修改yolov3工程格式

README.md

 # YoloV3
 
-## 模型介绍
+## 论文
 
-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。
+YOLOv3: An Incremental Improvement
+
+- https://arxiv.org/abs/1804.02767
 
 ## 模型结构
 
-算法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。参考论文地址：https://arxiv.org/abs/1804.02767
+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。
 
-## Python版本推理
+<img src="./Doc/YOLOV3_01.jpg" style="zoom:100%;" align=middle>
 
-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。
+## 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。
 
-### 下载镜像
+## 环境配置
 
-下载MIGraphX镜像：
+### Docker
 
-```python
-docker pull sugonhub/migraphx:3.2.1-centos7.6-dtk-23.04.1-py38
+拉取镜像：
+
+```plaintext
+docker pull image.sourcefind.cn:5000/dcu/admin/base/migraphx:4.0.0-centos7.6-dtk23.04.1-py38-latest
 ```
 
-### 设置Python环境变量
+创建并启动容器：
+
+```plaintext
+docker run --shm-size 16g --network=host --name=yolov3_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/yolov3_migraphx:/home/yolov3_migraphx -it <Your Image ID> /bin/bash
+
+# 激活dtk
+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
+#### 安装依赖
 
 ```
 # 进入python示例目录
 cd <path_to_yolov3_migraphx>/Python
 
 # 安装依赖
-pip install -r requirements.txt
+pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
 ```
 
-### 运行示例
+#### 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：
 
@@ -49,32 +74,18 @@ python YoloV3_infer_migraphx.py \
 	--nmsThreshold nms阈值，默认0.4 \
 ```
 
-程序运行结束会在当前目录生成YoloV3检测结果图像。
-
-<img src="./Resource/Images/Result_1.jpg" alt="Result_2" style="zoom: 50%;" />
-
-
-
-## C++版本推理
+### 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。
 
-### 下载镜像
 
-下载MIGraphX镜像： 
-
-```
-docker pull sugonhub/migraphx:3.2.1-centos7.6-dtk-23.04.1-py38
-```
-
-
-### 构建工程
+#### 构建工程
 
 ```
 rbuild build -d depend
 ```
 
-### 设置环境变量
+#### 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：
 
@@ -88,7 +99,7 @@ export LD_LIBRARY_PATH=<path_to_yolov3_migraphx>/depend/lib64/:$LD_LIBRARY_PATH
 source ~/.bashrc
 ```
 
-### 运行示例
+#### 运行示例
 
 成功编译YoloV3工程后，执行如下命令运行该示例：
 
@@ -103,14 +114,34 @@ cd ./build/
 ./YOLOV3
 ```
 
-程序运行结束会在build目录生成YoloV3检测结果图像。
+## 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%;" />
 
+## 应用场景
+
+### 算法类别
+
+`目标检测`
+
+### 热点应用行业
+
+`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
 
-​		https://github.com/ultralytics/yolov3
+https://github.com/ultralytics/yolov3

model.properties

+#模型唯一标识
+modelCode=211
 #模型名称
-modelName=YoloV3_MIGraphX
+modelName=yolov3_migraphx
 #模型描述
 modelDescription=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。
 #应用场景
-appScenario=推理,cv,目标检测
+appScenario=推理,CV,目标检测
 #框架类型
-frameType=MIGraphX
+frameType=migraphx
\ No newline at end of file