Add icon and SCNet，coco128 tiny datasets

README.md

 # HDETR
 ## 论文
-[DETRs with Hybrid Matching](https://arxiv.org/abs/2207.13080)
+`DETRs with Hybrid Matching`
+- https://arxiv.org/abs/2207.13080
 
 ## 模型结构
-基于DETR结构, 在匹配阶段加入一对多的匹配分支。
+基于DETR结构，在匹配阶段加入一对多的匹配分支。
 
 <div align=center>
     <img src="./doc/hybrid.png"/>
 </div>
 
 ## 算法原理
-H-DETR引入一对多匹配分支, 将原始的一对一匹配分支与一个辅助的一对多匹配分支结合起来, 允许多个查询分配给每个正样本, 增加正样本查询数量, 提高训练效果。此外, H-DETR在推理过程中仍然使用原始的一对一匹配分支, 以保持DETR的优势。
+H-DETR引入一对多匹配分支，将原始的一对一匹配分支与一个辅助的一对多匹配分支结合起来，允许多个查询分配给每个正样本，增加正样本查询数量，提高训练效果。此外，H-DETR在推理过程中仍然使用原始的一对一匹配分支，以保持DETR的优势。
 
 <div align=center>
     <img src="./doc/methods.png"/>
 </div>
 
 ## 环境配置
-
-注意:requirements.txt安装完成后,还需要额外安装下列包
-
-```
-pip install openmim
-mim install mmcv-full  （注意版本是不是1.7.1）
-pip install mmdet==2.26.0 （对应mmcv 1.7.1）
-```
-
--v 路径、docker_name和imageID根据实际情况修改
-
 ### Docker（方法一）
+-v 路径、docker_name和imageID根据实际情况修改
 
-```
+```bash
 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=80G --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/ --shm-size=80G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
 
 cd /your_code_path/hdetr_pytorch
 pip install -r requirements.txt
+
+pip install openmim
+mim install mmcv-full  （注意版本是不是1.7.1）
+pip install mmdet==2.26.0 （对应mmcv 1.7.1）
 ```
 
 ### Dockerfile（方法二）
-
-```
+-v 路径、docker_name和imageID根据实际情况修改
+```bash
 cd ./docker
-cp ../requirements.txt requirements.txt
 
 docker build --no-cache -t hdetr:latest .
 docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=80G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
-```
-
-### 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/
+cd /your_code_path/hdetr_pytorch
+pip install -r requirements.txt
 
+pip install openmim
+mim install mmcv-full  （注意版本是不是1.7.1）
+pip install mmdet==2.26.0 （对应mmcv 1.7.1）
 ```
+
+### Anaconda（方法三）
+关于本项目DCU显卡所需的特殊深度学习库可从[光合](https://developer.hpccube.com/tool/)开发者社区下载安装。
+```bash
 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
+其他非特殊库直接按照requirements.txt安装:
+```bash
+pip install -r requirements.txt
 
-```
-pip3 install -r requirements.txt
+pip install openmim
+mim install mmcv-full  （注意版本是不是1.7.1）
+pip install mmdet==2.26.0 （对应mmcv 1.7.1）
 ```
 
 ## 数据集
+通过SCNet下载[COCO2017](http://113.200.138.88:18080/aidatasets/coco2017)所需数据集：
 
-COCO2017
-
-[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:
 
 ```
 ├── COCO2017
-│   ├── images
-│       ├── train2017
-│       ├── val2017
-│       └── test2017
+│   ├── train2017
+│   ├── val2017
+│   ├── test2017
 │   ├── annotations
 │       ├── instances_train2017.json
 │       └── 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。
+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
+├── coco128
+│   ├── train2017
+│   ├── val2017
+│   └── annotations
+│       └── instances_train2017.json
+```
 
 ## 训练
-
-训练前的准备工作:
-
-1. 进行下面步骤编译
-
-```
+1. 训练之前，需要进行下面步骤编译：
+```bash
 cd ./models/ops
 bash ./make.sh
 cd ../../
 ```
 
-2. 选择需要训练的模型的config, config path 为需要训练的模型属性config文件地址, coco path 为当前环境中训练数据对应地址
-
-Tips:
+2. 选择需要训练的模型的config，`<config path>`为需要训练的模型属性config文件地址，`<coco path>`为当前环境中训练数据对应地址；
 
-1. 如果有预训练模型, 修改config中的 --pretrained_backbone_path 为保存的预训练模型地址
-
-2. 如果使用backbone为swin, 可前往 https://github.com/microsoft/Swin-Transformer 选择对应的预训练模型后再进行训练步骤
-
-3. 如果out_of_memory, 设置--batch_size大小, 当前默认为2
+3. 其他：
++ 如果有预训练模型，修改config中的`--pretrained_backbone_path`为保存的预训练模型地址，预训练模型可从[#预训练权重](#预训练权重)中；
++ 当前训练默认backbone为`R50`，如果使用backbone为`swin`，可前往[Swin-Transformer](https://github.com/microsoft/Swin-Transformer)择对应的预训练模型后再进行训练步骤；
++ 如果out_of_memory，设置`--batch_size`大小，当前默认为2。
 
 ### 单机单卡
-
-```
+```bash
 bash ./train.sh
 ```
 
 ### 单机多卡
-
-```
+```bash
 bash ./train_multi.sh
 ```
 
 ## 推理
+1. 验证前需提前准备好预训练模型，可从[#预训练权重](#预训练权重)中提供的模型下载，`<checkpoint path>`为模型地址，`<coco path>`为当前环境中推理数据的对应地址，数据应为COCO数据格式。[#预训练权重](#预训练权重)中提供的模型下载，选择模型对应的config后进行效果验证。
 
-验证前需提前准备好预训练模型, checkpoint path 为模型地址,  coco path 为当前环境中推理数据的对应地址, 数据应为COCO数据格式。
-
-如没有预训练模型, 可从 参考资料 中提供的模型下载, 选择模型对应的config后进行效果验证。
-
-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config参数需一致, 详情请参考代码里面的参数配置):
+2. 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config参数需一致，详情请参考代码里面的参数配置):
 
-以 r50_hybrid_branch_lambda1_group6_t1500_dp0_mqs_lft_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage_12eps 为例：
-python test.py --pre_trained_model /path/r50_hybrid_branch_lambda1_group6_t1500_dp0_mqs_lft_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage_12eps.pth --coco_path /path/coco/data --two_stage --num_queries_one2many 1500 --mixed_selection --look_forward_twice
-
-```
+3. 执行：
+```bash
 python test.py --pre_trained_model <checkpoint path> --coco_path <coco path>
 ```
+以[r50_hybrid_branch_lambda1_group6_t1500_dp0_mqs_lft_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage_12eps.pth](http://113.200.138.88:18080/aimodels/findsource-dependency/hdetr_pytorch/-/blob/main/r50_hybrid_branch_lambda1_group6_t1500_dp0_mqs_lft_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage_12eps.pth)模型为例：
+```bash
+python test.py --pre_trained_model /path/r50_hybrid_branch_lambda1_group6_t1500_dp0_mqs_lft_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage_12eps.pth --coco_path /path/coco/data --two_stage --num_queries_one2many 1500 --mixed_selection --look_forward_twice
+```
 
 #### 多卡推理
-
-```
+```bash
 bash val_multi.sh
 ```
 
 ## result
-
 COCO2017测试集上的单张图像结果展示:
 
 <div align=center>
@@ -160,16 +154,13 @@ COCO2017测试集上的单张图像结果展示:
 </div>
 
 ### 精度
-
-在COCO2017的测试集上进行单卡测试, 测试模型config: ./configs/two_stage/deformable-detr-hybrid-branch/12eps/r50_hybrid_branch_lambda1_group6_t1500_dp0_mqs_lft_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage.sh
+测试数据：[COCO-test2017](http://113.200.138.88:18080/aidatasets/coco2017/-/blob/main/test2017.zip)，测试模型config:[r50_hybrid_branch_lambda1_group6_t1500_dp0_mqs_lft_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage.sh](./configs/two_stage/deformable-detr-hybrid-branch/12eps/r50_hybrid_branch_lambda1_group6_t1500_dp0_mqs_lft_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage.sh)
 
 结果如下表所示:
-
-| Name     | Backbone | query | epochs | AP |
+| Device | Backbone | query | epochs | AP |
 | :--------: | :------: | :------: | :------: | :------: |
-| H-Deformable-DETR + tricks(our) | R50 | 300 | 12 | 48.6  |
-| H-Deformable-DETR + tricks | R50 | 300 | 12 | 48.7 |
-
+| Z100L | R50 | 300 | 12 | 48.6 |
+| V100S | R50 | 300 | 12 | 48.7 |
 
 ## 应用场景
 ### 算法类别
@@ -178,9 +169,11 @@ COCO2017测试集上的单张图像结果展示:
 ### 热点应用行业
 网安,交通,政府
 
+## 预训练权重
+- [SCNet AIModels - hdetr_pytorch](http://113.200.138.88:18080/aimodels/findsource-dependency/hdetr_pytorch)
 
 ## 源码仓库及问题反馈
-https://developer.hpccube.com/codes/modelzoo/hdetr_pytorch
+- https://developer.hpccube.com/codes/modelzoo/hdetr_pytorch
 
 ## 参考资料
-https://github.com/HDETR/H-Deformable-DETR
+- https://github.com/HDETR/H-Deformable-DETR

coco128/README.txt

+# Introduction
+
+This directory contains software developed by Ultralytics LLC, and **is freely available for redistribution under the GPL-3.0 license**. For more information please visit https://www.ultralytics.com.
+
+# Description
+
+The https://github.com/ultralytics/COCO2YOLO repo contains code to convert JSON datasets into YOLO (darknet) format. The code works on Linux, MacOS and Windows.
+
+# Requirements
+
+Python 3.7 or later with the following `pip3 install -U -r requirements.txt` packages:
+
+- `numpy`
+- `tqdm`
+
+# Citation
+
+[![DOI](https://zenodo.org/badge/186122711.svg)](https://zenodo.org/badge/latestdoi/186122711)
+
+# Contact
+
+Issues should be raised directly in the repository. For additional questions or comments please email Glenn Jocher at glenn.jocher@ultralytics.com or visit us at https://contact.ultralytics.com.
\ No newline at end of file

coco128/labels/train2017/000000000009.txt

+45 0.479492 0.688771 0.955609 0.5955
+45 0.736516 0.247188 0.498875 0.476417
+50 0.637063 0.732938 0.494125 0.510583
+45 0.339438 0.418896 0.678875 0.7815
+49 0.646836 0.132552 0.118047 0.0969375
+49 0.773148 0.129802 0.0907344 0.0972292
+49 0.668297 0.226906 0.131281 0.146896
+49 0.642859 0.0792187 0.148063 0.148062

coco128/labels/train2017/000000000025.txt

+23 0.770336 0.489695 0.335891 0.697559
+23 0.185977 0.901608 0.206297 0.129554

coco128/labels/train2017/000000000030.txt

+58 0.519219 0.451121 0.39825 0.75729
+75 0.501188 0.592138 0.26 0.456192

coco128/labels/train2017/000000000034.txt

+22 0.346211 0.493259 0.689422 0.892118

coco128/labels/train2017/000000000036.txt

+25 0.475759 0.414523 0.951518 0.672422
+0 0.671279 0.617945 0.645759 0.726859

coco128/labels/train2017/000000000042.txt

+16 0.606687 0.341381 0.544156 0.51

coco128/labels/train2017/000000000049.txt

+17 0.597835 0.63755 0.342283 0.36886
+17 0.324291 0.64808 0.219711 0.3164
+0 0.620039 0.5939 0.172415 0.14608
+0 0.385525 0.58557 0.14937 0.12586
+0 0.328898 0.70199 0.0313386 0.06714
+58 0.622546 0.89961 0.185932 0.09446
+0 0.760577 0.69423 0.0285564 0.05486
+0 0.510709 0.69215 0.0187927 0.04682
+0 0.929554 0.67602 0.0388451 0.01844

coco128/labels/train2017/000000000061.txt

+0 0.445688 0.480615 0.075125 0.117295
+0 0.640086 0.471742 0.0508281 0.0814344
+20 0.643211 0.558852 0.129828 0.097623
+20 0.459703 0.592121 0.22175 0.159242
+0 0.435383 0.45832 0.0534531 0.111025

coco128/labels/train2017/000000000064.txt

+2 0.292792 0.729031 0.367417 0.246281
+7 0.239438 0.599242 0.259542 0.0929219
+11 0.279896 0.412773 0.077125 0.117453
+74 0.394146 0.184914 0.321458 0.237984

coco128/labels/train2017/000000000071.txt

+2 0.752648 0.525833 0.0433594 0.033216
+2 0.835727 0.538498 0.0380469 0.028169
+2 0.700875 0.521455 0.0364375 0.0202347
+2 0.937398 0.559777 0.0424219 0.0335915
+6 0.452477 0.576408 0.755359 0.280892
+2 0.794984 0.538779 0.0368125 0.0261502
+2 0.953469 0.514906 0.026125 0.012723
+7 0.539727 0.464061 0.0373281 0.0238967
+7 0.58518 0.471397 0.0379844 0.0165962
+2 0.982555 0.572371 0.0348906 0.0300469
+2 0.767367 0.531279 0.0373906 0.0296948
+2 0.617961 0.476373 0.0250156 0.0100704
+2 0.588344 0.471491 0.0307812 0.0183333
+2 0.560102 0.471303 0.0302344 0.0119953
+2 0.796047 0.521796 0.0299687 0.0145775
+2 0.734094 0.523427 0.029375 0.02723

coco128/labels/train2017/000000000072.txt

+23 0.658478 0.592133 0.677002 0.779766
+23 0.391581 0.556305 0.546862 0.887391

coco128/labels/train2017/000000000073.txt

+3 0.497327 0.511852 0.948637 0.952609
+3 0.240637 0.217617 0.475398 0.424859

coco128/labels/train2017/000000000074.txt

+16 0.32825 0.769577 0.463156 0.242207
+1 0.128828 0.375258 0.249063 0.733333
+0 0.476187 0.289613 0.0287813 0.138099
+0 0.52143 0.258251 0.0211719 0.0608685
+0 0.569492 0.285235 0.0245469 0.122254
+0 0.746734 0.295869 0.0494687 0.0983568
+0 0.444961 0.298779 0.0239531 0.110047
+0 0.450773 0.271209 0.0182656 0.0569249

coco128/labels/train2017/000000000077.txt

+0 0.53553 0.308733 0.2069 0.317147
+0 0.73609 0.272987 0.18926 0.259413
+36 0.13364 0.88656 0.10108 0.06464
+36 0.50059 0.413213 0.05466 0.07608
+0 0.14666 0.667293 0.194 0.441093
+0 0.59734 0.325733 0.0494 0.111253
+36 0.73492 0.39656 0.04812 0.0401067
+0 0.55563 0.265173 0.04586 0.220053

coco128/labels/train2017/000000000078.txt

+74 0.762851 0.196119 0.349886 0.385474