diff --git a/README.md b/README.md
index 3d1a669..f3a33ea 100644
--- a/README.md
+++ b/README.md
@@ -1,2 +1,99 @@
-# centernet-pytorch
-这是一个centernet-pytorch的源码，可以用于训练自己的模型。
+## CenterNet:Objects as Points目标检测模型在Keras当中的实现
+---
+
+### 目录
+1. [性能情况 Performance](#性能情况)
+2. [所需环境 Environment](#所需环境)
+3. [注意事项 Attention](#注意事项)
+4. [文件下载 Download](#文件下载)
+5. [预测步骤 How2predict](#预测步骤)
+6. [训练步骤 How2train](#训练步骤)
+7. [参考资料 Reference](#Reference)
+
+### 性能情况
+| 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mAP 0.5:0.95 | mAP 0.5 |
+| :-----: | :-----: | :------: | :------: | :------: | :-----: |
+| VOC07+12 | [centernet_resnet50_voc.pth](https://github.com/bubbliiiing/centernet-pytorch/releases/download/v1.0/centernet_resnet50_voc.pth) | VOC-Test07 | 512x512 | - | 77.1
+| COCO-Train2017 | [centernet_hourglass_coco.pth](https://github.com/bubbliiiing/centernet-pytorch/releases/download/v1.0/centernet_hourglass_coco.pth) | COCO-Val2017 | 512x512 | 38.4 | 56.8 
+
+### 所需环境
+pytorch==1.2.0
+
+### 注意事项
+代码中的centernet_resnet50_voc.pth是使用voc数据集训练的。    
+代码中的centernet_hourglass_coco.pth是使用voc数据集训练的。   
+**注意不要使用中文标签，文件夹中不要有空格！**     
+**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**。     
+
+### 文件下载 
+训练所需的centernet_resnet50_voc.pth、centernet_hourglass_coco.pth可在百度网盘中下载。    
+链接: https://pan.baidu.com/s/1QBBgRb_TH8kJdSCQGgcXmQ 提取码: phnc  
+centernet_resnet50_voc.pth是voc数据集的权重。    
+centernet_hourglass_coco.pth是coco数据集的权重。    
+
+### 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centernet_resnet50_voc.pth或者centernet_hourglass_coco.pth，放入model_data，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yolo.py文件里面，在如下部分修改model_path和classes_path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**。  
+```python
+_defaults = {
+    "model_path"        : 'model_data/centernet_resnet50_voc.pth',
+    "classes_path"      : 'model_data/voc_classes.txt',
+    # "model_path"        : 'model_data/centernet_hourglass_coco.h5',
+    # "classes_path"      : 'model_data/coco_classes.txt',
+    "backbone"          : "resnet50",
+    "image_size"        : [512,512,3],
+    "confidence"        : 0.3,
+    # backbone为resnet50时建议设置为True
+    # backbone为hourglass时建议设置为False
+    # 也可以根据检测效果自行选择
+    "nms"               : True,
+    "nms_threhold"      : 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voc2centernet.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。**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、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、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。  
+get_map文件克隆自https://github.com/Cartucho/mAP  
+具体mAP计算过程可参考：https://www.bilibili.com/video/BV1zE411u7Vw
+
+### Reference
+https://github.com/xuannianz/keras-CenterNet      
+https://github.com/see--/keras-centernet      
+https://github.com/xingyizhou/CenterNet