增加注释

README.md

@@ -5,7 +5,8 @@ Pulse Focus Platform脉冲聚焦是面向水底物体图像识别的实时检测
 脉冲聚焦软件设计了图片和视频两种数据输入下的多物体识别功能。针对图片数据，调用模型进行单张图片预测，随后在前端可视化输出多物体识别结果；针对视频流动态图像数据，首先对视频流数据进行分帧采样，获取采样图片，再针对采样图片进行多物体识别，将采样识别结果进行视频合成，然后在前端可视化输出视频流数据识别结果。为了视频流数据处理的高效性，设计了采样-识别-展示的多线程处理方式，可加快视频流数据处理。
 
 软件界面简单，易学易用，包含参数的输入选择，程序的运行，算法结果的展示等，源代码公开，算法可修改。
-开发人员：K. Wang、H.P. Yu、J. Li、H.T. Li、Z.Q. Wang、Z.Y. Zhao、L.F. Zhang、G. Chen
+
+开发人员：K. Wang、H.P. Yu、J. Li、Z.Y. Zhao、L.F. Zhang、G. Chen、H.T. Li、Z.Q. Wang、Y.G. Han
 
 ## 1. 开发环境配置
 运行以下命令：
@@ -21,11 +22,119 @@ conda env create -f create_env.yaml
 python main.py
 ```
 
-## 3. 一些说明
+## 3. 软硬件运行平台
-1. 使用GPU版本
+
+（1）配置要求
+
+<table>
+  <tr>
+    <th>组件</th>
+    <th>配置</th>
+    <th>备注</th>
+  </tr>
+  <tr>
+    <td>系统 </td>
+    <td>Windows 10 家庭中文版 20H2 64位</td>
+    <td>扩展支持Linux和Mac系统</td>
+  </tr>
+  <tr>
+    <td>处理器</td>
+    <td>处理器类型：
+酷睿i3兼容处理器或速度更快的处理器
+处理器速度：
+最低：1.0GHz
+建议：2.0GHz或更快
+</td>
+    <td>不支持ARM、IA64等芯片处理器</td>
+  </tr>
+  <tr>
+    <td>内存</td>
+    <td>RAM	16.0 GB (15.7 GB 可用)</td>
+    <td></td>
+  </tr>
+<tr>
+    <td>显卡</td>
+    <td>最小：核心显卡
+推荐：GTX1060或同类型显卡
+</td>
+    <td></td>
+  </tr>
+<tr>
+    <td>硬盘</td>
+    <td>500G</td>
+    <td></td>
+  </tr>
+<td>显示器</td>
+    <td>3840×2160像素，高分屏</td>
+    <td></td>
+  </tr>
+<tr>
+   </tr>
+<td>软件</td>
+    <td>Anaconda3 2020及以上</td>
+    <td>Python3.7及以上，需手动安装包</td>
+  </tr>
+</table>
+（2）手动部署及运行
+
+推荐的安装步骤如下：
+
+安装Anaconda3-2020.02-Windows-x86_64或以上版本；
+手动安装pygame、pymunk、pyyaml、numpy、easydict和pyqt，安装方式推荐参考如下：
+```
+pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pygame==2.0.1
+```
+将软件模块文件夹拷贝到电脑中（以D盘为例，路径为D:\island-multi_ships）
+
+## 4. 软件详细介绍
+软件总体开发系统架构图如下所示。
+
+![开发系统架构图](https://osredm.com/repo/PulseFocusPlatform/PulseFocusPlatform/raw/branch/master/pic1/1.png)
+（1）界面设计
+平台界面设计如上图所示，界面各组件功能设计如下：
+
+![界面设计](https://osredm.com/repo/PulseFocusPlatform/PulseFocusPlatform/raw/branch/master/pic1/2.png)
+
+* 静态图像导入：用于选择需要进行预测的单张图像，可支持jpg，png，jpeg等格式图像，选择图像后，会在下方界面进行展示。
+* 动态图像导入：用于选择需要进行预测的单个视频,可支持pm4等格式视频，选择视频后，会在下方界面进行展示。
+* 信息导出：用于在预测完成后，将预测后的照片，视频导出到具体文件夹下。
+* 特征选择：由于挑选相关特征。
+* 预处理方法：由于选择相关预处理方法。
+* 识别算法：用于选择预测时的所需算法，目前支持YOLO与RCNN两种模型算法。
+* GPU加速：选择是否使用GPU进行预测加速，对视频预测加速效果明显。
+* 识别：当相关配置完成后，点击识别选项，会进行预测处理，并将预测后的视频或图像在下方显示。
+* 训练：目前考虑到GPU等资源限制，未完整开放。
+* 信息显示：在界面右下角显示类别flv，gx，mbw，object的识别目标个数。
+
+2）主要功能设计
+
+设计了图片和视频两种数据输入的多目标识别功能。针对图片数据，调用模型进行单张图片预测，随后在前端可视化输出多目标识别结果；针对视频流动态图像数据，首先对视频流数据进行分帧采样，获取采样图片，再针对采样图片进行多目标识别，将采样识别结果进行视频合成，然后在前段可视化输出视频流数据识别结果。为求视频流数据处理的高效性，设计了采样-识别-展示的多线性处理方式，可加快视频流数据处理。
+* 侧扫声呐图像多目标识别功能
+* 侧扫声呐视频多目标识别功能
+## 5. 软件使用结果
+Faster-RCNN模型在四种目标物图片上的识别验证结果如下所示：
+
+![D:\pic\脉冲](https://osredm.com/repo/PulseFocusPlatform/PulseFocusPlatform/raw/branch/master/pic1/3.png)
+
+
+YOLOV3模型在四种目标物图片上的识别验证结果如下所示：
+
+
+![D:\pic\脉冲](https://osredm.com/repo/PulseFocusPlatform/PulseFocusPlatform/raw/branch/master/pic1/4.png)
+
+PP-YOLO-BOT模型在四种目标物图片上的识别验证结果如下所示：
+
+![D:\pic\脉冲](https://osredm.com/repo/PulseFocusPlatform/PulseFocusPlatform/raw/branch/master/pic1/5.png)
+
+调用PP-YOLO-BOT模型对视频数据进行识别验证，结果如下截图所示：
+
+![D:\pic\脉冲](https://osredm.com/repo/PulseFocusPlatform/PulseFocusPlatform/raw/branch/master/pic1/6.png)
+
+## 6. 其他说明
+*  使用GPU版本
 
     参考百度飞桨paddle官方网站安装
     
     [安装链接](https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/install/pip/windows-pip.html)
     
-2. 模型文件全部更新在inference_model中，pic为测试图片
+*  模型文件全部更新在inference_model中，pic为测试图片

main.py

@@ -68,6 +68,7 @@ class mywindow(QtWidgets.QMainWindow, Ui_MainWindow):
         print('cd {}'.format(self.path1))
         print(
             'python deploy/python/infer.py --model_dir={} --video_file={} --use_gpu=True'.format(self.model_path, self.Video_fname))
+       # 调用GPU
         os.system('cd {}'.format(self.path1))
         os.system(
             'python deploy/python/infer.py --model_dir={} --image_dir={} --output_dir=./video_output/{} --threshold=0.3 --use_gpu=True'.format(