Modify README.md

Signed-off-by: lijian <lijian6@sugon.com>

Python/README.md

@@ -19,14 +19,14 @@ Vision Transformer模型结构如下图所示主要包括三部分，patch embed
 
 使用ImageNet数据集做pretrain，pretrain之后的模型使用[flower_photos](https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz)做fine-tuning
 
-## 训练
+## 训练和推理
 
 ### 环境配置
 
 在[光源](https://www.sourcefind.cn/#/service-details)可拉取训练的docker镜像，推荐的镜像如下：
 * 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
 
-若想使用MIGraphX做推理，可在[光合开发者社区](https://cancon.hpccube.com:65024/4/main/)中下载MIGraphX.
+若想使用MIGraphX做推理，可在[光合开发者社区](https://cancon.hpccube.com:65024/4/main/)中下载MIGraphX并安装.
 
 ### Fine-tunning
 
@@ -41,19 +41,30 @@ Fine-tuning时可调整epoch参数来调整模型。
 本项目使用[base_patch16_224_in21k](https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-vitjx/jx_vit_base_patch16_224_in21k-e5005f0a.pth)为预训练模型，需自行下载。下载完预训练模型和数据集，即可开始fine-tun。可用torch进行推理，也可转为onnx模型使用MIGraphX进行推理。
 
 ### 推理
-推理测试模型用infer_pytroch.py和infer_migraphx.py对训练出的模型进行推理，使用方法如下：
+
+推理测试用infer_pytroch.py和infer_migraphx.py对训练出的模型进行推理，使用方法如下：
 
     python infer_pytroch.py ./flower_photos/daisy/
     python infer_migraphx.py --imgpath=./flower_photos/daisy/
 
-## 代码使用简介
-
-1. 下载好数据集，代码中默认使用的是花分类数据集，下载地址: [https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz](https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz)
-2. 在`train.py`脚本中将`--data-path`设置成解压后的`flower_photos`文件夹绝对路径
-3. 下载预训练权重，在`vit_model.py`文件中每个模型都有提供预训练权重的下载地址，根据自己使用的模型下载对应预训练权重
-4. 在`train.py`脚本中将`--weights`参数设成下载好的预训练权重路径
-5. 设置好数据集的路径`--data-path`以及预训练权重的路径`--weights`就能使用`train.py`脚本开始训练了(训练过程中会自动生成`class_indices.json`文件)
-6. 在`predict.py`脚本中导入和训练脚本中同样的模型，并将`model_weight_path`设置成训练好的模型权重路径(默认保存在weights文件夹下)
-7. 在`predict.py`脚本中将`img_path`设置成你自己需要预测的图片绝对路径
-8. 设置好权重路径`model_weight_path`和预测的图片路径`img_path`就能使用`predict.py`脚本进行预测了
-9. 如果要使用自己的数据集，请按照花分类数据集的文件结构进行摆放(即一个类别对应一个文件夹)，并且将训练以及预测脚本中的`num_classes`设置成你自己数据的类别数
+## 准确率数据
+
+测试数据使用的是[flower_photos](https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz)，使用的加速卡是DCU Z100
+
+| Engine | Model Path| Data | Accuracy(%) |
+| :------: | :------: | :------: | :------: |
+| Pythorch | models/model.onnx | daisy | 98.4 |
+| Pythorch | models/model.onnx | dandelion | 98.2 |
+| Pythorch | models/model.onnx | roses | 90.0 |
+| Pythorch | models/model.onnx | sunflowers | 97.4 |
+| Pythorch | models/model.onnx | tulips | 95.4 |
+| MIGraphX | models/model.onnx | daisy | 98.4 |
+| MIGraphX | models/model.onnx | dandelion | 98.8 |
+| MIGraphX | models/model.onnx | roses | 91.3 |
+| MIGraphX | models/model.onnx | sunflowers | 97.4 |
+| MIGraphX | models/model.onnx | tulips | 95.0 |
+
+## 源码仓库及问题反馈
+
+https://developer.hpccube.com/codes/modelzoo/vit_migraphx.git
+

README.md

@@ -71,7 +71,7 @@ tar -zxvf flower_photos.tgz
 | MIGraphX | models/model.onnx | sunflowers | 97.4 |
 | MIGraphX | models/model.onnx | tulips | 94.1 |
 
-## 历史版本
+## 源码仓库及问题反馈
 
 https://developer.hpccube.com/codes/modelzoo/vit_migraphx.git