update README

README_CN.md

@@ -40,72 +40,74 @@ pip install -r requirements.txt
 | 多尺度训练              | True              |
 
 ## 实验结果
-### COCO
-- 下载 COCO.
+### VOC
+- 下载 VOC.
 ```Shell
 cd <PyTorch_YOLO_Tutorial>
 cd dataset/scripts/
-sh COCO2017.sh
+sh VOC2007.sh
+sh VOC2012.sh
 ```
 
-- 检查 COCO
+- 检查 VOC
 ```Shell
 cd <PyTorch_YOLO_Tutorial>
-python dataset/coco.py
+python dataset/voc.py
 ```
 
-当COCO数据集的路径修改正确后，运行上述命令应该会看到COCO数据的可视化图像。
-
-- 使用COCO训练模型
+- 使用 VOC 训练模型
 
 For example:
 ```Shell
-python train.py --cuda -d coco --root path/to/COCO -v yolov1 -bs 16 --max_epoch 150 --wp_epoch 1 --eval_epoch 10 --fp16 --ema --multi_scale
+python train.py --cuda -d voc --root path/to/VOC -v yolov1 -bs 16 --max_epoch 150 --wp_epoch 1 --eval_epoch 10 --fp16 --ema --multi_scale
 ```
 
 **P5-Model on COCO:**
 
-| Model  | Scale |  IP  | AP<sup>val<br>0.5:0.95 | AP<sup>test<br>0.5:0.95 | FPS<sup>3090<br>FP32-bs1 | FLOPs<br><sup>(G) | Params<br><sup>(M) | Weight |
-|--------|-------|------|------------------------|-------------------------|--------------------------|-------------------|--------------------|--------|
-| YOLOv1 |  640  |  √   |   35.5                 |                         |     100                  |   9.0             |   2.3              |  |
-| YOLOv2 |  640  |  √   |                        |                         |                          |   33.5            |   8.3              |  |
-| YOLOv3 |  640  |  √   |                        |                         |                          |   86.7            |   23.0             |  |
-| YOLOv4 |  640  |  √   |                        |                         |                          |   175.4           |   46.5             |  |
+| Model  | Scale |  IP  | Epoch | AP50 | FPS<sup>3090<br>FP32-bs1 | FLOPs<br><sup>(G) | Params<br><sup>(M) | Weight |
+|--------|-------|------|-------|------|--------------------------|-------------------|--------------------|--------|
+| YOLOv1 |  640  |  √   |  150  | 76.7 |                          |   37.8            |   21.3             | [ckpt](https://github.com/yjh0410/PyTorch_YOLO_Tutorial/releases/download/yolo_tutorial_ckpy/yolov1_voc.pth) |
+| YOLOv2 |  640  |  √   |  150  | 79.8 |                          |   53.9            |   30.9             | [ckpt](https://github.com/yjh0410/PyTorch_YOLO_Tutorial/releases/download/yolo_tutorial_ckpy/yolov2_voc.pth) |
+| YOLOv3 |  640  |  √   |  150  | 82.0 |                          |   167.4           |   54.9             | [ckpt](https://github.com/yjh0410/PyTorch_YOLO_Tutorial/releases/download/yolo_tutorial_ckpy/yolov3_voc.pth) |
+| YOLOv4 |  640  |  √   |  150  | 83.6 |                          |   162.7           |   61.5             | [ckpt](https://github.com/yjh0410/PyTorch_YOLO_Tutorial/releases/download/yolo_tutorial_ckpy/yolov4_voc.pth) |
+| YOLOX  |  640  |  √   |  150  |      |                          |                   |                    |  |
 
-*所有的模型都使用了ImageNet预训练权重（IP），所有的FLOPs都是在COCO-val数据集上以640x640或1280x1280的输入尺寸来测试的。FPS指标是在一张3090型号的GPU上以batch size=1的输入来测试的，请注意，测速的内容包括模型前向推理、后处理以及NMS操作。*
+*所有的模型都使用了ImageNet预训练权重（IP），所有的FLOPs都是在VOC2007 test数据集上以640x640或1280x1280的输入尺寸来测试的。FPS指标是在一张3090型号的GPU上以batch size=1的输入来测试的，请注意，测速的内容包括模型前向推理、后处理以及NMS操作。*
 
-### VOC
-- 下载 VOC.
+### COCO
+- 下载 COCO.
 ```Shell
 cd <PyTorch_YOLO_Tutorial>
 cd dataset/scripts/
-sh VOC2007.sh
-sh VOC2012.sh
+sh COCO2017.sh
 ```
 
-- 检查 VOC
+- 检查 COCO
 ```Shell
 cd <PyTorch_YOLO_Tutorial>
-python dataset/voc.py
+python dataset/coco.py
 ```
 
-- 使用 VOC 训练模型
+当COCO数据集的路径修改正确后，运行上述命令应该会看到COCO数据的可视化图像。
+
+- 使用COCO训练模型
 
 For example:
 ```Shell
-python train.py --cuda -d voc --root path/to/VOC -v yolov1 -bs 16 --max_epoch 150 --wp_epoch 1 --eval_epoch 10 --fp16 --ema --multi_scale
+python train.py --cuda -d coco --root path/to/COCO -v yolov1 -bs 16 --max_epoch 150 --wp_epoch 1 --eval_epoch 10 --fp16 --ema --multi_scale
 ```
 
 **P5-Model on COCO:**
 
-| Model  | Scale |  IP  | mAP | FPS<sup>3090<br>FP32-bs1 | FLOPs<br><sup>(G) | Params<br><sup>(M) | Weight |
-|--------|-------|------|-----|--------------------------|-------------------|--------------------|--------|
-| YOLOv1 |  640  |  √   |     |                          |   37.8            |   21.3             |  |
-| YOLOv2 |  640  |  √   |     |                          |   53.9            |   30.9             |  |
-| YOLOv3 |  640  |  √   |     |                          |                   |                    |  |
-| YOLOv4 |  640  |  √   |     |                          |                   |                    |  |
+| Model  | Scale |  IP  | Epoch | AP<sup>val<br>0.5:0.95 | AP<sup>test<br>0.5:0.95 | Weight |
+|--------|-------|------|-------|------------------------|-------------------------|--------|
+| YOLOv1 |  640  |  √   |  150  |                        |                         |  |
+| YOLOv2 |  640  |  √   |  150  |                        |                         |  |
+| YOLOv3 |  640  |  √   |  250  |                        |                         |  |
+| YOLOv4 |  640  |  √   |  250  |                        |                         |  |
+| YOLOX  |  640  |  √   |  250  |                        |                         |  |
 
-*所有的模型都使用了ImageNet预训练权重（IP），所有的FLOPs都是在VOC2007 test数据集上以640x640或1280x1280的输入尺寸来测试的。FPS指标是在一张3090型号的GPU上以batch size=1的输入来测试的，请注意，测速的内容包括模型前向推理、后处理以及NMS操作。*
+*所有的模型都使用了ImageNet预训练权重（IP），所有的FLOPs都是在COCO-val数据集上以640x640或1280x1280的输入尺寸来测试的。FPS指标是在一张3090型号的GPU上以batch size=1的输入来测试的，请注意，测速的内容包括模型前向推理、后处理以及NMS操作。*
 
 ## 训练
 ### 使用单个GPU来训练