Add icon and scnet

README.md

 # YoloV7
-
 ## 论文
-
-YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
-
+`YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors`
 - https://arxiv.org/pdf/2207.02696.pdf
 
 ## 模型结构
-
 YOLOV7是2022年最新出现的一种YOLO系列目标检测模型，该模型的网络结构包括三个部分：input、backbone和head。
 
 <img src="./Doc/YoloV7_model.png" alt="YOLOV7_02" style="zoom:67%;" />
 
 ## 算法原理
-
 YOLOv7的作者提出了 Extended-ELAN (E-ELAN)结构。E-ELAN采用了ELAN类似的特征聚合和特征转移流程，仅在计算模块中采用了类似ShuffleNet的分组卷积、扩张模块和混洗模块，最终通过聚合模块融合特征。通过采
 用这种方法可以获得更加多样的特征，同时提高参数的计算和利用效率。
 
@@ -21,21 +16,17 @@ YOLOv7的作者提出了 Extended-ELAN (E-ELAN)结构。E-ELAN采用了ELAN类
 
 ## 环境配置
 ### Docker（方法一）
-
 拉取镜像：
-
 ```plaintext
 docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:decode-ffmpeg-dtk23.04
 ```
 
 创建并启动容器：
-
 ```plaintext
 docker run --shm-size 16g --network=host --name=video_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/video_migraphx:/home/video_migraphx -it <Your Image ID> /bin/bash
 ```
 
 ### Dockerfile（方法二）
-
 ```
 cd ./docker
 docker build --no-cache -t video_migraphx:test .
@@ -47,7 +38,6 @@ docker run --shm-size 16g --network=host --name=video_migraphx --privileged --de
 根据提供的视频文件，进行目标检测。
 
 ## 推理
-
 ### 编译工程
 ```
 git clone https://developer.hpccube.com/codes/modelzoo/video_migraphx.git
@@ -79,20 +69,14 @@ make
 无
 
 ## 应用场景
-
 ### 算法类别
-
-`目标检测`
+目标检测
 
 ### 热点应用行业
-
-`监控`,`交通`,`教育`,`化工`
+监控,交通,教育,化工
 
 ## 源码仓库及问题反馈
-
-https://developer.hpccube.com/codes/modelzoo/video_migraphx.git
+- https://developer.hpccube.com/codes/modelzoo/video_migraphx.git
 
 ## 参考资料
-
-https://github.com/WongKinYiu/yolov7
-
+- https://github.com/WongKinYiu/yolov7