diff --git a/official/vision/detection/README.md b/official/vision/detection/README.md
index f66403c004800de4bf7b518701d5dcc40fed3ead..4b0481d230e2403cb44c1f155ba956cfae1ae417 100644
--- a/official/vision/detection/README.md
+++ b/official/vision/detection/README.md
@@ -2,23 +2,22 @@
## 介绍
-本目录包含了采用MegEngine实现的经典[RetinaNet](https://arxiv.org/pdf/1708.02002>)网络结构，
-同时提供了在COCO2017数据集上的完整训练和测试代码。
+本目录包含了采用MegEngine实现的经典[RetinaNet](https://arxiv.org/pdf/1708.02002>)网络结构，同时提供了在COCO2017数据集上的完整训练和测试代码。
网络的性能在COCO2017验证集上的测试结果如下：
-| 模型 | mAP
@5-95 | batch
/gpu | gpu | speed
(8gpu) | speed
(1gpu)|
-| --- | --- | --- | --- | --- | --- |
-| retinanet-res50-1x-800size | 36.0 | 2 | 2080 | 2.27(it/s) | 3.7(it/s) |
+| 模型 | mAP
@5-95 | batch
/gpu | gpu | speed
(8gpu) | speed
(1gpu) |
+| --- | --- | --- | --- | --- | --- |
+| retinanet-res50-coco-1x-800size | 36.0 | 2 | 2080ti | 2.27(it/s) | 3.7(it/s) |
-* MegEngine v0.3.0
+* MegEngine v0.4.0
## 如何使用
模型训练好之后，可以通过如下命令测试单张图片:
```bash
-python3 tools/inference.py -f retinanet_res50_1x_800size.py \
+python3 tools/inference.py -f retinanet_res50_coco_1x_800size.py \
-i ../../assets/cat.jpg \
-m /path/to/retinanet_weights.pkl
```
@@ -35,8 +34,8 @@ python3 tools/inference.py -f retinanet_res50_1x_800size.py \
## 如何训练
-1. 在开始训练前，请确保已经下载解压好[COCO数据集](http://cocodataset.org/#download)，
-并放在合适的数据目录下，准备好的数据集的目录结构如下所示(目前默认使用coco2017的数据集)：
+1. 在开始训练前，请确保已经下载解压好[COCO2017数据集](http://cocodataset.org/#download)，
+并放在合适的数据目录下，准备好的数据集的目录结构如下所示(目前默认使用COCO2017数据集)：
```
/path/to/
@@ -46,14 +45,14 @@ python3 tools/inference.py -f retinanet_res50_1x_800size.py \
| |val2017
```
-2. 准备预训练的`backbone`网络权重：可使用 megengine.hub 下载`megengine`官方提供的在ImageNet上训练的resnet50模型, 并存放在 `/path/to/pretrain.pkl`。
+2. 准备预训练的`backbone`网络权重：可使用 megengine.hub 下载`megengine`官方提供的在ImageNet上训练的ResNet-50模型, 并存放在 `/path/to/pretrain.pkl`。
3. 在开始运行本目录下的代码之前，请确保按照[README](../../../README.md)进行了正确的环境配置。
4. 开始训练:
```bash
-python3 tools/train.py -f retinanet_res50_1x_800size.py \
+python3 tools/train.py -f retinanet_res50_coco_1x_800size.py \
-n 8 \
--batch_size 2 \
-w /path/to/pretrain.pkl
@@ -65,7 +64,7 @@ python3 tools/train.py -f retinanet_res50_1x_800size.py \
- `-n`, 用于训练的devices(gpu)数量，默认使用所有可用的gpu.
- `-w`, 预训练的backbone网络权重的路径。
- `--batch_size`，训练时采用的`batch size`, 默认2，表示每张卡训2张图。
-- `--dataset-dir`, coco数据集的根目录，默认`/data/datasets/coco`。
+- `--dataset-dir`, COCO2017数据集的上级目录，默认`/data/datasets`。
默认情况下模型会存在 `log-of-retinanet_res50_1x_800size`目录下。
@@ -74,10 +73,10 @@ python3 tools/train.py -f retinanet_res50_1x_800size.py \
在训练的过程中，可以通过如下命令测试模型在`COCO2017`验证集的性能：
```bash
-python3 tools/test.py -n 8 \
- -f retinanet_res50_1x_800size.py \
+python3 tools/test.py -f retinanet_res50_coco_1x_800size.py \
+ -n 8 \
--model /path/to/retinanet_weights.pt \
- --dataset_dir /data/datasets/coco
+ --dataset_dir /data/datasets
```
`tools/test.py`的命令行选项如下：
@@ -85,7 +84,7 @@ python3 tools/test.py -n 8 \
- `-f`, 所需要测试的网络结构描述文件。
- `-n`, 用于测试的devices(gpu)数量，默认1；
- `--model`, 需要测试的模型；可以从顶部的表格中下载训练好的检测器权重, 也可以用自行训练好的权重。
-- `--dataset_dir`，coco数据集的根目录，默认`/data/datasets`
+- `--dataset_dir`，COCO2017数据集的上级目录，默认`/data/datasets`
## 参考文献