Update README.md

README.md

@@ -5,15 +5,16 @@
 1. [所需环境 Environment](#所需环境)
 2. [文件下载 Download](#文件下载)
 3. [注意事项 Attention](#注意事项)
-4. [训练步骤 How2train](#训练步骤)
-5. [参考资料 Reference](#Reference)
+4. [预测步骤 How2predict](#预测步骤)
+5. [训练步骤 How2train](#训练步骤)
+6. [参考资料 Reference](#Reference)
 
 ### 所需环境
 torch==1.2.0
 
 ### 文件下载  
 训练所需的pth可以在百度网盘下载。       
-包括Efficient-d0到d7所有权重。    
+包括Efficientdet-d0到d7所有权重。    
 链接: https://pan.baidu.com/s/1Kvv526YYSDJEf9BzWfIb3Q 提取码: f9g3  
 
 ### 注意事项
@@ -21,19 +22,54 @@ torch==1.2.0
 **2、注意修改训练用到的voc_classes.txt文件！**  
 **3、注意修改预测用到的voc_classes.txt文件！**  
 
+### 预测步骤
+#### 1、使用预训练权重
+a、下载完库后解压，在百度网盘下载Efficientdet-d0到d7的权重，运行predict.py，输入  
+```python
+img/street.jpg
+```
+可完成预测。  
+b、利用video.py可进行摄像头检测。  
+#### 2、使用自己训练的权重
+a、按照训练步骤训练。  
+b、在efficientdet.py文件里面，在如下部分修改model_path、classes_path和phi使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。phi为所使用的efficientdet的版本**。 
+```python
+_defaults = {
+    "model_path": 'model_data/efficientdet-d0.pth',
+    "classes_path": 'model_data/coco_classes.txt',
+    "phi": 0,
+    "confidence": 0.3,
+    "cuda": True
+}
+```
+c、运行predict.py，输入  
+```python
+img/street.jpg
+```
+可完成预测。  
+d、利用video.py可进行摄像头检测。  
+
 ### 训练步骤
 1、本文使用VOC格式进行训练。  
 2、训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。  
 3、训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。  
 4、在训练前利用voc2efficientdet.py文件生成对应的txt。  
-5、再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。  
+5、再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。**注意不要使用中文标签，文件夹中不要有空格！**   
 ```python
 classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
 ```
-6、就会生成对应的2007_train.txt，每一行对应其图片位置及其真实框的位置。  
-7、在训练前需要修改model_data里面的voc_classes.txt文件，需要将classes改成你自己的classes。  
-8、修改train.py文件下的phi可以修改efficientdet的版本，训练前注意权重文件与Efficientdet版本的对齐。  
-9、运行train.py即可开始训练。  
+6、此时会生成对应的2007_train.txt，每一行对应其**图片位置**及其**真实框的位置**。  
+7、**在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件**，示例如下：   
+```python
+classes_path = 'model_data/new_classes.txt'    
+```
+model_data/new_classes.txt文件内容为：   
+```python
+cat
+dog
+...
+```
+8、修改train.py的classes_path，运行train.py即可开始训练。
 
 ### mAP目标检测精度计算更新
 更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。