Update README.md

README.md

-
 # YOLOV5测试
 
 ## 1.模型介绍
@@ -80,7 +79,7 @@ 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
 ```
 python detect.py --source 0  # webcam
@@ -97,15 +96,31 @@ detect.py 在各种来源上运行 YOLOv5 推论，从最新的 YOLOv5 版本中
 python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/
 Image(filename='runs/detect/exp/zidane.jpg', width=600)
 ```
-
+![image](捕获.PNG) 
 将训练好的pt文件导入weight参数中即可，推理代码如下：
 
 ```
 python3 val.py --data data/coco-v5.yaml --weights runs/train/exp12/weights/best.pt --device 0
 ```
+##ONNX模型单张图片推理并导出 
+在export.py 中的 def parse_opt()函数修改：
+```
+修改 default=12
+parser.add_argument('--simplify', action='store_true', help='ONNX: simplify model')
+    parser.add_argument('--opset', type=int, default=12, help='ONNX: opset version')
+```
+在yolov5目录下执行模型导出脚本
+```
+python export.py --weights yolov5s.pt --include onnx
+```
+用准备好的模型推理代码进行推理，并将结果输出为res.jpg：
+```
+#输入图片修改output, or_img = model.inference('Image00003.jpg')
 
-
-## 准确率数据
+python yolov5_detection.py
+```
+![image](res.jpg)
+## 准确率
 
 |  模型   | size（pixels) | map0.5:0.95 | map0.5 |
 | :-----: | :------: | :---------: | :----: |