Update README.md

README.md

 
-
-# YOLOV5算力测试
+# YOLOV5测试
 
 ## 1.模型介绍
 
@@ -39,27 +38,35 @@ python依赖安装：
 pip3 install -r requirement.txt
 ```
 
-进行训练之前需要对bn进行设置，下面给出示例（function.py的路径根据所用环境进行调整）：
+本地安装PyTorch1.7
 
 ```
-#具体路径根据当前所使用的python环境进行修正
-vim /usr/local/lib/python3.8/site-packages/torch/nn/functional.py
-```
+    # 安装torch
+    pip install /public/software/apps/DeepLearning/whl/dtk-21.04/torch-1.8.0a0+56b43f4-cp37-cp37m-linux_x86_64.whl
+    # 安装torchvision
+    pip install /public/software/apps/DeepLearning/whl/dtk-21.04/torchvision-0.9.0a0-cp37-cp37m-linux_x86_64.whl
 
-如图将torch.backends.cudnn.enabled改为False
+```
+在本地创建一个pytorch_env.sh的文件，添加环境变量:
+```
+vi  ~/pytorch_env.sh
 
-![native bn](native bn.png)
+export
+LD_LIBRARY_PATH=/public/software/apps/DeepLearning/PyTorch_Lib/lib:/public/software/apps/DeepLearning/PyTorch_Lib/lmdb-0.9.24-build/lib:/public/software/apps/DeepLearning/PyTorch_Lib/opencv-2.4.13.6-build/lib:/public/software/apps/DeepLearning/PyTorch_Lib/openblas-0.3.7-build/lib:$LD_LIBRARY_PATH
 
+# 记得以后每次登录新的节点时，一定要执行一次source ~/pytorch_env.sh命令，这关系到服务器能不能找到PyTorch
+source ~/pytorch_env.sh
+```
 ### 预训练模型
 
-预训练模型均在Checkpoints文件夹内
+预训练模型均在models文件夹内
 
 ### 单卡训练
 
 ```
 export HIP_VISIBLE_DEVICES=0
 
-python3 train.py --batch 32 --data coco.yaml --cfg 'yolov5m.yaml' --weights '' --project 'run/train' --hyp 'data/hyps/hyp.scratch-high.yaml' --epochs 1000  2>&1 | tee  yolov5m.log
+python train.py --data data/citrus.yaml --cfg models/yolov5s.yaml  --weights weights/yolov5s.pt --epochs 150 --batch-size 4
 ```
 
 ### 单节点多卡训练
@@ -73,20 +80,23 @@ python3 -m torch.distributed.run --nproc_per_node 4 train.py --batch 128 --data
 
 其中--nproc_per_node参数代表卡的个数，--batch参数代表global batchsize的大小
 
-### 多节点多卡
 
+## 推理测试
 ```
-#下面的例子中使用两个节点，每个节点包含4加速张卡
-#node 1
-python3 -m torch.distributed.launch --nproc_per_node 4 --nnodes 2 --node_rank 0 --master_addr "node1" --master_port 34567 train.py --batch 256 --data coco.yaml --weight '' --project 'multi/train' --hyp 'data/hyps/hyp.scratch-high.yaml' --cfg 'yolov5m.yaml' --epochs 1000  2>&1 | tee  yolov5m_8.log
+python detect.py --source 0  # webcam
+                          file.jpg  # image 
+                          file.mp4  # video
+                          path/  # directory
+                          path/*.jpg  # glob
+                          'https://youtu.be/NUsoVlDFqZg'  # YouTube
+                          'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream
 
-#node2
-python3 -m torch.distributed.launch --nproc_per_node 4 --nnodes 2 --node_rank 1 --master_addr "node1" --master_port 34567 train.py --batch 256 --data coco.yaml --weight '' --project 'multi/train' --hyp 'data/hyps/hyp.scratch-high.yaml' --cfg 'yolov5m.yaml' --epochs 1000  2>&1 | tee  yolov5m_8.log
 ```
-
-**tips：需要注意的是，在超参数的选取上，小模型使用hyp.scratch-low，例如yolov5s，而大模型需要使用hyp.scratch-high，例如yolov5m，它们的区别为，low有更快的收敛速度，而high参数收敛速度慢，但是不容易陷入局部最优。**
-
-## 推理测试
+detect.py 在各种来源上运行 YOLOv5 推论，从最新的 YOLOv5 版本中自动下载模型，并将结果保存到 runs/detect 中。推理源示例如下
+```
+python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/
+Image(filename='runs/detect/exp/zidane.jpg', width=600)
+```
 
 将训练好的pt文件导入weight参数中即可，推理代码如下：
 
@@ -94,39 +104,24 @@ python3 -m torch.distributed.launch --nproc_per_node 4 --nnodes 2 --node_rank 1
 python3 val.py --data data/coco-v5.yaml --weights runs/train/exp12/weights/best.pt --device 0
 ```
 
-## 画出loss和精度曲线
-
-如果在训练一段时间后想要得到类似上述的loss及map曲线，我们提供了view_code.py文件，只需要将您训练过程中--project 指定的路径写入，之后执行python3 view_code.py即可在该路径下得到曲线的图像。
-
-## pycocotools输出结果特别低问题
-
-在训练结束或者推理结束后有时候会发现pycocotools输出的结果异常，数值会非常低，而训练过程中结果正常，如下图所示：
-
-![pycoco错误结果](pycoco_false_result.png)
-
-这是由于python的版本过低导致的问题，除了升级Python版本外，还可以对代码进行修改也可以解决问题，将val.py文件中的如图所示位置，注释掉红框部分的代码也可得到正确的结果。
-
-![pycocotools](pycocotools.png)
-
-
 
 ## 准确率数据
 
-|  模型   | 数据类型 | map0.5:0.95 | map0.5 |
+|  模型   | size（pixels) | map0.5:0.95 | map0.5 |
 | :-----: | :------: | :---------: | :----: |
-| yolov5n |   混精   |    27.9     |  46.8  |
-| yolov5s |   混精   |    37.2     |  57.1  |
-| yolov5m |   混精   |    44.3     |  64.1  |
-| yolov5l |   混精   |     48      |  67.3  |
-| yolov5x |   混精   |    49.6     |  68.6  |
+| yolov5n |   640   |    27.9     |  46.8  |
+| yolov5s |   640   |    37.2     |  57.1  |
+| yolov5m |   640   |    44.3     |  64.1  |
+| yolov5l |   640   |     48      |  67.3  |
+| yolov5x |   640   |    49.6     |  68.6  |
 
 
 
 ## 源码仓库及问题反馈
-https://developer.hpccube.com/codes/modelzoo/yolov5_pytorch
+https://developer.hpccube.com/codes/acqpriwny1/yolov-5-pytorch/
 
 ## 参考
 
-[GitHub - ultralytics/yolov5 at v6.0](https://github.com/ultralytics/yolov5/tree/v6.0)
+[GitHub - ultralytics/yolov5 at v6.1]https://github.com/ultralytics/yolov5/releases/tag/v6.1)