_doc/auto#transformers.AutoTokenizer)를 사용하여 인덱스를 얻을 수 있습니다. 자세한 내용은 [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 및 [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)를 참조하세요. [입력 ID란 무엇인가요?](../glossary#input-ids)

pixel_values (`torch.Tensor`, shape `(batch_size, num_channels, image_size, image_size)`, *선택 사항*) : 입력 이미지에 해당하는 텐서입니다. 픽셀 값은 `image_processor_class`를 사용하여 얻을 수 있습니다. 자세한 내용은 `image_processor_class.__call__`를 참조하세요 (`processor_class`는 이미지 처리에 `image_processor_class`를 사용합니다).

attention_mask (`torch.Tensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 패딩 토큰 인덱스에 대한 attention을 수행하지 않도록 방지하는 마스크입니다. `[0, 1]`에서 선택된 마스크 값: - **마스크되지 않은** 토큰은 1, - **마스크된** 토큰은 0. [attention 마스크란?](../glossary#attention-mask)

position_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 각 입력 시퀀스의 토큰 위치 인덱스입니다. `[0, config.n_positions - 1]` 범위에서 선택됩니다. [위치 ID란 무엇인가요?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *선택*) : 순차적 디코딩을 가속화할 수 있는 사전 계산된 hidden-states(셀프 어텐션 블록과 크로스 어텐션 블록의 key 및 value)입니다. 일반적으로 `use_cache=True` 또는 `config.use_cache=True`일 때 모델이 디코딩의 이전 단계에서 반환한 `past_key_values`로 구성됩니다. 입력으로 [Cache](/docs/transformers/v5.23.0/ko/internal/generation_utils#transformers.Cache) 인스턴스만 허용되며, [kv cache 가이드](https://huggingface.co/docs/transformers/en/kv_cache)를 참조하세요. `past_key_values`가 전달되지 않으면 기본적으로 [DynamicCache](/docs/transformers/v5.23.0/ko/internal/generation_utils#transformers.DynamicCache)가 초기화됩니다. 모델은 입력으로 제공된 것과 동일한 캐시 형식을 출력합니다. `past_key_values`를 사용하는 경우, 이 모델에 과거 key value 상태가 제공되지 않은 `input_ids`(처리되지 않은 항목)만 `(batch_size, unprocessed_length)` 형식으로 입력해야 하며, `(batch_size, sequence_length)` 형식의 모든 `input_ids`를 입력하지 않습니다.

token_type_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 입력의 첫 번째 및 두 번째 부분을 나타내는 세그먼트 토큰 인덱스입니다. 인덱스는 `[0, 1]`에서 선택됩니다:  - 0은 *sentence A* 토큰에 해당하고, - 1은 *sentence B* 토큰에 해당합니다.  [토큰 타입 ID란 무엇인가요?](../glossary#token-type-ids)

inputs_embeds (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`, *선택 사항*) : `input_ids`를 전달하는 대신 임베디드 표현을 직접 전달할 수 있습니다. 이는 모델의 내부 임베딩 조회 행렬보다 `input_ids` 인덱스를 관련 벡터로 변환하는 방식에 대해 더 많은 제어가 필요한 경우 유용합니다.

labels (`torch.LongTensor`, shape `(batch_size,)`, *선택 사항*) : 이미지 분류/회귀 손실을 계산하는 데 사용되는 라벨. 인덱스는 `[0, ..., config.num_labels - 1]` 범위에 있어야 합니다. `config.num_labels == 1`인 경우 회귀 손실(평균 제곱 손실)이 계산되고, `config.num_labels > 1`인 경우 분류 손실(크로스 엔트로피)이 계산됩니다.

use_cache (`bool`, *선택 사항*) : `True`로 설정하면 `past_key_values` 키 값 상태가 반환되며, 디코딩 속도를 높이는 데 사용할 수 있습니다(`past_key_values` 참조).

output_attentions (`bool`, *선택 사항*) : 모든 어텐션 레이어의 어텐션 텐서를 반환할지 여부. 자세한 내용은 반환 텐서 섹션의 `attentions`를 참조하세요.

output_hidden_states (`bool`, *선택 사항*) : 모든 레이어의 hidden states를 반환할지 여부. 자세한 내용은 반환되는 텐서 중 `hidden_states` 항목을 참조하세요.

return_dict (`bool`, *선택 사항*) : 일반 튜플 대신 [ModelOutput](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.utils.ModelOutput)를 반환할지 여부.

logits_to_keep (`Union[int, torch.Tensor]`, *선택 사항*, 기본값 `0`) : `int`인 경우, 마지막 `logits_to_keep` 토큰에 대한 logits를 계산합니다. `0`인 경우, 모든 `input_ids`에 대한 logits를 계산합니다(특수한 경우). 생성에는 마지막 토큰의 logits만 필요하며, 해당 토큰에 대해서만 계산하면 메모리를 절약할 수 있습니다. 이는 긴 시퀀스나 큰 어휘 크기의 경우 상당한 이점을 제공합니다. `torch.Tensor`인 경우, 시퀀스 길이 차원에서 유지할 인덱스에 해당하는 1차원 텐서여야 합니다. 이는 packed tensor 형식(배치와 시퀀스 길이를 단일 차원으로 사용하는 경우)을 사용할 때 유용합니다.

**반환값:**

해당 프롬프트에 대한 응답으로 `Yes` 또는 `No` 토큰을 예측하는 모델과 관련된 logits 및 확률을 포함하는 `ShieldGemma2ImageClassifierOutputWithNoAttention` 인스턴스입니다. 다음 속성에 캡처됩니다.

*   `logits` (`torch.Tensor`, shape `(batch_size, 2)`): dim=1의 첫 번째 위치는 `Yes` 토큰의 logits이고, 두 번째 위치는 `No` 토큰의 logits입니다.
*   `probabilities` (`torch.Tensor`, shape `(batch_size, 2)`): dim=1의 첫 번째 위치는 `Yes` 토큰을 예측할 확률이고, dim=1의 두 번째 위치는 `No` 토큰을 예측할 확률입니다.

ShieldGemma 프롬프트는 `Yes` 토큰을 예측하는 것이 설명된 정책을 *위반*한다는 것을 의미하도록 구성됩니다. 위반 조건만 관심 있다면 `violated = outputs.probabilities[:, 1]`을 사용하여 출력 텐서에서 해당 슬라이스를 추출하세요.

`ShieldGemma2Processor`와 함께 사용할 경우 `batch_size`는 `len(images) * len(policies)`와 같으며, 배치 내 순서는 img1_policy1, ... img1_policyN, ... imgM_policyN입니다.

[ShieldGemma2ForImageClassification](/docs/transformers/v5.23.0/ko/model_doc/shieldgemma2#transformers.ShieldGemma2ForImageClassification)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

