update readme

README.md

@@ -10,7 +10,7 @@ MobileNetV2: Inverted Residuals and Linear Bottlenecks
 
 MobileNetV2是一种轻量级的卷积神经网络模型，由Google在2018年提出。它是MobileNet系列中的第二个版本，主要用于移动设备和嵌入式设备等资源受限的环境中进行图像分类、目标检测等计算机视觉任务。
 
-![d15a0e56517b4f7284a862f1d6eaef9a](./images/d15a0e56517b4f7284a862f1d6eaef9a.png)
+![loading-ag-535](./images/d15a0e56517b4f7284a862f1d6eaef9a.png)
 
 
 
@@ -26,11 +26,11 @@ MobileNetV2的网络结构主要由两部分组成：特征提取层和分类器
 
 ```python
 git clone --recursive http://developer.hpccube.com/codes/modelzoo/mobilenetv2_mmcv.git
-docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10.1-py37-latest
+docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.1.0-ubuntu20.04-dtk24.04.1-py3.10
 # <your IMAGE ID>用以上拉取的docker的镜像ID替换
-docker run --shm-size 10g --network=host --name=mobilenetv2 --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/mobilenetv2_mmcv:/home/mobilenetv2_mmcv -it <your IMAGE ID> bash
+docker run -it --shm-size 16g --network=host --name=mobilenetv2 --privileged --device=/dev/kfd --device=/dev/dri --device=/dev/mkfd --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v /opt/hyhal:/opt/hyhal:ro -v $PWD/mobilenetv2_mmcv:/home/mobilenetv2_mmcv <your IMAGE ID> bash
 
-cd mobilenetv2_mmcv/mmclassification-mmcv
+cd mobilenetv2_mmcv/mmpretrain-mmcv
 pip install -r requirements.txt
 ```
 
@@ -39,7 +39,7 @@ pip install -r requirements.txt
 ```plaintext
 cd mobilenetv2_mmcv/docker
 docker build --no-cache -t mobilenetv2_mmcv:latest .
-docker run --rm --shm-size 10g --network=host --name=mobilenetv2 --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/../../mobilenetv2_mmcv:/home/mobilenetv2_mmcv -it <your IMAGE ID> bash
+docker run -it --shm-size 16g --network=host --name=mobilenetv2 --privileged --device=/dev/kfd --device=/dev/dri --device=/dev/mkfd --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v /opt/hyhal:/opt/hyhal:ro -v $PWD/mobilenetv2_mmcv:/home/mobilenetv2_mmcv <your IMAGE ID> bash
 # 若遇到Dockerfile启动的方式安装环境需要长时间等待，可注释掉里面的pip安装，启动容器后再安装python库：pip install -r requirements.txt
 ```
 
@@ -48,11 +48,12 @@ docker run --rm --shm-size 10g --network=host --name=mobilenetv2 --privileged --
 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/
 
 ```plaintext
-DTK驱动：dtk22.10.1
-python：python3.7
-torch:1.10.0
-torchvision:0.10.0
-mmcv：1.6.1
+DTK驱动: dtk24.04.1
+python: python3.10
+torch: 2.1.0
+torchvision: 0.16.0
+mmcv: 2.0.1
+mmengine: 0.10.4
 Tips：以上dtk驱动、python、torch等DCU相关工具版本需要严格一一对应
 ```
 
@@ -79,18 +80,22 @@ data
             ...
         ├── train
         ├── val
-  
+
 ```
+
 SCNet快速下载链接[http://113.200.138.88:18080/aidatasets/project-dependency/imagenet-2012
 ](http://113.200.138.88:18080/aidatasets/project-dependency/imagenet-2012
 )
+
+如果imagenet数据集较大，则可以使用tiny-imagenet-200，但此时需要对配置文件进行修改。
+
 ## 训练
 
 将训练数据解压到data目录下。
 
 ### 单机8卡
 
-    ./mobilenetv2.sh
+    bash tools/dist_train.sh <PYTHON配置文件> 8 
 
 ## result
 
@@ -98,11 +103,7 @@ SCNet快速下载链接[http://113.200.138.88:18080/aidatasets/project-dependenc
 
 ### 精度
 
-测试数据使用的是ImageNet数据集，使用的加速卡是DCU Z100L。
-
-| 卡数 |           精度            |
-| :--: | :-----------------------: |
-|  8   | top1:0.71764;top5:0.90386 |
+未测试
 
 ## 应用场景
 

docker/Dockerfile

-FROM image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10.1-py37-latest
+FROM image.sourcefind.cn:5000/dcu/admin/base/pytorch:pytorch:2.1.0-ubuntu20.04-dtk24.04.1-py3.10
 ENV DEBIAN_FRONTEND=noninteractive
 # 安装pip相关依赖
 COPY requirements.txt requirements.txt