update code

README.md

-# mmcv_centernet
+# centernet_mmcv
+## 论文
+`Objects as Points`<br>
+[论文链接](https://arxiv.org/pdf/1904.07850.pdf)<br>
+`Probabilistic two-stage detection`<br>
+[论文链接](https://arxiv.org/abs/2103.07461)
+## 模型结构
+Centernet对于输入图像(512,512,3)，下采样率为4，CenterNet将得到平面大小为(128,128)的输出. CenterNet的prediction head也由三个分支组成，分别为heatmap head，dimension head和offset head
+![模型结构](resources%2Fimg.png)
+## 算法原理
+ CenterNet是一种anchor free的目标检测算法,就是直接回归检测到的物体而不是回归anchors,不需要提前设定anchors
+![img_1.png](resources%2Fimg_1.png)
+## 环境配置
+### Docker（方法一）
 
+```
+docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.13.1-centos7.6-dtk-23.04.1-py38-latest
+docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
+cd /path/workspace/
+pip install mmdet==3.2.0 -i https://mirrors.aliyun.com/pypi/simple/
+```
+### Dockerfile（方法二）
+```
+cd ./docker
+docker build --no-cache -t mmdet:3.0 .
+docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
+cd /path/workspace/
+```
+### Anaconda（方法三）
+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
+mmcv: 2.0.0
+
+```
+
+Tips：以上dtk软件栈、python、torch、mmcv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
+
+```
+cd workspace/
+pip install mmdet==3.2.0 -i https://mirrors.aliyun.com/pypi/simple/
+```
+
+## 数据集
+COCO2017（在网络良好的情况下，如果没有下载数据集，程序会默认在线下载数据集）
+
+[训练数据](http://images.cocodataset.org/zips/train2017.zip)
+
+[验证数据](http://images.cocodataset.org/zips/val2017.zip)
+
+[测试数据](http://images.cocodataset.org/zips/test2017.zip)
+
+[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：
+
+```
+├── images 
+│   ├── train2017
+│   ├── val2017
+│   ├── test2017
+├── labels
+│   ├── train2017
+│   ├── val2017
+├── annotations
+│   ├── instances_val2017.json
+├── LICENSE
+├── README.txt 
+├── test-dev2017.txt
+├── train2017.txt
+├── val2017.txt
+
+```
+
+## 训练
+- 数据集放置位置默认为当前目录下 data/
+- 如需要变更数据集目录 请修改 configs/\_base_\/datasets/coco_detection.py 下的 data_root
+```python
+bash ./train.sh
+```
+## 推理
+- 可使用官方模型权重进行推理，也可使用自己训练模型权重进行推理
+- 这里以官方模型推理举例[[下载地址：centernet-update_r50-caffe_fpn_ms-1x_coco_20230512_203845-8306baf2.pth](https://download.openmmlab.com/mmdetection/v3.0/centernet/centernet-update_r50-caffe_fpn_ms-1x_coco/centernet-update_r50-caffe_fpn_ms-1x_coco_20230512_203845-8306baf2.pth)]
+```python
+# 官方推理代码
+python demo/image_demo.py demo/demo.jpg ./configs/centernet/centernet-update_r50-caffe_fpn_ms-1x_coco.py --weights centernet-update_r50-caffe_fpn_ms-1x_coco_20230512_203845-8306baf2.pth --device cuda
+```
+## result
+![demo.jpg](resources%2Fdemo.jpg)
+## 精度
+|       模型名称       | batchsize | amp混精 |  精度  |
+|:----------------:|:---------:|:-----:|:----:|
+| centernet-update |    16     |  off  | 40.1 |
+## 应用场景
+### 算法类别
+`目标检测`
+### 热点应用行业
+`金融,交通,教育`
+## 源码仓库及问题反馈
+- https://developer.hpccube.com/codes/modelzoo/mmcv_centernet
+## 参考资料
+- https://github.com/open-mmlab/mmdetection/tree/v3.2.0