chore(detection): update README.md

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<br>@5-95              |   batch<br>/gpu | gpu   | speed<br>(8gpu)   | speed<br>(1gpu)|
+| 模型                            | mAP<br>@5-95 | batch<br>/gpu | gpu    | speed<br>(8gpu)   | speed<br>(1gpu) |
 | ---                             | ---          | ---           | ---    | ---               | ---             |
-| retinanet-res50-1x-800size | 36.0 |   2             | 2080  |       2.27(it/s)  |      3.7(it/s) |    
+| 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