Update README.md

README.md

@@ -16,13 +16,18 @@ 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
-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
-4.标签格式：均为voc格式
-5.收集来源：主要为网络收集
-6.备注：自己做项目用过的两个人脸-口罩数据集，质量都很高
-
+### 一
+
+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
+4. 标签格式：均为voc格式
+5. 收集来源：主要为网络收集
+6. 备注：自己做项目用过的两个人脸-口罩数据集，质量都很高
+
+### 二
+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。
 ## 4.训练
 
 ### 环境配置
@@ -69,7 +74,7 @@ export HIP_VISIBLE_DEVICES=0
 
 python3 train.py --batch 32 --data /work/home/acqpriwny1/cyh/datasets/MaskDataSet/data.yaml --cfg 'yolov5s.yaml' --weights '' --project 'run/train' --hyp 'data/hyps/hyp.scratch-high.yaml' --epochs 1000  2>&1 | tee  yolov5s.log
 ```
-
+![image](1.PNG) 
 ### 单节点多卡训练
 
 ```
@@ -82,6 +87,24 @@ 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) 
+
+训练结束后会输出best.pt和last.pt到runs/train/exp
+
+![image](2.PNG)
+
+**注意--workers 的default值需要修改为0，否则编译报错。**
+
+![image](3.PNG)
+
+#### 训练所有结果的图表和记录结果的csv均存放在runs/train文件夹下，以下只放几张：
+
+![image](runs/train/val_batch0_pred.jpg))
+
+![image](runs/train/PR_curve.png)
+
+![image](runs/train/results.png)
+
+![image](runs/train/confusion_matrix.png)
 ## 推理测试（以口罩检测为例）
 ```
 python detect.py --source 0  # webcam
@@ -99,15 +122,24 @@ 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) 
+
+![image](runs/detect/5c1ad8e25c3fa0de61250124e1973eb6__1_.jpg) 
+
+![image](runs/detect/6cf9d7ce36f2e52c3aec828bdc3ff548__1_.jpeg) 
+
+![image](runs/detect/89ee4a1ccecd593dd4ce32d9f15f7b58__1_.jpg) 
+
+![image](runs/detect/bus.jpg) 
+
 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
+python3 val.py --data data/data.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 
+##ONNX模型单张图片推理并导出（根据coco128数据集训练的模型） 
 在export.py 中的 def parse_opt()函数修改：
 ```
 修改 default=12
@@ -124,7 +156,9 @@ python export.py --weights yolov5s.pt --include onnx
 
 python yolov5_detection.py
 ```
-![image](res.jpg)
+![image](qb5636zq.png)
+
+![image](w9jdchyv.png)
 ## 准确率
 
 |  模型   | size（pixels) | map0.5:0.95 | map0.5 |