Update README.md

README.md

@@ -2,7 +2,22 @@
 
 ## 模型介绍
 
-SAM是23年4月发布的先进图像分割模型。SAM分为图像编码器和快速提示编码器/掩码解码器，可以重用相同的image embedding图像嵌入（并摊销其成本）与不同的提示。给定image embedding图像嵌入，提示编码器和掩码解码器可以在web浏览器中预测掩码。为了使SAM实现模糊感知，设计它来预测单个提示的多个掩码，从而使SAM能够自然地处理模糊性。
+SAM是23年4月发布的先进图像分割模型。SAM分为图像编码器和快速提示编码器/掩码解码器，可以重用相同的image embedding图像嵌入（并摊销其成本）与不同的提示。给定image embedding图像嵌入，提示编码器和掩码解码器可以在web浏览器中预测掩码。为了使SAM实现模糊感知，设计它来预测单个提示的多个掩码，从而使SAM能够自然地处理模糊性。通过SAM模型，创建了一个包含1B个掩模和11M张图像的分段任意模型(SAM)和相应的数据集(SA-1B)，以促进对计算机视觉基础模型的研究。
+
+数据集标注问题，分为3个阶段。
+1.SAM辅助人工标注
+
+最开始的SAM使用coco数据集训练，当有了一定的标注数据集之后，会用新的标注数据重新训练，数据集多起来以后，会增加模型的复杂程度，比如把ViT-B换成ViT-H。
+SAM模型会做出分割来辅助人工标注。由于模型不断精确，标注时间也在降低.
+
+2.SAM半自动标注
+这一阶段在于增加模型的多样性，标注次突出的物体。首先让模型标注一部分，然后人工标注没有被模型标注的部分。大部分都被模型标出来了，剩下的是更难分割的物体。
+
+3.全自动标注
+经过第一阶段，训练集多了，模型准确率有所提升，也有了mask的多样性。
+第2阶段解决了提示信息有歧义情况下的预测。
+现在，给模型提示32x32的grid，每个点都要对有效目标预测一系列的mask.
+然后用IOU阈值选择confident masks. 最后用NMS滤掉多余的mask.
 
 ## 模型结构
 
@@ -25,8 +40,8 @@ SAM是23年4月发布的先进图像分割模型。SAM分为图像编码器和
 
 完整数据集可在[这里](https://ai.facebook.com/datasets/segment-anything-downloads/)进行下载
 
-## Segment Anything推理
-注：官网没有提供训练脚本，因此这里展示如何进行推理。
+## Segment Anything掩码生成
+注：官网提供了生成掩码的预训练权重和生成掩码的脚本（没有提供训练脚本）。
 
 ### 环境配置
 从[光源](https://www.sourcefind.cn/#/service-list)拉取镜像
@@ -38,7 +53,7 @@ docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk
 pip install opencv-python pycocotools matplotlib onnxruntime onnx
 ```
 
-### 推理指令
+### 掩码生成指令
 
 ```
 python scripts/amg.py --checkpoint <path/to/checkpoint> --model-type <model_type> --input <image_or_folder> --output <path/to/output>
@@ -54,8 +69,9 @@ python scripts/amg.py --checkpoint <path/to/checkpoint> --model-type <model_type
 <path/to/output> 代表分割结果保存路径
 
 
-### 推理结果
-推理的部分结果在同级目录outputs中可以查看
+### 掩码生成结果
+掩码生成的部分结果在同级目录outputs中可以查看
+官方提供demo可在[这里](https://segment-anything.com/demo)试用
 
 ## 参考