Add icon and SCNET

README.md

@@ -63,15 +63,15 @@ pip install -r requirements.txt
 
 ## 数据集
 
-COCO2017
+通过SCNet下载[COCO2017](http://113.200.138.88:18080/aidatasets/coco2017)所需数据集：
 
-[训练数据](http://images.cocodataset.org/zips/train2017.zip)
+[训练数据](http://113.200.138.88:18080/aidatasets/coco2017/-/blob/main/train2017.zip)
 
-[验证数据](http://images.cocodataset.org/zips/val2017.zip)
+[验证数据](http://113.200.138.88:18080/aidatasets/coco2017/-/blob/main/val2017.zip)
 
-[测试数据](http://images.cocodataset.org/zips/test2017.zip)
+[测试数据](http://113.200.138.88:18080/aidatasets/coco2017/-/blob/main/test2017.zip)
 
-[标签数据](https://github.com/ultralytics/yolov5/releases/download/v1.0/coco2017labels.zip)
+[标签数据](http://113.200.138.88:18080/aidatasets/coco2017/-/blob/main/annotations_trainval2017.zip)
 
 数据集的目录结构如下:
 
@@ -85,7 +85,7 @@ COCO2017
 │       └── instances_val2017.json
 ```
 
-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。
 
 本项目提供了`coco128`数据集可以进行功能验证使用，目录结构如下：
 ```bash
@@ -98,7 +98,6 @@ COCO2017
 
 ## 训练
 ### 单机多卡
-
 ```bash
 # --nproc_per_node 数据与显卡数量一致
 # coco_path是训练数据集地址，数据是coco format
@@ -106,9 +105,9 @@ bash train.sh
 ```
 
 ## 推理
-验证前需提前准备好预训练模型, 可从[参考资料](#参考资料)项目中提供的模型下载, 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。
+验证前需提前准备好预训练模型, 可从[参考资料](#参考资料)项目中提供的模型下载, 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):
+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):
 
 ```bash
 python test.py --pre_trained_model <checkpoint path> --coco_path <coco path>