update yolox

README.md

-# Yolox_mmcv
+# RTMDet_mmcv
+## 论文
+`YOLOX: Exceeding YOLO Series in 2021`<br>
+[论文链接](https://arxiv.org/abs/2107.08430)
+## 模型结构
+YoloX由旷视科技开源，以YoloV3(Darknet53作为backbone)作为基线，在样本增样，样本匹配，模型输出头等进行了优化 [Decoupled Head，Data Aug，Anchor Free,SimOTA]
+![model_structure.jpg](resources%2Fmodel_structure.jpg)
+## 算法原理
+宏观架构上在yolov3的基础之上，进行优化，通过对检测头解耦，样本匹配，训练策略等多个方面进行了改进，从而提升了模型性能和收敛速度
+对构建单元进行了更新
+![head.jpg](resources%2Fhead.jpg)
+## 环境配置
+### 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 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 /path/workspace/
+pip install mmdet==3.2.0 -i https://mirrors.aliyun.com/pypi/simple/
+```
+### Dockerfile（方法二）
+```
+cd ./docker
+docker build --no-cache -t mmdet:3.0 .
+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
+cd /path/workspace/
+```
+### Anaconda（方法三）
+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
+mmcv: 2.0.0
+
+```
+
+Tips：以上dtk软件栈、python、torch、mmcv等DCU相关工具版本需要严格一一对应
+
+2、其他非特殊库直接按照requirements.txt安装
+
+```
+cd workspace/
+pip install mmdet==3.2.0 -i https://mirrors.aliyun.com/pypi/simple/
+```
+
+## 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）
+
+[训练数据](http://images.cocodataset.org/zips/train2017.zip)
+
+[验证数据](http://images.cocodataset.org/zips/val2017.zip)
+
+[测试数据](http://images.cocodataset.org/zips/test2017.zip)
+
+[标签数据](https://github.com/ultralytics/yolov5/releases/download/v1.0/coco2017labels.zip)
+
+数据集的目录结构如下：
+
+```
+├── images 
+│   ├── train2017
+│   ├── val2017
+│   ├── test2017
+├── labels
+│   ├── train2017
+│   ├── val2017
+├── annotations
+│   ├── instances_val2017.json
+├── LICENSE
+├── README.txt 
+├── test-dev2017.txt
+├── train2017.txt
+├── val2017.txt
+
+```
+
+## 训练
+- 数据集放置位置默认为当前目录下 data/
+- 如需要变更数据集目录 请修改 configs/\_base_\/datasets/coco_detection.py 下的 data_root
+```python
+bash ./train.sh
+```
+## 推理
+- 可使用官方模型权重进行推理，也可使用自己训练模型权重进行推理
+- 这里以官方模型推理举例[[下载地址：yolox_s_8x8_300e_coco_20211121_095711-4592a793.pth](https://download.openmmlab.com/mmdetection/v2.0/yolox/yolox_s_8x8_300e_coco/yolox_s_8x8_300e_coco_20211121_095711-4592a793.pth)]
+```python
+# 官方推理代码
+python demo/image_demo.py demo/demo.jpg ./configs/yolox/yolox_s_8xb8-300e_coco.py --weights yolox_s_8x8_300e_coco_20211121_095711-4592a793.pth --device cuda
+```
+## result
+![result](./resources/result.jpg)
+## 精度
+|   模型名称   | batchsize | amp混精 |  精度  |
+|:--------:|:---------:|:-----:|:----:|
+| yolox-s |    256    |  off  | 40.3 |
+| yolox-s  |    256    |  on   | 40.1 |
+## 应用场景
+### 算法类别
+`目标检测`
+### 热点应用行业
+`金融,交通,教育`
+## 源码仓库及问题反馈
+- https://developer.hpccube.com/codes/modelzoo/yolox_mmcv
+## 参考资料
+- https://github.com/open-mmlab/mmdetection/tree/v3.2.0