修改readme

README.md

@@ -2,7 +2,7 @@
  * @Author: liuhy
  * @email: liuhy6@sugon.com
  * @Date: 2023-03-03 10:17:07
- * @LastEditTime: 2023-03-03 11:42:55
+ * @LastEditTime: 2023-03-03 15:31:26
  * @FilePath: \lpr\README.md
 -->
 # License-Plate-Recoginition(LPR)
@@ -22,7 +22,7 @@ LPR是一个基于深度学习技术的车牌识别模型，主要识别目标
 ### 环境配置
 在[光源](https://www.sourcefind.cn/#/service-details)可拉取训练以及推理的docker镜像，在[光合开发者社区](https://cancon.hpccube.com:65024/4/main/)可下载Migraphx和ONNXruntime安装包。LPR推荐的镜像如下：
 * 训练镜像：docker pull image.sourcefind.cn:5000/dcu/admin/base/vscode-pytorch:1.10.0-centos7.6-dtk-22.10-py37-patch4
-* 推理镜像：
+* 推理镜像：docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:migraphx2.5.0_centos7.6-dtk-22.10.1
 ### 训练与Fine-tunning
 LPR模型的训练程序是train.py，初次训练模型使用以下命令：
 
@@ -40,6 +40,14 @@ Fine-tunning使用以下命令：
         --max_epoch 训练的最大epoch
 
 Fine-tuning时只训练从起始epoch到最大epoch。
+### 预训练模型
+在model文件夹下我们提供了一个预训练模型以及对应的onnx模型和mxr模型，以下是相关子目录的介绍：
+LPR
+├── imgs #包含几张测试图像
+├── model
+│   ├── lprnet.pth #基于pytorch框架训练出的LPR预训练模型 
+│   ├── LPRNet.onnx #由lprnet.pth转换的onnx模型
+└── └── LPRNet.mxr #用migraphx编译LPRNet.onnx得到的离线推理模型
 ### 测试
 LPR模型用test.py对训练出的模型进行测试，使用方法如下：