Merge branch 'icon' into 'main'

Add icon and SCNet.

See merge request !1

README.md

 # YoloV3
-
 ## 论文
-
-YOLOv3: An Incremental Improvement
-
+`YOLOv3: An Incremental Improvement`
 - https://arxiv.org/abs/1804.02767
 
 ## 模型结构
-
 YOLOV3是由Joseph Redmon和Ali Farhadi在2018年提出的单阶段目标检测模型，主要用于自然场景的目标检测。
 
 <img src="./Doc/YOLOV3_01.jpg" style="zoom:100%;" align=middle>
 
 ## 算法原理
-
 Yolov3算法的基本思想：首先通过特征提取网络对输入提取特征，backbone部分由YOLOV2时期的Darknet19进化至Darknet53加深了网络层数，引入了Resnet中的跨层加和操作；然后结合不同卷积层的特征实现多尺度训练，一共有13x13、26x26、52x52三种分辨率，分别用来预测大、中、小的物体；每种分辨率的特征图将输入图像分成不同数量的格子，每个格子预测B个bounding box，每个bounding box预测内容包括: Location(x, y, w, h)、Confidence Score和C个类别的概率，因此YOLOv3输出层的channel数为B*(5 + C)。YOLOv3的loss函数也有三部分组成：Location误差，Confidence误差和分类误差。
 
 <img src="./Doc/YOLOV3_02.png" style="zoom:100%;" align=middle>
 
-
-
 ## 环境配置
-
 ### Docker（方法一）
-
 拉取镜像：
 
 ```plaintext
@@ -40,7 +31,6 @@ source /opt/dtk/env.sh
 ```
 
 ### Dockerfile（方法二）
-
 ```
 cd ./docker
 docker build --no-cache -t yolov3_migraphx:2.0 .
@@ -52,23 +42,18 @@ source /opt/dtk/env.sh
 ```
 
 ## 数据集
-
 根据提供的样本数据，进行目标检测。
 
 ## 推理
-
 ### Python版本推理
-
 下面介绍如何运行Python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。
 
 #### 设置环境变量
-
 ```
 export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
 ```
 
 #### 安装依赖
-
 ```
 # 进入python示例目录
 cd <path_to_yolov3_migraphx>/Python
@@ -78,12 +63,11 @@ pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
 ```
 
 #### 运行示例
-
 YoloV3模型的推理示例程序是YoloV3_infer_migraphx.py，在Python目录下使用如下命令运行该推理示例：
 
 ```
 python YoloV3_infer_migraphx.py \
-	--imgpath 测试图像路径 \ 
+	--imgpath 测试图像路径 \
 	--modelpath onnx模型路径 \
 	--objectThreshold 判断是否有物体阈值，默认0.4 \
 	--confThreshold 置信度阈值，默认0.2 \
@@ -91,18 +75,15 @@ python YoloV3_infer_migraphx.py \
 ```
 
 ### C++版本推理
-
 下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
 
 
 #### 构建工程
-
 ```
 rbuild build -d depend
 ```
 
 #### 设置环境变量
-
 将依赖库依赖加入环境变量LD_LIBRARY_PATH，在~/.bashrc中添加如下语句：
 
 ```
@@ -116,12 +97,11 @@ source ~/.bashrc
 ```
 
 #### 运行示例
-
 成功编译YoloV3工程后，执行如下命令运行该示例：
 
 ```
 # 进入yolov3 migraphx工程根目录
-cd <path_to_yolov3_migraphx> 
+cd <path_to_yolov3_migraphx>
 
 # 进入build目录
 cd ./build/
@@ -131,37 +111,29 @@ cd ./build/
 ```
 
 ## result
-
 ### Python版本
-
 python程序运行结束后，会在当前目录生成目标检测图像。
 
 <img src="./Resource/Images/Result_1.jpg" alt="Result_2" style="zoom: 50%;" />
 
 ### C++版本
-
 C++程序运行结束后，会在build目录生成目标检测图像。
 
 <img src="./Resource/Images/Result_1.jpg" alt="Result" style="zoom:50%;" />
 
 ### 精度
-
 无
 
 ## 应用场景
 
 ### 算法类别
-
-`目标检测`
+目标检测
 
 ### 热点应用行业
-
-`交通`,`教育`,`化工`
+交通,教育,化工
 
 ## 源码仓库及问题反馈
-
-https://developer.hpccube.com/codes/modelzoo/yolov3_migraphx
+- https://developer.hpccube.com/codes/modelzoo/yolov3_migraphx
 
 ## 参考资料
-
-https://github.com/ultralytics/yolov3
+- https://github.com/ultralytics/yolov3