更换dtk24.04.1镜像

README.md

 
-
 # YOLOV5
 
 ## 论文
@@ -23,9 +22,9 @@ YOLOv5 是一种基于单阶段目标检测算法，通过将图像划分为不
 ### Docker (方法一)
 
 ```
-docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.13.1-centos7.6-dtk-23.04.1-py38-latest
+docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.1.0-ubuntu20.04-dtk24.04.1-py3.10
 
-docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
+docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v /opt/hyhal:/opt/hyhal:ro --name docker_name imageID bash
 
 cd /path/workspace/
 pip3 install -r requirements.txt
@@ -35,8 +34,8 @@ pip3 install -r requirements.txt
 
 ```
 cd ./docker
-docker build --no-cache -t yolov5:6.0 .
-docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
+docker build --no-cache -t yolov5:latest .
+docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true ---device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v /opt/hyhal:/opt/hyhal:ro --name docker_name imageID bash
 ```
 
 ### Anaconda (方法三)
@@ -44,10 +43,10 @@ docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --p
 1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装： https://developer.hpccube.com/tool/
 
 ```
-DTK软件栈：dtk23.04.1
-python：python3.8
-torch：1.13.1
-torchvision：0.14.1
+DTK软件栈：dtk24.04.1
+python：python3.10
+torch：2.1.0
+torchvision：0.16.0
 ```
 
 Tips：以上dtk软件栈、python、torch等DCU相关工具版本需要严格一一对应
@@ -95,6 +94,7 @@ pip3 install -r requirements.txt
 
 ## 训练
 
+在data/coco.yaml文件进行修改数据集路径。
 若使用dtk版本为22.10.1及其之前的版本，训练之前请修改bn的配置：
 
 如图将torch.backends.cudnn.enabled改为False
@@ -125,7 +125,7 @@ python3 -m torch.distributed.run --nproc_per_node 4 train.py --batch 128 --data
 ### 多机多卡
 
 ```
-#下面的例子中使用两个节点，每个节点包含4加速张卡
+#下面的例子中使用两个节点，每个节点包含4张加速卡
 #node 1
 export HIP_VISIBLE_DEVICES=0,1,2,3
 export HSA_FORCE_FINE_GRAIN_PCIE=1
@@ -166,7 +166,7 @@ python3 val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65 --batch-size 1
 ## result
 此处以yolov5s模型进行推理测试
 ![bus](bus.jpg)
-## 精度
+### 精度
 
 |  模型   | 数据类型 | map0.5:0.95 | map0.5 |
 | :-----: | :------: | :---------: | :----: |
@@ -183,7 +183,7 @@ python3 val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65 --batch-size 1
 ### 热点应用行业
 金融,交通,教育
 
-## FAQ：
+### FAQ：
 
 ### 1、画出loss和精度曲线
 
@@ -203,7 +203,7 @@ python3 val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65 --batch-size 1
 
 https://developer.hpccube.com/codes/modelzoo/yolov5_pytorch
 
-## 参考
+## 参考资料
 
 [GitHub - ultralytics/yolov5 at v6.0](https://github.com/ultralytics/yolov5/tree/v6.0)