Update README.md

contrib/ACE2P/README.md

@@ -4,6 +4,8 @@
 人体解析(Human Parsing)是细粒度的语义分割任务，旨在识别像素级别的人类图像的组成部分（例如，身体部位和服装）。ACE2P通过融合底层特征、全局上下文信息和边缘细节，
 端到端训练学习人体解析任务。以ACE2P单人人体解析网络为基础的解决方案在CVPR2019第三届LIP挑战赛中赢得了全部三个人体解析任务的第一名
 
+Augmented Context Embedding with Edge Perceiving (ACE2P)通过融合底层特征、全局上下文信息和边缘细节，端到端训练学习人体解析任务。以ACE2P单人人体解析网络为基础的解决方案在CVPR2019第三届Look into Person (LIP)挑战赛中赢得了全部三个人体解析任务的第一名。
+
 ## 模型框架图
 ![](imgs/net.jpg)
 
@@ -38,6 +40,59 @@ ACE2P模型包含三个分支:
 
 ![](imgs/result.jpg)
 
+![](ACE2P/imgs/result.jpg)
+
+人体解析(Human Parsing)是细粒度的语义分割任务，旨在识别像素级别的人类图像的组成部分（例如，身体部位和服装）。本章节使用冠军模型Augmented Context Embedding with Edge Perceiving (ACE2P)进行预测分割。
+
+## 代码使用说明
+
+### 1. 模型下载
+
+执行以下命令下载并解压ACE2P预测模型：
+
+```
+python download_ACE2P.py
+```
+
+或点击[链接](https://paddleseg.bj.bcebos.com/models/ACE2P.tgz)进行手动下载, 并在contrib/ACE2P下解压。
+
+### 2. 数据下载
+
+测试图片共10000张，
+点击 [Baidu_Drive](https://pan.baidu.com/s/1nvqmZBN#list/path=%2Fsharelink2787269280-523292635003760%2FLIP%2FLIP&parentPath=%2Fsharelink2787269280-523292635003760)
+下载Testing_images.zip，或前往LIP数据集官网进行下载。
+下载后解压到./data文件夹下
+
+
+### 3. 快速预测
+
+使用GPU预测
+```
+python -u infer.py --example ACE2P --use_gpu
+```
+
+使用CPU预测：
+```
+python -u infer.py --example ACE2P
+```
+
+**NOTE:** 运行该模型需要2G左右显存。由于数据图片较多，预测过程将比较耗时。
+
+#### 4. 预测结果示例：
+  
+  原图：
+  
+  ![](ACE2P/imgs/117676_2149260.jpg)
+  
+  预测结果：
+  
+  ![](ACE2P/imgs/117676_2149260.png)
+  
+### 备注
+
+1. 数据及模型路径等详细配置见ACE2P/HumanSeg/RoadLine下的config.py文件
+2. ACE2P模型需预留2G显存，若显存超可调小FLAGS_fraction_of_gpu_memory_to_use
+
 ## 引用
 
 **论文**