Update README.md, model.properties files

README.md

@@ -30,15 +30,16 @@ docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.13.1-centos7.6-dtk
 ```
 创建容器并挂载目录进行开发：
 ```
-docker run -it --name {name} --shm-size=1024G  --device=/dev/kfd --device=/dev/dri/ --privileged --cap-add=SYS_PTRACE --security-opt seccomp=unconfined --ulimit memlock=-1:-1 --ipc=host --network host --group-add video -v /parastor/DL_DATA:/home/data:ro -v /public/DL_DATA:/home/data2:ro -v /opt/hyhal:/opt/hyhal:ro -v /parastor/home/:/home/ {docker_image} /bin/bash
+docker run -it --name {name} --shm-size=1024G  --device=/dev/kfd --device=/dev/dri/ --privileged --cap-add=SYS_PTRACE --security-opt seccomp=unconfined --ulimit memlock=-1:-1 --ipc=host --network host --group-add video -v {}:{} {docker_image} /bin/bash
 # 修改1 {name} 需要改为自定义名称，建议命名{框架_dtk版本_使用者姓名},如果有特殊用途可在命名框架前添加命名
 # 修改2 {docker_image} 需要需要创建容器的对应镜像名称，如: pytorch:1.10.0-centos7.6-dtk-23.04-py37-latest【镜像名称:tag名称】
 # 修改3 -v 挂载路径到容器指定路径
 ```
 ### Dockerfile（方法二）
 ```
+cd docker
 docker build --no-cache -t yolov9_pytorch:1.0 .
-docker run -it --name {name} --shm-size=1024G  --device=/dev/kfd --device=/dev/dri/ --privileged --cap-add=SYS_PTRACE --security-opt seccomp=unconfined --ulimit memlock=-1:-1 --ipc=host --network host --group-add video -v /parastor/DL_DATA:/home/data:ro -v /public/DL_DATA:/home/data2:ro -v /opt/hyhal:/opt/hyhal:ro -v /parastor/home/:/home/ {docker_image} /bin/bash
+docker run -it --name {name} --shm-size=1024G  --device=/dev/kfd --device=/dev/dri/ --privileged --cap-add=SYS_PTRACE --security-opt seccomp=unconfined --ulimit memlock=-1:-1 --ipc=host --network host --group-add video -v {}:{} {docker_image} /bin/bash
 ```
 ### Anaconda（方法三）
 线上节点推荐使用conda进行环境配置。
@@ -115,26 +116,20 @@ python detect_dual.py --source './data/images/horses.jpg' --img 640 --device 0 -
 测试数据：[test](http://images.cocodataset.org/zips/test2017.zip)
 
 测试指标：
-```
- Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.530
- Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.703
- Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.578
- Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.363
- Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.585
- Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.691
- Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.392
- Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.651
- Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.700
- Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.539
- Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.759
- Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.847
-```
+| 模型 | 数据类型 | map0.5:0.95 | map0.5 |
+| :------: | :------: | :------: | :------: |
+| yolo9-c-converted | 混精 | 0.530 | 0.703 |
+| yolo9-e-converted | 混精 | 0.556 | 0.728 |
+| yolo9-c | 混精 | 0.530 | 0.703 |
+| yolo9-e | 混精 | 0.556 | 0.728 |
+| gelan-c | 混精 | 0.526 | 0.695 |
+| gelan-e | 混精 | 0.550 | 0.719 |
 ## 应用场景
 ### 算法类别
-目标检测、目标分割
+目标检测
 
 ### 热点应用行业
-安防、交通、教育
+安防,交通,教育
 
 
 ## 源码仓库及问题反馈

model.properties

+# 模型唯一标识
+modelCode = 
+# 模型名称
+modelName=yolov9_pytorch
+# 模型描述
+modelDescription=yolov9是一种基于深度学习的目标检测算法,可以广泛应用于各种计算机视觉和人工智能领域的应用中
+# 应用场景
+appScenario=推理,训练,金融,交通,教育
+# 框架类型
+frameType=pytorch