Merge branch 'icon' into 'main'

Add icon and scnet, modify dockerfile

See merge request !1

Dockerfile

 FROM image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-23.04-py37-latest
-COPY requirements.txt requirements.txt
-RUN source /opt/dtk-22.10/env.sh
-RUN cp /usr/share/zoneinfo/Asia/Shanghai /etc/localtime && echo 'Asia/Shanghai' >/etc/timezone 
+RUN source /opt/dtk/env.sh
+RUN cp /usr/share/zoneinfo/Asia/Shanghai /etc/localtime && echo 'Asia/Shanghai' >/etc/timezone
 ENV LANG C.UTF-8
-RUN pip install -r requirements.txt -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

README.md

 # UNET
 ## 论文
 `U-Net: Convolutional Networks for Biomedical Image Segmentation`
-
 - https://arxiv.org/abs/1505.04597
-## 模型结构
- UNet（全名 U-Net）是一种用于图像分割的卷积神经网络（CNN）架构，UNet 的结构具有 U 形状，因此得名。 
 
+## 模型结构
+UNet（全名 U-Net）是一种用于图像分割的卷积神经网络（CNN）架构，UNet 的结构具有 U 形状，因此得名。
 ![img](https://developer.hpccube.com/codes/modelzoo/unet-pytorch/-/raw/main/doc/unet.png)
+
 ## 算法原理
 U-Net 的核心原理如下：
 
 1. **编码器（Contracting Path）**：U-Net 的编码器由卷积层和池化层组成，用于捕捉图像的特征信息并逐渐减小分辨率。这一部分的任务是将输入图像缩小到一个低分辨率的特征图，同时保留有关图像内容的关键特征。
 2. **中间层（Bottleneck）**：在编码器和解码器之间，U-Net 包括一个中间层，通常由卷积层组成，用于进一步提取特征信息。
 3. **解码器（Expansive Path）**：U-Net 的解码器包括上采样层和卷积层，用于将特征图恢复到原始输入图像的分辨率。解码器的任务是将高级特征与低级特征相结合，以便生成分割结果。这一部分的结构与编码器相对称。
-
 ![img](https://developer.hpccube.com/codes/modelzoo/unet-pytorch/-/raw/main/doc/原理.png)
+
 ## 环境配置
 ### Docker（方法一）
-此处提供[光源](https://sourcefind.cn/#/main-page)拉取docker镜像的地址与使用步骤
 ```
 docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-23.04-py37-latest
 
 docker run -it --network=host --name=unet --privileged --device=/dev/kfd --device=/dev/dri --ipc=host --shm-size=32G  --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -u root --ulimit stack=-1:-1 --ulimit memlock=-1:-1  image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-23.04-py37-latest
+
+cd /path/unet-pytorch
+pip install -r requirements.txt
 ```
 ### Dockerfile（方法二）
-
-此处提供dockerfile的使用方法
-
 ```
 docker build --no-cache -t unet:latest .
 docker run -dit --network=host --name=unet --privileged --device=/dev/kfd --device=/dev/dri --ipc=host --shm-size=16G  --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -u root --ulimit stack=-1:-1 --ulimit memlock=-1:-1 unet:latest
 docker exec -it unet /bin/bash
+
+cd /path/unet-pytorch
 pip install -r requirements.txt
 ```
 
 ### Anaconda（方法三）
-
-此处提供本地配置、编译的详细步骤，例如：
-
 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。
 ```
 DTK驱动：dtk23.04
 python：python3.7
-apex==0.1+f49ddd4.abi0.dtk2304.torch1.13
-torch==1.13.1+git55d300e.abi0.dtk2304
-torchvision==0.14.1+git9134838.abi0.dtk2304.torch1.13
+apex：0.1+f49ddd4.abi0.dtk2304.torch1.13
+torch：1.13.1+git55d300e.abi0.dtk2304
+torchvision：0.14.1+git9134838.abi0.dtk2304.torch1.13
 ```
 `Tips：以上dtk驱动、python等DCU相关工具版本需要严格一一对应`
 
@@ -52,39 +50,39 @@ torchvision==0.14.1+git9134838.abi0.dtk2304.torch1.13
 ```
 pip install -r requirements.txt
 ```
+
 ## 数据集
 `Carvana`
-
 - https://www.kaggle.com/c/carvana-image-masking-challenge/data
 
-此处提供数据预处理脚本的使用方法
+下载命令：
 ```
 bash scripts/download_data.sh
 ```
+
 项目中已提供用于试验训练的迷你数据集，训练数据目录结构如下，用于正常训练的完整数据集请按此目录结构进行制备：
 ```
- ── data
+│ ── data
     │   ├── imgs
-    │   ├──────fff9b3a5373f_15.jpg
-    │   ├──────fff9b3a5373f_16.jpg
+    │   ├────── fff9b3a5373f_15.jpg
+    │   ├────── fff9b3a5373f_16.jpg
     │   └── masks
     │   ├────── fff9b3a5373f_15.gif
     │   ├────── fff9b3a5373f_16.gif
 ```
+
 ## 训练
 ### 单机单卡
 ```
 python train.py
 ```
+
 ### 单机多卡
 ```
 python -m torch.distributed.launch --nproc_per_node 4 train_ddp.py
 ```
 
 ## 推理
-
-[模型下载路径](https://github.com/milesial/Pytorch-UNet/releases/tag/v3.0)
-
 ```
 python predict.py -m model_path -i image.jpg -o output.jpg
 ```
@@ -98,15 +96,19 @@ python predict.py -m model_path -i image.jpg -o output.jpg
 | Unet | 精度 |
 | :------: | :------: |
 | Carvana | 0.976 |
+
 ## 应用场景
 ### 算法类别
-
 `图像分割`
 
 ### 热点应用行业
-`医疗`,`交通`,`家居`
+`医疗,交通,家居`
+
+## 预训练权重
+[SCNet AIModels - milesial-pytorch-unet-3.0](http://113.200.138.88:18080/aimodels/findsource-dependency/milesial-pytorch-unet-3.0)
 
 ## 源码仓库及问题反馈
 - https://developer.hpccube.com/codes/modelzoo/unet-pytorch
+
 ## 参考资料
 - https://github.com/milesial/Pytorch-Unet

model.properties

 # 模型唯一标识
-modelCode = 420
+modelCode=420
 # 模型名称
 modelName=unet_pytorch
 # 模型描述