update README

README.md

@@ -17,19 +17,16 @@ YOLOv5 是一种基于单阶段目标检测算法，通过将图像划分为不
 ![Algorithm_principle](Algorithm_principle.png)
 
 ## 环境配置
+### Docker(方法一)
+此处提供[光源](https://www.sourcefind.cn/#/service-details)拉取docker镜像的地址与使用步骤
 
-提供[光源](https://www.sourcefind.cn/#/service-details)拉取的训练的docker镜像：
-
-* 推理镜像：
-```
-  docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:tvm-0.11_fp32_cpp_dtk22.10_py38_centos-7.6-latest
-```
-* 激活镜像环境及运行测试
 ```
-  cd /root/tvm-0.11-dev0/apps/howto_deploy.yolov5s
+docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:tvm-0.11_fp32_cpp_dtk22.10_py38_centos-7.6-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 --name docker_name imageID bash
+cd /root/tvm-0.11-dev0/apps/
+git clone http://developer.hpccube.com/codes/modelzoo/yolov5s_tvm.git
 ```
 
-
 ## 数据集
 
 COCO2017（在网络良好的情况下，如果没有下载数据集，程序会默认在线下载数据集）
@@ -62,7 +59,7 @@ COCO2017（在网络良好的情况下，如果没有下载数据集，程序会
 
 ```
 
-## 单卡推理测试
+## 推理
 
 CPP Deploy测试参考：
 ```
@@ -73,8 +70,12 @@ Python Deploy测试参考：
 ```
     bash run_python.sh
 ```
+### result
+![result](result.jpg)
+
+## 精度
 
-## 准确率数据
+测试数据：COCO2017，使用的加速卡:Z100L。
 ```
  Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.571
  Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.401
@@ -89,11 +90,17 @@ Python Deploy测试参考：
  Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.719
 Results saved to runs/val/exp59
 ```
+## 应用场景
+### 算法类别
+目标检测
+
+### 热点行业
+金融,交通,教育
 
-## 源码仓库及问题反馈
+### 源码仓库及问题反馈
 
-* https://developer.hpccube.com/codes/modelzoo/yolov5s_tvm
+https://developer.hpccube.com/codes/modelzoo/yolov5s_tvm
 
-## 参考
+### 参考
 
-* https://developer.hpccube.com/codes/modelzoo/yolov5s_tvm
+https://github.com/ultralytics/yolov5/