Update README.md

README.md

-# YOLOV5_PyTorch
+# YOLOV5_PyTorch口罩检测
 
 ## 1.模型介绍
 
@@ -16,10 +16,6 @@ YOLOv5是一种基于深度学习的目标检测算法，它的模型结构主
 更具体地说，YOLOv5的backbone采用CSPDarknet53网络结构，其中CSP表示Cross Stage Partial Network，它可以有效地减少参数量和计算量。neck采用FPN+PAN的结构，其中FPN表示Feature Pyramid Network，PAN表示Path Aggregation Network，它们可以将不同层次的特征进行融合。head采用YOLOv3中的anchor-based检测头，并在此基础上加入了SPP结构和SAM结构，以提高检测精度。loss采用GIOU Loss作为bounding box的损失，并使用二进制交叉熵和Logits损失函数计算类概率和目标得分的损失。
 
 ## 3.数据集
-**一**
-使用COCO2017数据集，COCO2017数据集是一个用于目标检测、分割、关键点检测和图像描述的数据集，由微软公司制作收集。该数据集包含超过33万张图像，其中大约20万张图像用于训练，6万张图像用于验证，7万张图像用于测试。COCO2017数据集中的物体类别共有80个，包括人、动物、交通工具、家具等。
-COCO2017数据集中的每个物体都有一个矩形边界框和一个类别标签，同时还有一些物体的关键点标注和图像描述信息。COCO2017数据集的标注格式采用JSON文件存储，其中包含了每个物体的位置、类别、关键点等信息。
-**二**
 1.数据集名称：深度学习人脸口罩数据集
 2.数据量：两个数据集，一个1600张图片，一个7056张图片
 3.标注框种类：face（人脸）、face_mask（戴口罩）、共两类
@@ -86,7 +82,7 @@ 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
 
 ![image](b1f15f6dfece4c81963cfb63c792ee15.png) 
-## 推理测试
+## 推理测试（以口罩检测为例）
 ```
 python detect.py --source 0  # webcam
                           file.jpg  # image 
@@ -108,6 +104,9 @@ Image(filename='runs/detect/exp/zidane.jpg', width=600)
 ```
 python3 val.py --data data/coco-v5.yaml --weights runs/train/exp12/weights/best.pt --device 0
 ```
+
+##口罩检测
+
 ##ONNX模型单张图片推理并导出 
 在export.py 中的 def parse_opt()函数修改：
 ```