Add icon and SCNet, update dtk

README.md

 # HAT
 ## 论文
-[HAT: Hybrid Attention Transformer for Image Restoration](https://arxiv.org/abs/2309.05239)
+`HAT: Hybrid Attention Transformer for Image Restoration`
+- https://arxiv.org/abs/2309.05239
 
 ## 模型结构
 HAT包括三个部分，包括浅层特征提取、深层特征提取和图像重建。
@@ -10,7 +11,7 @@ HAT包括三个部分，包括浅层特征提取、深层特征提取和图像
 </div>
 
 ## 算法原理
-HAT方法结合了通道注意力和基于窗口的自注意力方案，利用两者的互补优势。此外，引入了重叠的跨注意力模块来增强相邻窗口特征之间的交互, 更好地聚合跨窗口信息。在训练阶段，HAT还采用了相同的任务预训练策略，以进一步挖掘模型的潜力进行进一步改进。得益于这些设计，HAT可以激活更多的像素进行重建，从而显著提高性能。
+HAT方法结合了通道注意力和基于窗口的自注意力方案，利用两者的互补优势。此外，引入了重叠的跨注意力模块来增强相邻窗口特征之间的交互，更好地聚合跨窗口信息。在训练阶段，HAT还采用了相同的任务预训练策略，以进一步挖掘模型的潜力进行进一步改进。得益于这些设计，HAT可以激活更多的像素进行重建，从而显著提高性能。
 
 <div align=center>
     <img src="./doc/method.png"/>
@@ -20,11 +21,9 @@ HAT方法结合了通道注意力和基于窗口的自注意力方案，利用
 -v 路径、docker_name和imageID根据实际情况修改
 
 ### Docker（方法一）
-
 ```bash
 docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.13.1-centos7.6-dtk23.10-py38
-
-docker run -it -v /path/your_code_data/:/path/your_code_data/ -v /opt/hyhal/:/opt/hyhal/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
+docker run -it -v /path/your_code_data/:/path/your_code_data/ -v /opt/hyhal/:/opt/hyhal/:ro --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
 
 cd /your_code_path/hat_pytorch
 pip install -r requirements.txt
@@ -32,20 +31,17 @@ python setup.py develop
 ```
 
 ### Dockerfile（方法二）
-
 ```bash
 cd ./docker
-cp ../requirements.txt requirements.txt
 
 docker build --no-cache -t hat:latest .
-docker run -it -v /path/your_code_data/:/path/your_code_data/ -v /opt/hyhal/:/opt/hyhal/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
+docker run -it -v /path/your_code_data/:/path/your_code_data/ -v /opt/hyhal/:/opt/hyhal/:ro --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
 
 cd /your_code_path/hat_pytorch
 python setup.py develop
 ```
 
 ### 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/
 
 ```bash
@@ -55,39 +51,38 @@ 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
-
-```
+```bash
 pip install -r requirements.txt
 python setup.py develop
 ```
 
 ## 数据集
-训练：
+- 训练：
 [ImageNet dataset](https://image-net.org/challenges/LSVRC/2012/2012-downloads.php)
-[DIV2K](https://data.vision.ee.ethz.ch/cvl/DIV2K/)
-[Flickr2K](https://cv.snu.ac.kr/research/EDSR/Flickr2K.tar)
 
-Tips: DF2K: DIV2K 和 Flickr2 数据的整合
-训练数据处理请参考[BasicSR](https://github.com/XPixelGroup/BasicSR/blob/master/docs/DatasetPreparation.md)
+[DIV2K Train Data (HR images)](http://113.200.138.88:18080/aidatasets/project-dependency/div2k/-/blob/master/DIV2K_train_HR.zip)
 
-测试：
-[Classical SR Testing](https://drive.google.com/drive/folders/1gt5eT293esqY0yr1Anbm36EdnxWW_5oH?usp=sharing)
+[Flickr2K](http://113.200.138.88:18080/aidatasets/project-dependency/flickr2k/-/blob/master/Flickr2K.tar)
 
+训练数据处理请参考[BasicSR](https://github.com/XPixelGroup/BasicSR/blob/master/docs/DatasetPreparation.md)
+
+- 测试：
+[Classical SR Testing](http://113.200.138.88:18080/aidatasets/project-dependency/classical-sr)
 
 数据准备具体步骤如下：
-1. 将数据存放在datasets目录下；
+1. 将数据存放在`datasets`目录下；
 
-2. BSD100和urban100需要再各自目录下新GTmod4、LRbicx4两个新目录，并把原始图片存放进GTmod4目录下，然后再datasets目录下分别执行下面两条命令：
+2. `BSD100`和`urban100`需要再各自目录下新`GTmod4`、`LRbicx4`两个新目录，并把原始图片存放进`GTmod4`目录下，然后再`datasets`目录下分别执行下面两条命令：
 ```bash
 python gen_LRbicx4.py --file_name ./BSD100
 python gen_LRbicx4.py --file_name ./urban100
 ```
 
 3. 建数据集的目录结构如下:
-
+`DF2K`：DIV2K和Flickr2的HR数据的整合
 ```
 ├── DF2K
 │   ├── DF2K_HR # HR 数据
@@ -112,63 +107,59 @@ python gen_LRbicx4.py --file_name ./urban100
 │   ├── LRbicx4
 ```
 
-Tips: 项目提供了tiny_datasets用于快速上手学习, 如果实用tiny_datasets, 需要对下面的代码内的地址进行替换, 当前默认完整数据集的处理地址。
+Tips: 项目提供了`tiny_datasets`用于快速上手学习，如果使用`tiny_datasets`，需要对下面的代码内的地址进行替换，当前默认完整数据集的处理地址。
 
-2. 因为 DF2K 数据集是 2K 分辨率的 (比如: 2048x1080), 而我们在训练的时候往往并不要那么大 (常见的是 128x128 或者 192x192 的训练patch). 因此我们可以先把2K的图片裁剪成有overlap的 480x480 的子图像块. 然后再由 dataloader 从这个 480x480 的子图像块中随机crop出 128x128 或者 192x192 的训练patch.
+2. 因`DF2K`数据集是2K分辨率，而我们在训练的时候往往并不要那么大(常见的是128x128或者192x192的训练patch)。因此我们可以先把2K的图片裁剪成有overlap的480x480的子图像块，然后再由`dataloader`从这个480x480的子图像块中随机crop出128x128或192x192的训练patch。
 
 ```bash
 python extract_subimages.py # 将图片进行sub
 ```
 
-3. 生成 meta_info_file
+3. 生成`meta_info_file`
 ```bash
 python generate_meta_info.py
 ```
 
 ## 训练
-预训练模型下载地址：[Google Drive](https://drive.google.com/drive/folders/1HpmReFfoUqUbnAOQ7rvOeNU3uf_m69w0?usp=sharing) or [百度网盘](https://pan.baidu.com/s/1u2r4Lc2_EEeQqra2-w85Xg) (access code: qyrl)。
-
-训练日志及weights保存在./experiments文件中
+训练日志及权重保存在`/experiments`文件中，预训练模型下载地址[预训练权重](#预训练权重)。
 
 ### 单机多卡
-
 ```bash
 # 默认 train_HAT_SRx4_finetune_from_ImageNet_pretrain.yml
 bash train.sh
 ```
 
 ### 多机多卡
-使用多节点的情况下，需要将使用节点写入hostfile文件, 多节点每个节点一行, 例如: c1xxxxxx slots=4。
+使用多节点的情况下，需要将使用节点写入hostfile文件，多节点每个节点一行，例如: c1xxxxxx slots=4。
 
-1. run_train_multi.sh中18行所需虚拟环境变量地址;
+1. [run_train_multi.sh](/run_train_multi.sh)中`18行`所需虚拟环境变量地址;
 
-2. 修改single_process.sh中22行所需训练的yaml文件地址，如与默认一致，可不修改。
+2. 修改[single_process.sh](./single_process.sh)中22行所需训练的`yaml文件`地址，如与默认一致，可不修改。
 
-执行命令如下, 训练日志保存在logs文件夹下
+执行命令如下，训练日志保存在logs文件夹下
 ```bash
 # 默认 train_HAT_SRx4_finetune_from_ImageNet_pretrain.yml
 bash run_train_multi.sh
 ```
 
 ## 推理
-预训练模型下载地址：[Google Drive](https://drive.google.com/drive/folders/1HpmReFfoUqUbnAOQ7rvOeNU3uf_m69w0?usp=sharing) or [百度网盘](https://pan.baidu.com/s/1u2r4Lc2_EEeQqra2-w85Xg) (access code: qyrl)。
-
-测试结果将保存到 ./results 路径下。options/test/HAT_SRx4_ImageNet-LR.yml 适用于不使用 ground truth image 的推理过程。
+预训练模型下载地址[预训练权重](#预训练权重)，测试结果将保存到`./results`路径下。[HAT_SRx4_ImageNet-LR.yml](options/test/HAT_SRx4_ImageNet-LR.yml)适用于不使用`ground truth image`的推理过程。
 ```bash
 # 默认 HAT_SRx4_ImageNet-pretrain.yml
 bash val.sh
 ```
 
 ## result
-基于 Real_HAT_GAN_SRx4_sharper.pth 的测试结果展示
+基于`Real_HAT_GAN_SRx4_sharper.pth`的测试结果展示
 
 <div align=center>
     <img src="./doc/Visual_Results.png"/>
 </div>
 
 ### 精度
-HAT
-| Model | Params(M) | Multi-Adds(G) | Set5 | Set14 | BSD100 | Urban100 |
+测试数据如下表中所示，使用的加速卡:Z100L。
+
+| DEVICE | Params(M) | Multi-Adds(G) | Set5 | Set14 | BSD100 | Urban100 |
 | :------: | :------: | :------: | :------: |:------: | :------: | :------: |
 | Z100L | 20.8 | 102.4 | 33.1486 | 29.3587 | 25.4074 | 21.2687 |
 
@@ -179,8 +170,11 @@ HAT
 ### 热点应用行业
 交通,公安,制造
 
+## 预训练权重
+预训练模型下载地址：[SCNet-AIModels](http://113.200.138.88:18080/aimodels/findsource-dependency/hat_pytorch)
+
 ## 源码仓库及问题反馈
 - https://developer.hpccube.com/codes/modelzoo/hat_pytorch
 
 ## 参考资料
-- https://github.com/XPixelGroup/HAT?tab=readme-ov-file
+- https://github.com/XPixelGroup/HAT

docker/Dockerfile

-FROM image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.13.1-centos7.6-dtk23.10-py38
-RUN source /opt/dtk/env.sh
+FROM image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.13.1-centos7.6-dtk23.10-py38
\ No newline at end of file
-COPY requirements.txt requirements.txt
-RUN pip3 install -r requirements.txt
\ No newline at end of file