修改yolov5工程格式

README.md

 # YoloV5
 
-## 模型介绍
+## 论文
 
-YoloV5是一种单阶段目标检测算法，该算法在YOLOV4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。
+无
 
 ## 模型结构
 
+YoloV5是一种单阶段目标检测算法，该算法在YOLOV4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。
+
+<img src=./Doc/YOLOV5_01.jpg style="zoom:100%;" align=middle>
+
+## 算法原理
+
 YoloV5模型的主要改进思路有以下几点：
 
 - 输入端的Mosaic数据增强、自适应锚框计算、自适应图像缩放操作；
@@ -13,35 +19,50 @@ YoloV5模型的主要改进思路有以下几点：
 - Neck端的FPN+PAN结构；
 - 输出端的损失函数GIOU_Loss以及预测框筛选的DIOU_nms。
 
-## Python版本推理
+## 环境配置
 
-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。
+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
+```
 
-### 下载镜像
+创建并启动容器：
 
-下载MIGraphX镜像： 
+```plaintext
+docker run --shm-size 16g --network=host --name=yolov5_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/yolov5_migraphx:/home/yolov5_migraphx -it <Your Image ID> /bin/bash
 
-```python
-docker pull sugonhub/migraphx:3.2.1-centos7.6-dtk-23.04.1-py38
+# 激活dtk
+source /opt/dtk/env.sh
 ```
 
-### 设置Python环境变量
+## 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_yolov5_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
 
 YoloV5模型的推理示例程序是YoloV5_infer_migraphx.py，使用如下命令运行该推理示例：
 
@@ -59,42 +80,24 @@ cd Python/
 python YoloV5_infer_migraphx.py --staticInfer
 ```
 
-程序运行结束后，在当前目录生成YOLOV5静态推理检测结果可视化图像Result.jpg
-
-<img src="./Resource/Images/Result.jpg" alt="Result" style="zoom: 50%;" />
-
 2. 动态推理
 
 ```
 python YoloV5_infer_migraphx.py --dynamicInfer
 ```
 
-程序运行结束会在当前目录生成YoloV5动态推理检测结果可视化图像Result0.jpg、Result1.jpg。
-
-<img src="./Resource/Images/Result0.jpg" alt="Result_2" style="zoom: 50%;" />
-
-<img src="./Resource/Images/Result1.jpg" alt="Result1" 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：
 
@@ -108,7 +111,7 @@ export LD_LIBRARY_PATH=<path_to_yolov5_migraphx>/depend/lib64/:$LD_LIBRARY_PATH
 source ~/.bashrc
 ```
 
-### 运行示例
+#### 运行示例
 
 YoloV5示例程序编译成功后，执行如下指令运行该示例：
 
@@ -126,26 +129,60 @@ cd build/
 ./YOLOV5 0
 ```
 
-程序运行结束后，会在当前目录生成YOLOV5静态推理检测结果可视化图像Result.jpg
-
-<img src="./Resource/Images/Result.jpg" alt="Result" style="zoom:50%;" />
-
 2. 动态推理
 
 ```
 ./YOLOV5 1
 ```
 
-程序运行结束会在build目录生成YoloV5动态shape推理检测结果可视化图像Result0.jpg、Result1.jpg。
+## result
+
+### Python版本
+
+静态推理：
+
+python程序运行结束后，会在当前目录生成YOLOV5静态推理检测结果可视化图像。
+
+<img src="./Resource/Images/Result.jpg" alt="Result" style="zoom: 50%;" />
+
+动态推理：
+
+python程序运行结束后，会在当前目录生成YoloV5动态推理检测结果可视化图像。
+
+<img src="./Resource/Images/Result0.jpg" alt="Result_2" style="zoom: 50%;" />
+
+<img src="./Resource/Images/Result1.jpg" alt="Result1" style="zoom: 50%;" />
+
+### C++版本
+
+静态推理：
+
+C++程序运行结束后，会在build目录生成YOLOV5静态推理检测结果可视化图像。
+
+<img src="./Resource/Images/Result.jpg" alt="Result" style="zoom:50%;" />
+
+动态推理：
+
+C++程序运行结束后，会在build目录生成YoloV5动态shape推理检测结果可视化图像。
 
 <img src="./Resource/Images/Result0.jpg" alt="Result" style="zoom:50%;" />
 
 <img src="./Resource/Images/Result1.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/yolov5_migraphx
+https://developer.hpccube.com/codes/modelzoo/yolov5_migraphx
 
 ## 参考
 
-​		https://github.com/ultralytics/yolov5
+https://github.com/ultralytics/yolov5

model.properties

+#模型唯一标识符
+modelCode=213
 #模型名称
-modelName=YoloV5_MIGraphX
+modelName=yolov5_migraphx
 #模型描述
 modelDescription=YoloV5是一种单阶段目标检测算法，该算法在YOLOV4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。
 #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
\ No newline at end of file
+frameType=migraphx
\ No newline at end of file