更新readme

.gitmodules

+[submodule "mmclassification-mmcv"]
+	path = mmclassification-mmcv
+	url = http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv

README.md

 # ShuffleNetV2
 
+## 论文
+
+ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design
+
+- https://openaccess.thecvf.com/content_ECCV_2018/papers/Ningning_Light-weight_CNN_Architecture_ECCV_2018_paper.pdf
+
 ## 模型介绍
 
 ShuffleNetV2 是一种轻量级神经网络模型，旨在提高深度学习模型的效率和速度。ShuffleNetV2 利用组卷积和通道重排等技术，在保持准确性的同时，将参数量和计算量大幅降低。
 
+![20231124114915](./images/20231124114915.png)
+
 ## 模型结构
 
 ShuffleNetV2 的网络结构可以分为两个部分：基础网络和分类器。基础网络主要包含一系列 ShuffleNetV2 单元，用于提取图像特征；分类器则将提取的特征映射到类别概率上。
 
-ShuffleNetV2 的基础网络由四个阶段组成，每个阶段都包含多个 ShuffleNetV2 单元。第一个阶段是一个简单的卷积层，用于进行卷积和池化操作，并将输入图像转换为高级特征图。接下来的三个阶段都采用了 ShuffleNetV2 单元，其中第二个和第三个阶段还引入了 Downsampling 和 Upsampling 机制，用于对特征图进行降维和升维操作。
-
-在 ShuffleNetV2 单元中，逐点卷积（PointWise Convolution）和通道重排（Channel Shuffle）两个部分交替出现，以实现信息的混洗和传递。具体来说，逐点卷积用于将输入数据分为多个组，而通道重排则用于将不同组之间的特征图进行混洗，从而使得每个组都能够利用所有其他组的信息。
+![20231124120131](./images/20231124120131.png)
 
-最后，在基础网络的末尾，ShuffleNetV2 使用了全局平均池化（Global Average Pooling）来将特征图降维为一个向量，然后通过全连接层将其映射到类别概率上。
-
-## 数据集
-
-在本测试中可以使用ImageNet数据集。
+## 环境配置
 
-## ShuffleNetV2训练
+### Docker
 
-### 环境配置
+```python
+git clone --recursive http://developer.hpccube.com/codes/modelzoo/shufflenet_v2_mmcv.git
+docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10.1-py37-latest
+# <your IMAGE ID>用以上拉取的docker的镜像ID替换
+docker run --shm-size 10g --network=host --name=nit-pytorch --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/Shufflenet_v2_mmcv :/home/Shufflenet_v2_mmcv  -it <your IMAGE ID> bash
 
-下载工程代码：
+cd Shufflenet_v2_mmcv /mmclassification-mmcv
+pip install -r requirements.txt
+```
 
-http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv.git
+## 数据集
 
-提供[光源](https://www.sourcefind.cn/#/service-details)拉取的训练的docker镜像：
+在本测试中可以使用ImageNet数据集。
 
-* 训练镜像：docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10.1-py37-latest
-* pip install -r requirements.txt
-* cd mmclassification    
-* pip install -e .
+```
+├── meta
+├── train
+├── val
+```
 
 ### 训练
 
 将训练数据解压到data目录下。
 
-训练命令：
+### 单机8卡
 
     ./shufflenet_v2.sh
 
-## 准确率数据
+## 精度
 
 测试数据使用的是ImageNet数据集，使用的加速卡是DCU Z100L。
 
@@ -49,9 +58,23 @@ http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv.git
 | :--: | :---------------------: |
 |  8   | top1:0.6960;top5:0.8895 |
 
+## result
+
+![img](https://developer.hpccube.com/codes/modelzoo/vit_pytorch/-/raw/master/image/README/1695381570003.png)
+
+## 应用场景
+
+### 算法类别
+
+图像分类
+
+### 热点行业
+
+制造,能源,交通,网安
+
 ### 源码仓库及问题反馈
 
-https://developer.hpccube.com/codes/modelzoo/shufflenet_v2-mmcv
+https://developer.hpccube.com/codes/modelzoo/shufflenet_v2_mmcv
 
 ### 参考
 

mmclassification-mmcv @ 0f6a312a

+Subproject commit 0f6a312ab4b30c6e27efd93608268fe0fe3f7dcc

model.properties

+# 模型唯一标识
+modelCode = 130
 # 模型名称
-modelName=Shufflenet_v2-mmcv
+modelName=Shufflenet_v2_mmcv
 # 模型描述
 modelDescription=Shufflenet_v2是一种轻量级的图像分类网络模型,基于MMCV实现测试
 # 应用场景
-appScenario=训练,图像分类
+appScenario=训练,图像分类,制造,能源,交通,网安
 # 框架类型
-frameType=PyTorch,MMCV
+frameType=pytorch,mmcv