update

README.md

@@ -4,14 +4,14 @@
 
 ## 模型结构
 
-对于输入图像，DETR使用传统的CNN backbone来学习2D特征, 并在将其传递到transformer encoder之前用positional encoding对其进行补充和平滑。然后，transformer decoder将少量固定数量的学习到的positional embeddings(对象查询)作为输入，额外关注encoder输出。将解码器的每个输出embedding传递到预测检测（类和边界框）或“无对象”类的共享前馈网络（FFN）。
+对于输入图像, DETR使用传统的CNN backbone来学习2D特征, 并在将其传递到transformer encoder之前用positional encoding对其进行补充和平滑。然后, transformer decoder将少量固定数量的学习到的positional embeddings(对象查询)作为输入, 额外关注encoder输出。将解码器的每个输出embedding传递到预测检测（类和边界框）或“无对象”类的共享前馈网络（FFN）。
 
 <div align=center>
     <img src="./doc/models.png"/>
 </div>
 
 ## 算法原理
-DETR将目标检测看作一种set prediction问题，并提出了一个十分简洁的目标检测pipeline，即CNN提取基础特征，送入Transformer做关系建模，得到的输出通过二分图匹配算法与图片上的ground truth做匹配。
+DETR将目标检测看作一种set prediction问题, 并提出了一个十分简洁的目标检测pipeline, 即CNN提取基础特征, 送入Transformer做关系建模, 得到的输出通过二分图匹配算法与图片上的ground truth做匹配。
 
 <div align=center>
     <img src="./doc/DETR.png"/>
@@ -49,13 +49,13 @@ pip install -r requirements.txt
 1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装: https://developer.hpccube.com/tool/
 
 ```
-DTK软件栈：dtk23.04.1
-python：python3.8
-torch：1.13.1
-torchvision：0.14.1
+DTK软件栈: dtk23.04.1
+python: python3.8
+torch: 1.13.1
+torchvision: 0.14.1
 ```
 
-Tips：以上dtk软件栈、python、torch等DCU相关工具版本需要严格一一对应
+Tips: 以上dtk软件栈、python、torch等DCU相关工具版本需要严格一一对应
 
 2、其他非特殊库直接按照requirements.txt安装
 
@@ -75,7 +75,7 @@ COCO2017
 
 [标签数据](https://github.com/ultralytics/yolov5/releases/download/v1.0/coco2017labels.zip)
 
-数据集的目录结构如下：
+数据集的目录结构如下:
 
 ```
 ├── COCO2017
@@ -88,9 +88,9 @@ COCO2017
 │       └── instances_val2017.json
 ```
 
-训练/验证集数据准备：
+训练/验证集数据准备:
 
-训练/验证集都是采用的COCO的数据格式，如果使用自己的标注数据，请先将标注数据转换成COCO的格式，并按照上面的目录结构进行存放
+训练/验证集都是采用的COCO的数据格式, 如果使用自己的标注数据, 请先将标注数据转换成COCO的格式, 并按照上面的目录结构进行存放。
 
 ## 训练
 
@@ -102,9 +102,9 @@ bash train.sh
 
 ## 推理
 
-验证前需提前准备好预训练模型，并将coco_path设置为当前环境中推理数据的对应地址，数据应为COCO数据格式
+验证前需提前准备好预训练模型, 可从 参考资料 中提供的模型下载, 并将coco_path设置为当前环境中推理数据的对应地址, 数据应为COCO数据格式。
 
-如果想要查看预测效果（预测结果输出到图片上），请执行(其余参数与训练模型参数需一致，详情请根据训练参数配置):
+如果想要查看预测效果（预测结果输出到图片上）, 请执行(其余参数如backbone等需与训练模型参数需一致, 详情请根据训练参数配置):
 
 ```
 python test.py --pre_trained_model <checkpoint path> --coco_path <coco path>
@@ -118,19 +118,18 @@ bash val.sh
 
 ## result
 
-
 <div align=center>
     <img src="./doc/000000001503.jpg"/>
 </div>
 
 ### 精度
 
-在COCO2017的val数据集上进行单卡测试，结果如下表所示:
+在COCO2017的val数据集上进行R50 backbone的单卡测试, 结果如下表所示:
 
-| name | backbone | schedule | inf_time | box AP |
-| :------: | :------: | :------: | :------: |:------: |
-| DETR(our)  | R50 | 500 | xxx | xxx |
-| [DETR](https://dl.fbaipublicfiles.com/detr/detr-r50-e632da11.pth)  | R50 | 500 | 0.036 | 42.0 |
+| name | backbone | schedule | box AP |
+| :------: | :------: | :------: | :------: |
+| DETR(our)  | R50 | 500 | 39.8 |
+| DETR  | R50 | 500 | 42.0 |
 
 
 ## 应用场景

train.sh

@@ -7,7 +7,12 @@ export USE_MIOPEN_BATCHNORM=1
 
 echo "Training start ..."
 # coco_path是训练数据集地址，数据是coco format
-python -m torch.distributed.launch --nproc_per_node=4 --use_env main.py --coco_path /path/to/coco
-# python -m torch.distributed.launch --nproc_per_node=4 --use_env main.py --coco_path /home/datasets/COCO2017
+# python -m torch.distributed.launch --nproc_per_node=4 --use_env main.py --coco_path /path/to/coco
+# python -m torch.distributed.launch --nproc_per_node=4 --use_env main.py --coco_path /home/datasets/COCO2017 --epochs 300 > log_detr_2_4_dcu.20231205
+python -m torch.distributed.launch --nproc_per_node=4 --use_env main.py \
+    --coco_path /home/datasets/COCO2017 \
+    --resume ./pretrained_model/detr-r50-e632da11.pth \
+    --lr 1e-6 \
+    --epochs 5 > log_detr_2_4_dcu.20231205
 
 echo "Training finished."

val.sh

@@ -6,5 +6,7 @@ export USE_MIOPEN_BATCHNORM=1
 
 # resume: 待测试模型地址
 # coco_path: 训练数据集地址, 数据是coco format
-python main.py --batch_size 2 --no_aux_loss --eval --resume /path/of/model --coco_path /path/of/coco_data
-# python main.py --batch_size 2 --no_aux_loss --eval --resume https://dl.fbaipublicfiles.com/detr/detr-r50-e632da11.pth --coco_path /home/datasets/COCO2017
+# dcu
+# python main.py --batch_size 2 --no_aux_loss --eval --resume ./results/checkpoint.pth --coco_path /home/datasets/COCO2017
+# ori
+python main.py --batch_size 2 --no_aux_loss --eval --resume ./pretrained_model/detr-r50-e632da11.pth --coco_path /home/datasets/COCO2017