Update README.md

README.md

 # SAM
 ## 论文
 Segment Anything
-- https://scontent-sin6-4.xx.fbcdn.net/v/t39.2365-6/10000000_900554171201033_1602411987825904100_n.pdf?_nc_cat=100&ccb=1-7&_nc_sid=3c67a6&_nc_ohc=3lEwwwRVaDkAX_j-2jP&_nc_ht=scontent-sin6-4.xx&oh=00_AfA1Y7gU67MmSiOb3vgzM2eTEzqZ92zTbbbQx8A-bTD5iw&oe=652C3227
-
+- https://arxiv.org/abs/2304.02643
 ## 模型结构
 
 ![](./assets/model_diagram.png)
@@ -20,7 +19,6 @@ Segment Anything
 解码器设计如图所示。使用两个转置卷积层将更新的图像嵌入放大4倍（现在相对于输入图像缩小了4倍）。将更新的输出token嵌入传递给一个小的3层MLP，它输出一个与扩展的图像嵌入的通道维度匹配的向量。最后，使用扩展的图像嵌入和MLP的输出进行空间点乘，预测出一个掩码。Transformer使用256的嵌入维度。在64×64图像嵌入的交叉注视层中，查询、键和值通道维度为128。所有注意力层都使用8个头。用于放大输出图像嵌入的转置卷积是2×2，步幅2，输出通道维度为64和32，并具有GELU激活。它们通过层归一化来分隔。
 
 ## 算法原理
-
 SAM分为图像编码器和快速提示编码器/掩码解码器，可以重用相同的image embedding图像嵌入（并摊销其成本）与不同的提示。给定image embedding图像嵌入，提示编码器和掩码解码器可以在web浏览器中预测掩码。为了使SAM实现模糊感知，设计它来预测单个提示的多个掩码，从而使SAM能够自然地处理模糊性。
 
 ## 环境配置
@@ -28,12 +26,22 @@ SAM分为图像编码器和快速提示编码器/掩码解码器，可以重用
 从[光源](https://www.sourcefind.cn/#/service-list)拉取镜像
 ```
 docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10-py39-latest
+docker run -it --network=host --name=SAM_pytorch  --privileged --device=/dev/kfd --device=/dev/dri --ipc=host --shm-size=16G --group-add video --cap-add=SYS_PTRACE <上面获得的镜像ID> /bin/bash
 ```
 安装其他依赖：
 ```
 pip install opencv-python pycocotools matplotlib onnxruntime onnx
 ```
-### Anaconda（方法二）
+### Dockerfile（方法二）
+```
+docker build --no-cache -t image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10-py39-latest .
+docker run -it --network=host --name=SAM_pytorch  --privileged --device=/dev/kfd --device=/dev/dri --ipc=host --shm-size=16G --group-add video --cap-add=SYS_PTRACE <上面获得的镜像ID> /bin/bash
+```
+安装其他依赖：
+```
+pip install opencv-python pycocotools matplotlib onnxruntime onnx
+```
+### Anaconda（方法三）
 直接使用pip install的方式安装
 ```
 pip install git+https://github.com/facebookresearch/segment-anything.git
@@ -46,11 +54,19 @@ cd segment-anything; pip install -e .
 ## 数据集
 数据集名称：SA-1B Dataset
 完整数据集可在[这里](https://ai.facebook.com/datasets/segment-anything-downloads/)进行下载
-项目中用于试验训练的迷你数据集见./notebooks/images
+项目中用于试验训练的迷你数据集结构如下
+```
+ ── notebooks
+    │   ├── images
+    │   │         ├── dog.jpg
+    │   │         ├── groceries.jpg
+    │   │         └── trunk.jpg
+```
 
 ## 微调
 官网提供了生成掩码的预训练权重和生成掩码的脚本，没有提供训练脚本，但可使用第三方提供的示例脚本微调
 如果您有兴趣，参考[这里](https://github.com/luca-medeiros/lightning-sam/blob/main/lightning_sam/train.py)
+
 ###单机单卡
 ```
 git clone https://github.com/luca-medeiros/lightning-sam.git
@@ -63,7 +79,7 @@ python train.py
 ```
 python scripts/amg.py --checkpoint <path/to/checkpoint> --model-type <model_type> --input <image_or_folder> --output <path/to/output>
 ```
-注：checkpoint预训练模型在[这里](https://github.com/search?q=segment-anything&type=repositories#model-checkpoints)下载
+注：checkpoint预训练模型在[这里](https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth)下载
 
 指令中：<path/to/checkpoint> 代表选择权重的路径
 
@@ -87,10 +103,10 @@ python scripts/amg.py --checkpoint <path/to/checkpoint> --model-type <model_type
 掩码生成的部分结果在同级目录outputs中可以查看，结果示例如上图，官方提供demo可在[这里](https://segment-anything.com/demo)试用
 ## 应用场景
 ### 算法类别
-视觉算法：图像分割
+图像分割
 ### 热点应用行业
 SAM算法能智能抠图，可以用于识别图像和视频中的物体，具有广泛的通用性。SAM作为开源且更通用AI系统的强大组件，赋能工业、煤矿、医学影像、安防监控等多场景。
-热点应用行业：能源、医疗、网安
+热点应用行业：能源,医疗,网安
 ## 源码仓库及问题反馈
 https://developer.hpccube.com/codes/modelzoo/sam_pytorch
 ## 参考资料