diff --git a/model_zoo/official/cv/ssd/README_CN.md b/model_zoo/official/cv/ssd/README_CN.md
new file mode 100644
index 0000000000..48527dfd35
--- /dev/null
+++ b/model_zoo/official/cv/ssd/README_CN.md
@@ -0,0 +1,356 @@
+# 目录
+
+
+
+- [目录](#目录)
+- [SSD说明](#ssd说明)
+- [模型架构](#模型架构)
+- [数据集](#数据集)
+- [环境要求](#环境要求)
+- [快速入门](#快速入门)
+- [脚本说明](#脚本说明)
+ - [脚本及样例代码](#脚本及样例代码)
+ - [脚本参数](#脚本参数)
+ - [训练过程](#训练过程)
+ - [Ascend上训练](#ascend上训练)
+ - [GPU训练](#gpu训练)
+ - [评估过程](#评估过程)
+ - [Ascend处理器环境评估](#ascend处理器环境评估)
+ - [GPU处理器环境评估](#gpu处理器环境评估)
+- [模型描述](#模型描述)
+ - [性能](#性能)
+ - [评估性能](#评估性能)
+ - [推理性能](#推理性能)
+- [随机情况说明](#随机情况说明)
+- [ModelZoo主页](#modelzoo主页)
+
+
+
+# SSD说明
+
+SSD将边界框的输出空间离散成一组默认框，每个特征映射位置具有不同的纵横比和尺度。在预测时，网络对每个默认框中存在的对象类别进行评分，并对框进行调整以更好地匹配对象形状。此外，网络将多个不同分辨率的特征映射的预测组合在一起，自然处理各种大小的对象。
+
+[论文](https://arxiv.org/abs/1512.02325)： Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C. Berg.European Conference on Computer Vision (ECCV), 2016 (In press).
+
+# 模型架构
+
+SSD方法基于前向卷积网络，该网络产生固定大小的边界框集合，并针对这些框内存在的对象类实例进行评分，然后通过非极大值抑制步骤进行最终检测。早期的网络层基于高质量图像分类的标准体系结构，被称为基础网络。后来通过向网络添加辅助结构进行检测。
+
+# 数据集
+
+使用的数据集： [COCO2017]()
+
+- 数据集大小：19 GB
+ - 训练集：18 GB，118000张图像
+ - 验证集：1 GB，5000张图像
+ - 标注：241 MB，实例，字幕，person_keypoints等
+- 数据格式：图像和json文件
+ - 注意：数据在dataset.py中处理
+
+# 环境要求
+
+- 安装[MindSpore](https://www.mindspore.cn/install)。
+
+- 下载数据集COCO2017。
+
+- 本示例默认使用COCO2017作为训练数据集，您也可以使用自己的数据集。
+
+ 1. 如果使用coco数据集。**执行脚本时选择数据集coco。**
+ 安装Cython和pycocotool，也可以安装mmcv进行数据处理。
+
+ ```python
+ pip install Cython
+
+ pip install pycocotools
+
+ ```
+
+ 并在`config.py`中更改COCO_ROOT和其他您需要的设置。目录结构如下：
+
+ ```text
+ .
+ └─cocodataset
+ ├─annotations
+ ├─instance_train2017.json
+ └─instance_val2017.json
+ ├─val2017
+ └─train2017
+
+ ```
+
+ 2. 如果使用自己的数据集。**执行脚本时选择数据集为other。**
+ 将数据集信息整理成TXT文件，每行如下：
+
+ ```text
+ train2017/0000001.jpg 0,259,401,459,7 35,28,324,201,2 0,30,59,80,2
+
+ ```
+
+ 每行是按空间分割的图像标注，第一列是图像的相对路径，其余为[xmin,ymin,xmax,ymax,class]格式的框和类信息。我们从`IMAGE_DIR`（数据集目录）和`ANNO_PATH`（TXT文件路径）的相对路径连接起来的图像路径中读取图像。在`config.py`中设置`IMAGE_DIR`和`ANNO_PATH`。
+
+# 快速入门
+
+通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：
+
+- Ascend处理器环境运行
+
+```shell script
+# Ascend分布式训练
+sh run_distribute_train.sh [DEVICE_NUM] [EPOCH_SIZE] [LR] [DATASET] [RANK_TABLE_FILE]
+```
+
+```shell script
+# Ascend处理器环境运行eval
+sh run_eval.sh [DATASET] [CHECKPOINT_PATH] [DEVICE_ID]
+```
+
+- GPU处理器环境运行
+
+```shell script
+# GPU分布式训练
+sh run_distribute_train_gpu.sh [DEVICE_NUM] [EPOCH_SIZE] [LR] [DATASET]
+```
+
+```shell script
+# GPU处理器环境运行eval
+sh run_eval_gpu.sh [DATASET] [CHECKPOINT_PATH] [DEVICE_ID]
+```
+
+# 脚本说明
+
+## 脚本及样例代码
+
+```text
+.
+└─ cv
+ └─ ssd
+ ├─ README.md ## SSD相关说明
+ ├─ scripts
+ ├─ run_distribute_train.sh ## Ascend分布式shell脚本
+ ├─ run_distribute_train_gpu.sh ## GPU分布式shell脚本
+ ├─ run_eval.sh ## Ascend评估shell脚本
+ └─ run_eval_gpu.sh ## GPU评估shell脚本
+ ├─ src
+ ├─ __init__.py ## 初始化文件
+ ├─ box_util.py ## bbox工具
+ ├─ coco_eval.py ## coco指标工具
+ ├─ config.py ## 总配置
+ ├─ dataset.py ## 创建并处理数据集
+ ├─ init_params.py ## 参数工具
+ ├─ lr_schedule.py ## 学习率生成器
+ └─ ssd.py ## SSD架构
+ ├─ eval.py ## 评估脚本
+ ├─ train.py ## 训练脚本
+ └─ mindspore_hub_conf.py ## MindSpore Hub接口
+```
+
+## 脚本参数
+
+ ```text
+ train.py和config.py中主要参数如下：
+
+ "device_num": 1 # 使用设备数量
+ "lr": 0.05 # 学习率初始值
+ "dataset": coco # 数据集名称
+ "epoch_size": 500 # 轮次大小
+ "batch_size": 32 # 输入张量的批次大小
+ "pre_trained": None # 预训练检查点文件路径
+ "pre_trained_epoch_size": 0 # 预训练轮次大小
+ "save_checkpoint_epochs": 10 # 两个检查点之间的轮次间隔。默认情况下，每10个轮次都会保存检查点。
+ "loss_scale": 1024 # 损失放大
+
+ "class_num": 81 # 数据集类数
+ "image_shape": [300, 300] # 作为模型输入的图像高和宽
+ "mindrecord_dir": "/data/MindRecord_COCO" # MindRecord路径
+ "coco_root": "/data/coco2017" # COCO2017数据集路径
+ "voc_root": "" # VOC原始数据集路径
+ "image_dir": "" # 其他数据集图片路径，如果使用coco或voc，此参数无效。
+ "anno_path": "" # 其他数据集标注路径，如果使用coco或voc，此参数无效。
+
+ ```
+
+## 训练过程
+
+运行`train.py`训练模型。如果`mindrecord_dir`为空，则会通过`coco_root`（coco数据集）或`image_dir`和`anno_path`（自己的数据集）生成[MindRecord](https://www.mindspore.cn/tutorial/training/zh-CN/master/advanced_use/convert_dataset.html)文件。**注意，如果mindrecord_dir不为空，将使用mindrecord_dir代替原始图像。**
+
+### Ascend上训练
+
+- 分布式
+
+```shell script
+ sh run_distribute_train.sh [DEVICE_NUM] [EPOCH_SIZE] [LR] [DATASET] [RANK_TABLE_FILE] [PRE_TRAINED](optional) [PRE_TRAINED_EPOCH_SIZE](optional)
+```
+
+此脚本需要五或七个参数。
+
+- `DEVICE_NUM`：分布式训练的设备数。
+- `EPOCH_NUM`：分布式训练的轮次数。
+- `LR`：分布式训练的学习率初始值。
+- `DATASET`：分布式训练的数据集模式。
+- `RANK_TABLE_FILE`：[rank_table.json](https://gitee.com/mindspore/mindspore/tree/master/model_zoo/utils/hccl_tools)的路径。最好使用绝对路径。
+- `PRE_TRAINED`：预训练检查点文件的路径。最好使用绝对路径。
+- `PRE_TRAINED_EPOCH_SIZE`：预训练的轮次数。
+
+ 训练结果保存在当前路径中，文件夹名称以"LOG"开头。 您可在此文件夹中找到检查点文件以及结果，如下所示。
+
+```text
+epoch: 1 step: 458, loss is 3.1681802
+epoch time: 228752.4654865265, per step time: 499.4595316299705
+epoch: 2 step: 458, loss is 2.8847265
+epoch time: 38912.93382644653, per step time: 84.96273761232868
+epoch: 3 step: 458, loss is 2.8398118
+epoch time: 38769.184827804565, per step time: 84.64887516987896
+...
+
+epoch: 498 step: 458, loss is 0.70908034
+epoch time: 38771.079778671265, per step time: 84.65301261718616
+epoch: 499 step: 458, loss is 0.7974688
+epoch time: 38787.413120269775, per step time: 84.68867493508685
+epoch: 500 step: 458, loss is 0.5548882
+epoch time: 39064.8467540741, per step time: 85.29442522723602
+```
+
+### GPU训练
+
+- 分布式
+
+```shell script
+ sh run_distribute_train_gpu.sh [DEVICE_NUM] [EPOCH_SIZE] [LR] [DATASET] [PRE_TRAINED](optional) [PRE_TRAINED_EPOCH_SIZE](optional)
+```
+
+此脚本需要五或七个参数。
+
+- `DEVICE_NUM`：分布式训练的设备数。
+- `EPOCH_NUM`：分布式训练的轮次数。
+- `LR`：分布式训练的学习率初始值。
+- `DATASET`：分布式训练的数据集模式。
+- `PRE_TRAINED`：预训练检查点文件的路径。最好使用绝对路径。
+- `PRE_TRAINED_EPOCH_SIZE`：预训练的轮次数。
+
+ 训练结果保存在当前路径中，文件夹名称以"LOG"开头。 您可在此文件夹中找到检查点文件以及结果，如下所示。
+
+```text
+epoch: 1 step: 1, loss is 420.11783
+epoch: 1 step: 2, loss is 434.11032
+epoch: 1 step: 3, loss is 476.802
+...
+epoch: 1 step: 458, loss is 3.1283689
+epoch time: 150753.701, per step time: 329.157
+...
+
+```
+
+## 评估过程
+
+### Ascend处理器环境评估
+
+```shell script
+sh run_eval.sh [DATASET] [CHECKPOINT_PATH] [DEVICE_ID]
+```
+
+此脚本需要两个参数。
+
+- `DATASET`：评估数据集的模式。
+- `CHECKPOINT_PATH`：检查点文件的绝对路径。
+- `DEVICE_ID`: 评估的设备ID。
+
+> 在训练过程中可以生成检查点。
+
+推理结果保存在示例路径中，文件夹名称以“eval”开头。您可以在日志中找到类似以下的结果。
+
+```text
+Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.238
+Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.400
+Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.240
+Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.039
+Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.198
+Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.438
+Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.250
+Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.389
+Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.424
+Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.122
+Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.434
+Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.697
+
+========================================
+
+mAP: 0.23808886505483504
+```
+
+### GPU处理器环境评估
+
+```shell script
+sh run_eval_gpu.sh [DATASET] [CHECKPOINT_PATH] [DEVICE_ID]
+```
+
+此脚本需要两个参数。
+
+- `DATASET`：评估数据集的模式。
+- `CHECKPOINT_PATH`：检查点文件的绝对路径。
+- `DEVICE_ID`: 评估的设备ID。
+
+> 在训练过程中可以生成检查点。
+
+推理结果保存在示例路径中，文件夹名称以“eval”开头。您可以在日志中找到类似以下的结果。
+
+```text
+Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.224
+Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.375
+Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.228
+Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.034
+Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.189
+Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.407
+Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.243
+Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.382
+Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.417
+Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.120
+Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.425
+Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.686
+
+========================================
+
+mAP: 0.2244936111705981
+```
+
+# 模型描述
+
+## 性能
+
+### 评估性能
+
+| 参数 | Ascend | GPU |
+| -------------------------- | -------------------------------------------------------------| -------------------------------------------------------------|
+| 模型版本 | SSD V1 | SSD V1 |
+| 资源 | Ascend 910；CPU： 2.60GHz，192核；内存：755 GB | NV SMX2 V100-16G |
+| 上传日期 | 2020-06-01 | 2020-09-24 |
+| MindSpore版本 | 0.3.0-alpha | 1.0.0 |
+| 数据集 | COCO2017 | COCO2017 |
+| 训练参数 | epoch = 500, batch_size = 32 | epoch = 800, batch_size = 32 |
+| 优化器 | Momentum | Momentum |
+| 损失函数 | Sigmoid交叉熵，SmoothL1Loss | Sigmoid交叉熵，SmoothL1Loss |
+| 速度 | 8卡：90毫秒/步 | 8卡：121毫秒/步 |
+| 总时长 | 8卡：4.81小时 | 8卡：12.31小时 |
+| 参数(M) | 34 | 34 |
+|脚本 | https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/cv/ssd | https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/cv/ssd |
+
+### 推理性能
+
+| 参数 | Ascend | GPU |
+| ------------------- | ----------------------------| ----------------------------|
+| 模型版本 | SSD V1 | SSD V1 |
+| 资源 | Ascend 910 | GPU |
+| 上传日期 | 2020-06-01 | 2020-09-24 |
+| MindSpore版本 | 0.3.0-alpha | 1.0.0 |
+| 数据集 | COCO2017 | COCO2017 |
+| batch_size | 1 | 1 |
+| 输出 | mAP | mAP |
+| 准确率 | IoU=0.50: 23.8% | IoU=0.50: 22.4% |
+| 推理模型 | 34M（.ckpt文件） | 34M（.ckpt文件） |
+
+# 随机情况说明
+
+dataset.py中设置了“create_dataset”函数内的种子，同时还使用了train.py中的随机种子。
+
+# ModelZoo主页
+
+ 请浏览官网[主页](https://gitee.com/mindspore/mindspore/tree/master/model_zoo)。
diff --git a/model_zoo/official/cv/yolov3_darknet53/README_CN.md b/model_zoo/official/cv/yolov3_darknet53/README_CN.md
new file mode 100644
index 0000000000..e54dd8108e
--- /dev/null
+++ b/model_zoo/official/cv/yolov3_darknet53/README_CN.md
@@ -0,0 +1,349 @@
+# 目录
+
+
+
+- [目录](#目录)
+- [YOLOv3-DarkNet53描述](#yolov3-darknet53描述)
+- [模型架构](#模型架构)
+- [数据集](#数据集)
+- [环境要求](#环境要求)
+- [快速入门](#快速入门)
+- [脚本说明](#脚本说明)
+ - [脚本及样例代码](#脚本及样例代码)
+ - [脚本参数](#脚本参数)
+ - [训练过程](#训练过程)
+ - [训练](#训练)
+ - [分布式训练](#分布式训练)
+ - [评估过程](#评估过程)
+ - [评估](#评估)
+- [模型描述](#模型描述)
+ - [性能](#性能)
+ - [评估性能](#评估性能)
+ - [推理性能](#推理性能)
+- [随机情况说明](#随机情况说明)
+- [ModelZoo主页](#modelzoo主页)
+
+
+
+# YOLOv3-DarkNet53描述
+
+You only look once（YOLO）是最先进的实时物体检测系统。YOLOv3非常快速和准确。
+
+先前的检测系统重新利用分类器或定位器来执行检测，将模型应用于多个位置和尺度的图像。图像的高分区域被认为是检测。
+ YOLOv3使用了完全不同的方法。该方法将单个神经网络应用于全图像，将图像划分为区域，并预测每个区域的边界框和概率。这些边界框由预测概率加权。
+
+YOLOv3使用了一些技巧来改进训练，提高性能，包括多尺度预测、更好的主干分类器等等，详情见论文。
+
+[论文](https://pjreddie.com/media/files/papers/YOLOv3.pdf): YOLOv3: An Incremental Improvement.Joseph Redmon, Ali Farhadi,
+University of Washington
+
+# 模型架构
+
+YOLOv3使用DarkNet53执行特征提取，这是YOLOv2中的Darknet-19和残差网络的一种混合方法。DarkNet53使用连续的3×3和1×1卷积层，并且有一些快捷连接，而且DarkNet53明显更大，它有53层卷积层。
+
+# 数据集
+
+使用的数据集：[COCO 2014](https://cocodataset.org/#download)
+
+- 数据集大小：19G，123287张图片，80个物体类别
+ - 训练集：13G，82783张图像
+ - 验证集：6GM，40504张图像
+ - 标注：241M，训练/验证标注
+- 数据格式：zip文件
+ - 注：数据将在yolo_dataset.py中处理，并在使用前解压文件。
+
+# 环境要求
+
+- 硬件（Ascend/GPU）
+ - 使用Ascend或GPU处理器来搭建硬件环境。如需试用Ascend处理器，请发送[申请表](https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/file/other/Ascend%20Model%20Zoo%E4%BD%93%E9%AA%8C%E8%B5%84%E6%BA%90%E7%94%B3%E8%AF%B7%E8%A1%A8.docx)至ascend@huawei.com，审核通过即可获得资源。
+- 框架
+ - [MindSpore](https://www.mindspore.cn/install)
+- 如需查看详情，请参见如下资源：
+ - [MindSpore教程](https://www.mindspore.cn/tutorial/training/zh-CN/master/index.html)
+ - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/zh-CN/master/index.html)
+
+# 快速入门
+
+通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：如果在GPU上运行，请在python命令中添加`--device_target=GPU`，或者使用“_gpu”shell脚本（“xxx_gpu.sh”）。
+
+```python
+# 下面的脚本中的darknet53_backbone.ckpt是从darknet53训练得到的。
+# pretrained_backbone可以使用src/convert_weight.py，将darknet53.conv.74转换为MindSpore checkpoint。可通过`https://pjreddie.com/media/files/darknet53.conv.74`获取darknet53.conv.74。
+# training_shape参数定义网络图像形状，默认为""。
+# 意思是使用10种形状作为输入形状，或者可以设置某种形状。
+# 通过python命令执行训练示例(1卡)。
+python train.py \
+ --data_dir=./dataset/coco2014 \
+ --pretrained_backbone=darknet53_backbone.ckpt \
+ --is_distributed=0 \
+ --lr=0.1 \
+ --T_max=320 \
+ --max_epoch=320 \
+ --warmup_epochs=4 \
+ --training_shape=416 \
+ --lr_scheduler=cosine_annealing > log.txt 2>&1 &
+```
+
+```shell script
+# shell脚本单机训练示例(1卡)
+sh run_standalone_train.sh dataset/coco2014 darknet53_backbone.ckpt
+```
+
+```shell script
+# 对于Ascend设备，使用shell脚本分布式训练示例(8卡)
+sh run_distribute_train.sh dataset/coco2014 darknet53_backbone.ckpt rank_table_8p.json
+```
+
+```shell script
+# 对于GPU设备，使用shell脚本分布式训练示例(8卡)
+sh run_distribute_train_gpu.sh dataset/coco2014 darknet53_backbone.ckpt
+```
+
+```python
+# 使用python命令评估
+python eval.py \
+ --data_dir=./dataset/coco2014 \
+ --pretrained=yolov3.ckpt \
+ --testing_shape=416 > log.txt 2>&1 &
+```
+
+```shell script
+# 通过shell脚本运行评估
+sh run_eval.sh dataset/coco2014/ checkpoint/0-319_102400.ckpt
+```
+
+# 脚本说明
+
+## 脚本及样例代码
+
+```text
+.
+└─yolov3_darknet53
+ ├─README.md
+ ├─mindspore_hub_conf.md # Mindspore Hub配置
+ ├─scripts
+ ├─run_standalone_train.sh # 在Ascend中启动单机训练(1卡)
+ ├─run_distribute_train.sh # 在Ascend中启动分布式训练(8卡)
+ └─run_eval.sh # 在Ascend中启动评估
+ ├─run_standalone_train_gpu.sh # 在GPU中启动单机训练(1卡)
+ ├─run_distribute_train_gpu.sh # 在GPU中启动分布式训练(8卡)
+ └─run_eval_gpu.sh # 在GPU中启动评估
+ ├─src
+ ├─__init__.py # python初始化文件
+ ├─config.py # 参数配置
+ ├─darknet.py # 网络骨干
+ ├─distributed_sampler.py # 数据集迭代器
+ ├─initializer.py #参数初始化器
+ ├─logger.py # 日志函数
+ ├─loss.py # 损失函数
+ ├─lr_scheduler.py # 生成学习率
+ ├─transforms.py # 预处理数据
+ ├─util.py # 工具函数
+ ├─yolo.py # yolov3网络
+ ├─yolo_dataset.py # 为YOLOV3创建数据集
+ ├─eval.py # 评估网络
+ └─train.py # 训练网络
+```
+
+## 脚本参数
+
+```text
+train.py中主要参数如下：
+
+可选参数：
+ -h, --help 显示此帮助消息并退出。
+ --Device_target 实现代码的设备：“Ascend" | "GPU"。默认设置："Ascend"。
+ --data_dir DATA_DIR 训练数据集目录。
+ --per_batch_size PER_BATCH_SIZE
+ 训练批次大小。默认设置：32。
+ --pretrained_backbone PRETRAINED_BACKBONE
+ DarkNet53的ckpt文件。默认设置：""。
+ --resume_yolov3 RESUME_YOLOV3
+ YOLOv3的ckpt文件，用于微调。默认设置：""。
+ --lr_scheduler LR_SCHEDULER
+ 学习率调度器，选项：exponential，cosine_annealing。默认设置：exponential。
+ --lr LR 学习率。默认设置：0.001。
+ --lr_epochs LR_EPOCHS
+ lr changing轮次，用“,”分隔。默认设置：220,250。
+ --lr_gamma LR_GAMMA 降低lr的exponential lr_scheduler因子。默认设置：0.1。
+ --eta_min ETA_MIN cosine_annealing调度器中的eta_min。默认设置：0。
+ --T_max T_MAX cosine_annealing调度器中的T-max。默认设置：320。
+ --max_epoch MAX_EPOCH
+ 训练模型的最大轮次数。默认设置：320。
+ --warmup_epochs WARMUP_EPOCHS
+ 热身轮次。默认设置：0。
+ --weight_decay WEIGHT_DECAY
+ 权重衰减因子。默认设置：0.0005。
+ --momentum MOMENTUM 动量。默认设置：0.9。
+ --loss_scale LOSS_SCALE
+ 静态损失等级。默认设置：1024。
+ --label_smooth LABEL_SMOOTH
+ CE中是否使用标签平滑。默认设置：0。
+ --label_smooth_factor LABEL_SMOOTH_FACTOR
+ 独热平滑强度。默认设置：0.1。
+ --log_interval LOG_INTERVAL
+ 日志记录迭代间隔。默认设置：100。
+ --ckpt_path CKPT_PATH
+ 检查点保存位置。默认设置：outputs/。
+ --ckpt_interval CKPT_INTERVAL
+ 保存检查点间隔。默认设置：None。
+ --is_save_on_master IS_SAVE_ON_MASTER
+ 在主进程序号或所有进程序号上保存ckpt。1为主进程序号， 0为所有进程序号。默认设置：1。
+ --is_distributed IS_DISTRIBUTED
+ 是否分布训练，1表示是，0表示否，默认设置：1。
+ --rank RANK 分布式本地排名。默认设置：0。
+ --group_size GROUP_SIZE
+ 设备进程总数。默认设置：1。
+ --need_profiler NEED_PROFILER
+ 是否使用调优器。0表示否，1表示是。默认设置：0。
+ --training_shape TRAINING_SHAPE
+ 固定训练形状。默认设置：""。
+ --resize_rate RESIZE_RATE
+ 多尺度训练的调整率。默认设置：None。
+```
+
+## 训练过程
+
+### 训练
+
+```python
+python train.py \
+ --data_dir=./dataset/coco2014 \
+ --pretrained_backbone=darknet53_backbone.ckpt \
+ --is_distributed=0 \
+ --lr=0.1 \
+ --T_max=320 \
+ --max_epoch=320 \
+ --warmup_epochs=4 \
+ --training_shape=416 \
+ --lr_scheduler=cosine_annealing > log.txt 2>&1 &
+```
+
+上述python命令将在后台运行，您可以通过`log.txt`文件查看结果。如果在GPU上运行，请在python命令中添加`--device_target=GPU`。
+
+训练结束后，您可在默认输出文件夹下找到检查点文件。损失值的实现如下：
+
+```text
+# grep "loss:" train/log.txt
+2020-08-20 14:14:43,640:INFO:epoch[0], iter[0], loss:7809.262695, 0.15 imgs/sec, lr:9.746589057613164e-06
+2020-08-20 14:15:05,142:INFO:epoch[0], iter[100], loss:2778.349033, 133.92 imgs/sec, lr:0.0009844054002314806
+2020-08-20 14:15:31,796:INFO:epoch[0], iter[200], loss:535.517361, 130.54 imgs/sec, lr:0.0019590642768889666
+...
+```
+
+模型检查点将会储存在输出目录。
+
+### 分布式训练
+
+对于Ascend设备，使用shell脚本分布式训练示例(8卡)
+
+```shell script
+sh run_distribute_train.sh dataset/coco2014 darknet53_backbone.ckpt rank_table_8p.json
+```
+
+对于GPU设备，使用shell脚本分布式训练示例(8卡)
+
+```shell script
+sh run_distribute_train_gpu.sh dataset/coco2014 darknet53_backbone.ckpt
+```
+
+上述shell脚本将在后台运行分布训练。您可以通过`train_parallel[X]/log.txt`文件查看结果。损失值的实现如下：
+
+```text
+# 分布式训练示例(8卡)
+epoch[0], iter[0], loss:14623.384766, 1.23 imgs/sec, lr:7.812499825377017e-05
+epoch[0], iter[100], loss:1486.253051, 15.01 imgs/sec, lr:0.007890624925494194
+epoch[0], iter[200], loss:288.579535, 490.41 imgs/sec, lr:0.015703124925494194
+epoch[0], iter[300], loss:153.136754, 531.99 imgs/sec, lr:0.023515624925494194
+epoch[1], iter[400], loss:106.429322, 405.14 imgs/sec, lr:0.03132812678813934
+...
+epoch[318], iter[102000], loss:34.135306, 431.06 imgs/sec, lr:9.63797629083274e-06
+epoch[319], iter[102100], loss:35.652469, 449.52 imgs/sec, lr:2.409552052995423e-06
+epoch[319], iter[102200], loss:34.652273, 384.02 imgs/sec, lr:2.409552052995423e-06
+epoch[319], iter[102300], loss:35.430038, 423.49 imgs/sec, lr:2.409552052995423e-06
+...
+```
+
+## 评估过程
+
+### 评估
+
+运行以下命令。如果在GPU上运行，请在python命令中添加`--device_target=GPU`，或者使用“_gpu”shell脚本（“xxx_gpu.sh”）。
+
+```python
+python eval.py \
+ --data_dir=./dataset/coco2014 \
+ --pretrained=yolov3.ckpt \
+ --testing_shape=416 > log.txt 2>&1 &
+```
+
+或者
+
+```shell script
+sh run_eval.sh dataset/coco2014/ checkpoint/0-319_102400.ckpt
+```
+
+上述python命令将在后台运行，您可以通过log.txt文件查看结果。测试数据集的mAP如下：
+
+```text
+# log.txt
+=============coco eval reulst=========
+ Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.311
+ Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.528
+ Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.322
+ Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.127
+ Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.323
+ Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.428
+ Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.259
+ Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.398
+ Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.423
+ Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.224
+ Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.442
+ Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.551
+```
+
+# 模型描述
+
+## 性能
+
+### 评估性能
+
+| 参数 | YOLO |YOLO |
+| -------------------------- | ----------------------------------------------------------- |------------------------------------------------------------ |
+| 模型版本 | YOLOv3 |YOLOv3 |
+| 资源 | Ascend 910；CPU 2.60GHz，192核；内存：755G | NV SMX2 V100-16G；CPU 2.10GHz，96核；内存：251G |
+| 上传日期 | 2020-06-31 | 2020-09-02 |
+| MindSpore版本 | 0.5.0-alpha | 0.7.0 |
+| 数据集 | COCO2014 | COCO2014 |
+| 训练参数 | epoch=320，batch_size=32，lr=0.001，momentum=0.9 | epoch=320，batch_size=32，lr=0.001，momentum=0.9 |
+| 优化器 | Momentum | Momentum |
+| 损失函数 | 带logits的Sigmoid交叉熵 | 带logits的Sigmoid交叉熵 |
+| 输出 | 边界框和标签 | 边界框和标签 |
+| 损失 | 34 | 34 |
+| 速度 | 1卡：350毫秒/步; | 1卡: 600毫秒/步; |
+| 总时长 | 8卡：18.5小时 | 8卡: 18小时(shape=416) |
+| 参数(M) | 62.1 | 62.1 |
+| 微调检查点 | 474M (.ckpt文件) | 474M (.ckpt文件) |
+| 脚本 | https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/cv/yolov3_darknet53 | https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/cv/yolov3_darknet53 |
+
+### 推理性能
+
+| 参数 | YOLO |YOLO |
+| ------------------- | --------------------------- |------------------------------|
+| 模型版本 | YOLOv3 | YOLOv3 |
+| 资源 | Ascend 910 | NV SMX2 V100-16G |
+| 上传日期 | 2020-06-31 | 2020-08-20 |
+| MindSpore版本 | 0.5.0-alpha | 0.7.0 |
+| 数据集 | COCO2014，40504张图像 | COCO2014，40504张图像 |
+| batch_size | 1 | 1 |
+| 输出 | mAP | mAP |
+| 准确性 | 8卡: 31.1% | 8卡: 29.7%~30.3% (shape=416)|
+| 推理模型 | 474M (.ckpt文件) | 474M (.ckpt文件) |
+
+# 随机情况说明
+
+在distributed_sampler.py、transforms.py、yolo_dataset.py文件中有随机种子。
+
+# ModelZoo主页
+
+ 请浏览官网[主页](https://gitee.com/mindspore/mindspore/tree/master/model_zoo)。
diff --git a/model_zoo/official/cv/yolov3_darknet53_quant/README_CN.md b/model_zoo/official/cv/yolov3_darknet53_quant/README_CN.md
new file mode 100644
index 0000000000..4f1b1a140b
--- /dev/null
+++ b/model_zoo/official/cv/yolov3_darknet53_quant/README_CN.md
@@ -0,0 +1,313 @@
+# 目录
+
+
+
+- [目录](#目录)
+- [YOLOv3-DarkNet53-Quant描述](#yolov3-darknet53-quant描述)
+- [模型架构](#模型架构)
+- [数据集](#数据集)
+- [环境要求](#环境要求)
+- [快速入门](#快速入门)
+- [脚本说明](#脚本说明)
+ - [脚本及样例代码](#脚本及样例代码)
+ - [脚本参数](#脚本参数)
+ - [训练过程](#训练过程)
+ - [Ascend上训练](#ascend上训练)
+ - [分布式训练](#分布式训练)
+ - [评估过程](#评估过程)
+ - [Ascend评估](#ascend评估)
+- [模型描述](#模型描述)
+ - [性能](#性能)
+ - [评估性能](#评估性能)
+ - [推理性能](#推理性能)
+- [随机情况说明](#随机情况说明)
+- [ModelZoo主页](#modelzoo主页)
+
+
+
+# YOLOv3-DarkNet53-Quant描述
+
+You only look once（YOLO）是最先进的实时物体检测系统。YOLOv3非常快速和准确。
+
+先前的检测系统重新利用分类器或定位器来执行检测，将模型应用于多个位置和尺度的图像。图像的高分区域被认为是检测。
+ YOLOv3使用了完全不同的方法。该方法将单个神经网络应用于全图像，将图像划分为区域，并预测每个区域的边界框和概率。这些边界框由预测概率加权。
+
+YOLOv3使用了一些技巧来改进训练，提高性能，包括多尺度预测、更好的主干分类器等等，详情见论文。
+
+为了减小权重的大小，提高低位计算性能，采用了int8量化。
+
+[论文](https://pjreddie.com/media/files/papers/YOLOv3.pdf)： YOLOv3: An Incremental Improvement.Joseph Redmon, Ali Farhadi, University of Washington
+
+# 模型架构
+
+YOLOv3使用DarkNet53执行特征提取，这是YOLOv2中的Darknet-19和残差网络的一种混合方法。DarkNet53使用连续的3×3和1×1卷积层，并且有一些快捷连接，而且DarkNet53明显更大，它有53层卷积层。
+
+# 数据集
+
+使用的数据集：[COCO 2014](https://cocodataset.org/#download)
+
+- 数据集大小：19G，123287张图片，80个物体类别
+ - 训练集：13G，82783张图片
+ - 验证集：6GM，40504张图片
+ - 标注：241M，训练/验证标注
+- 数据格式：zip文件
+ - 注：数据将在yolo_dataset.py中处理，并在使用前解压文件。
+
+# 环境要求
+
+- 硬件（Ascend处理器）
+ - 准备Ascend或GPU处理器搭建硬件环境。如需试用Ascend处理器，请发送[申请表](https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/file/other/Ascend%20Model%20Zoo%E4%BD%93%E9%AA%8C%E8%B5%84%E6%BA%90%E7%94%B3%E8%AF%B7%E8%A1%A8.docx)至ascend@huawei.com，审核通过即可获得资源。
+- 框架
+ - [MindSpore](https://www.mindspore.cn/install/)
+- 如需查看详情，请参见如下资源：
+ - [MindSpore教程](https://www.mindspore.cn/tutorial/training/zh-CN/master/index.html)
+ - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/zh-CN/master/index.html)
+
+# 快速入门
+
+通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：
+
+```python
+# 下面的脚本中的yolov3_darknet53_noquin.ckpt是从yolov3-darknet53训练得到的。
+# resume_yolov3参数是必需的。
+# training_shape参数定义网络图像形状，默认为""。
+# 意思是使用10种形状作为输入形状，或者可以设置某种形状。
+# 通过python命令执行训练示例(1卡)。
+python train.py \
+ --data_dir=./dataset/coco2014 \
+ --resume_yolov3=yolov3_darknet53_noquant.ckpt \
+ --is_distributed=0 \
+ --per_batch_size=16 \
+ --lr=0.012 \
+ --T_max=135 \
+ --max_epoch=135 \
+ --warmup_epochs=5 \
+ --lr_scheduler=cosine_annealing > log.txt 2>&1 &
+```
+
+```shell script
+# shell脚本单机训练示例(1卡)
+sh run_standalone_train.sh dataset/coco2014 yolov3_darknet53_noquant.ckpt
+```
+
+```shell script
+# shell脚本分布式训练示例(8卡)
+sh run_distribute_train.sh dataset/coco2014 yolov3_darknet53_noquant.ckpt rank_table_8p.json
+```
+
+```python
+# 使用python命令评估
+python eval.py \
+ --data_dir=./dataset/coco2014 \
+ --pretrained=yolov3_quent.ckpt \
+ --testing_shape=416 > log.txt 2>&1 &
+```
+
+```shell script
+# 通过shell脚本运行评估
+sh run_eval.sh dataset/coco2014/ checkpoint/yolov3_quant.ckpt 0
+```
+
+# 脚本说明
+
+## 脚本及样例代码
+
+```text
+.
+└─yolov3_darknet53_quant
+ ├─README.md
+ ├─mindspore_hub_conf.md # Mindspore Hub配置
+ ├─scripts
+ ├─run_standalone_train.sh # 在Ascend中启动单机训练(1卡)
+ ├─run_distribute_train.sh # 在Ascend中启动分布式训练(8卡)
+ └─run_eval.sh # 在Ascend中启动评估
+ ├─src
+ ├─__init__.py # python初始化文件
+ ├─config.py # 参数配置
+ ├─darknet.py # 网络骨干
+ ├─distributed_sampler.py # 数据集迭代器
+ ├─initializer.py # 参数初始化器
+ ├─logger.py # 日志函数
+ ├─loss.py # 损失函数
+ ├─lr_scheduler.py # 生成学习率
+ ├─transforms.py # 预处理数据
+ ├─util.py # 工具函数
+ ├─yolo.py # YOLOV3网络
+ ├─yolo_dataset.py # 为YOLOV3创建数据集
+ ├─eval.py # 评估网络
+ └─train.py # 训练网络
+```
+
+## 脚本参数
+
+```text
+train.py中主要参数如下：
+
+可选参数：
+ -h, --help 显示此帮助消息并退出。
+ --data_dir DATA_DIR 训练数据集目录。默认设置：""。
+ --per_batch_size PER_BATCH_SIZE
+ 每个设备的批次大小。默认设置：16。
+ --resume_yolov3 RESUME_YOLOV3
+ YOLOv3的ckpt文件，用于微调。默认设置：""。
+ --lr_scheduler LR_SCHEDULER
+ 学习率调度器，选项：exponential，cosine_annealing。默认设置：exponential。
+ --lr LR 学习率。默认设置：0.012。
+ --lr_epochs LR_EPOCHS
+ lr changing轮次，用“,”分隔。默认设置：92, 105。
+ --lr_gamma LR_GAMMA 降低lr的exponential lr_scheduler因子。默认设置：0.1。
+ --eta_min ETA_MIN cosine_annealing调度器中的eta_min。默认设置：0。
+ --T_max T_MAX cosine_annealing调度器中的T-max。默认设置：135。
+ --max_epoch MAX_EPOCH
+ 训练模型的最大轮次数。默认设置：135。
+ --warmup_epochs WARMUP_EPOCHS
+ 热身轮次。默认设置：0。
+ --weight_decay WEIGHT_DECAY
+ 权重衰减因子。默认设置：0.0005。
+ --momentum MOMENTUM 动量。默认设置：0.9。
+ --loss_scale LOSS_SCALE
+ 静态损失等级。默认设置：1024。
+ --label_smooth LABEL_SMOOTH
+ CE中是否使用标签平滑。默认设置：0。
+ --label_smooth_factor LABEL_SMOOTH_FACTOR
+ 独热平滑强度。默认设置：0.1。
+ --log_interval LOG_INTERVAL
+ 日志记录迭代间隙。默认设置：100。
+ --ckpt_path CKPT_PATH
+ 检查点保存位置。默认设置："outputs/"。
+ --ckpt_interval CKPT_INTERVAL
+ 保存检查点间隔。默认设置：None。
+ --is_save_on_master IS_SAVE_ON_MASTER
+ 在主进程序号或所有进程序号上保存ckpt。1为主进程序号， 0为所有进程序号。默认设置：1。
+ --is_distributed IS_DISTRIBUTED
+ 是否分布训练，1表示是，0表示否。 默认设置：0。
+ --rank RANK 分布式本地进程序号。默认设置：0。
+ --group_size GROUP_SIZE
+ 设备进程总数。默认设置：1。
+ --need_profiler NEED_PROFILER
+ 是否使用调优器。1表示是，0表示否。默认设置：0。
+ --training_shape TRAINING_SHAPE
+ 固定训练形状。默认设置：""。
+ --resize_rate RESIZE_RATE
+ 多尺度训练的调整率。默认设置：None。
+```
+
+## 训练过程
+
+### Ascend上训练
+
+### 分布式训练
+
+```shell script
+sh run_distribute_train.sh dataset/coco2014 yolov3_darknet53_noquant.ckpt rank_table_8p.json
+```
+
+上述shell脚本将在后台运行分布训练。您可以通过`train_parallel[X]/log.txt`文件查看结果。损失值的实现如下：
+
+```text
+# 分布式训练示例(8卡)
+epoch[0], iter[0], loss:483.341675, 0.31 imgs/sec, lr:0.0
+epoch[0], iter[100], loss:55.690952, 3.46 imgs/sec, lr:0.0
+epoch[0], iter[200], loss:54.045728, 126.54 imgs/sec, lr:0.0
+epoch[0], iter[300], loss:48.771608, 133.04 imgs/sec, lr:0.0
+epoch[0], iter[400], loss:48.486769, 139.69 imgs/sec, lr:0.0
+epoch[0], iter[500], loss:48.649275, 143.29 imgs/sec, lr:0.0
+epoch[0], iter[600], loss:44.731309, 144.03 imgs/sec, lr:0.0
+epoch[1], iter[700], loss:43.037023, 136.08 imgs/sec, lr:0.0
+epoch[1], iter[800], loss:41.514788, 132.94 imgs/sec, lr:0.0
+
+…
+epoch[133], iter[85700], loss:33.326716, 136.14 imgs/sec, lr:6.497331924038008e-06
+epoch[133], iter[85800], loss:34.968744, 136.76 imgs/sec, lr:6.497331924038008e-06
+epoch[134], iter[85900], loss:35.868543, 137.08 imgs/sec, lr:1.6245529650404933e-06
+epoch[134], iter[86000], loss:35.740817, 139.49 imgs/sec, lr:1.6245529650404933e-06
+epoch[134], iter[86100], loss:34.600463, 141.47 imgs/sec, lr:1.6245529650404933e-06
+epoch[134], iter[86200], loss:36.641916, 137.91 imgs/sec, lr:1.6245529650404933e-06
+epoch[134], iter[86300], loss:32.819769, 138.17 imgs/sec, lr:1.6245529650404933e-06
+epoch[134], iter[86400], loss:35.603033, 142.23 imgs/sec, lr:1.6245529650404933e-06
+epoch[134], iter[86500], loss:34.303755, 145.18 imgs/sec, lr:1.6245529650404933e-06
+```
+
+## 评估过程
+
+### Ascend评估
+
+运行以下命令。
+
+```python
+python eval.py \
+ --data_dir=./dataset/coco2014 \
+ --pretrained=0-130_83330.ckpt \
+ --testing_shape=416 > log.txt 2>&1 &
+```
+
+或者
+
+```shell script
+sh run_eval.sh dataset/coco2014/ checkpoint/0-130_83330.ckpt 0
+```
+
+上述python命令将在后台运行，您可以通过log.txt文件查看结果。测试数据集的mAP如下：
+
+```text
+# log.txt
+=============coco eval reulst=========
+Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.310
+Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.531
+Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.322
+Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.130
+Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.326
+Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.425
+Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.260
+Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.402
+Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.429
+Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.232
+Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.450
+Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.558
+```
+
+# 模型描述
+
+## 性能
+
+### 评估性能
+
+| 参数 | Ascend |
+| -------------------------- | ---------------------------------------------------------------------------------------------- |
+| 模型版本 | YOLOv3_Darknet53_Quant V1 |
+| 资源 | Ascend 910; CPU 2.60GHz，192核; 内存：755G |
+| 上传日期 | 2020-06-31 |
+| MindSpore版本 | 0.6.0-alpha |
+| 数据集 | COCO2014 |
+| 训练参数 | epoch=135，batch_size=16，lr=0.012，momentum=0.9 |
+| 优化器 | Momentum |
+| 损失函数 | 带logits的Sigmoid交叉熵 |
+| 输出 | 边界框和标签 |
+| 损失 | 34 |
+| 速度 | 1卡：135毫秒/步; |
+| 总时长 | 8卡：23.5小时 |
+| 参数 (M) | 62.1 |
+| 微调检查点 | 474M (.ckpt文件) |
+| 脚本 | https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/cv/yolov3_darknet53_quant |
+
+### 推理性能
+
+| 参数 | Ascend |
+| ------------------- | --------------------------- |
+| 模型版本 | YOLOv3_Darknet53_Quant V1 |
+| 资源 | Ascend 910 |
+| 上传日期 | 2020-06-31 |
+| MindSpore版本 | 0.6.0-alpha |
+| 数据集 | COCO2014，40,504张图片 |
+| batch_size | 1 |
+| 输出 | mAP |
+| 准确率 | 8pcs：31.0% |
+| 推理模型 | 474M (.ckpt文件) |
+
+# 随机情况说明
+
+在distributed_sampler.py、transforms.py、yolo_dataset.py文件中有随机种子。
+
+# ModelZoo主页
+
+请浏览官网[主页](https://gitee.com/mindspore/mindspore/tree/master/model_zoo)。
diff --git a/model_zoo/official/cv/yolov3_resnet18/README_CN.md b/model_zoo/official/cv/yolov3_resnet18/README_CN.md
new file mode 100644
index 0000000000..991837dfc2
--- /dev/null
+++ b/model_zoo/official/cv/yolov3_resnet18/README_CN.md
@@ -0,0 +1,238 @@
+# 目录
+
+
+
+- [目录](#目录)
+- [YOLOv3_ResNet18描述](#yolov3_resnet18描述)
+- [模型架构](#模型架构)
+- [数据集](#数据集)
+- [环境要求](#环境要求)
+- [快速入门](#快速入门)
+- [脚本说明](#脚本说明)
+ - [脚本及样例代码](#脚本及样例代码)
+ - [脚本参数](#脚本参数)
+ - [训练过程](#训练过程)
+ - [Ascend上训练](#ascend上训练)
+ - [评估过程](#评估过程)
+ - [Ascend评估](#ascend评估)
+- [模型描述](#模型描述)
+ - [性能](#性能)
+ - [评估性能](#评估性能)
+ - [推理性能](#推理性能)
+- [随机情况说明](#随机情况说明)
+- [ModelZoo主页](#modelzoo主页)
+
+
+
+# YOLOv3_ResNet18描述
+
+基于ResNet-18的YOLOv3网络，支持训练和评估。
+
+[论文](https://arxiv.org/abs/1804.02767): Joseph Redmon, Ali Farhadi. arXiv preprint arXiv:1804.02767, 2018.2, 4, 7, 11.
+
+# 模型架构
+
+YOLOv3整体网络架构如下：
+
+我们使用ResNet18作为YOLOv3_ResNet18的主干。ResNet18架构分为四个阶段。ResNet架构分别使用大小为7×7和3×3的内核执行初始卷积和最大池化。此后每个阶段的网络都有不同的残差模块（2, 2, 2, 2），包含两个3×3的卷积层。最后是一个平均池化层和一个全连接层。
+
+# 数据集
+
+使用的数据集：[COCO 2017]()
+
+- 数据集大小：19 GB
+ - 训练集：18 GB，118000张图片
+ - 验证集：1GB，5000张图片
+ - 标注：241 MB，包含实例，字幕，person_keypoints等
+- 数据格式：图片和json文件
+ - 标注：数据在dataset.py中处理。
+
+- 数据集
+
+ 1. 目录结构如下：
+
+ ```
+ .
+ ├── annotations # 标注jsons
+ ├── train2017 # 训练数据集
+ └── val2017 # 推理数据集
+ ```
+
+ 2. 将数据集信息整理成TXT文件，每行如下：
+
+ ```
+ train2017/0000001.jpg 0,259,401,459,7 35,28,324,201,2 0,30,59,80,2
+ ```
+
+ 每行是按空间分割的图像标注，第一列是图像的相对路径，其余为[xmin,ymin,xmax,ymax,class]格式的框和类信息。`dataset.py`是解析脚本，我们从`image_dir`（数据集目录）和`anno_path`（TXT文件路径）的相对路径连接起来的图像路径中读取图像。`image_dir`和`anno_path`为外部输入。
+
+# 环境要求
+
+- 硬件（Ascend处理器）
+ - 准备Ascend处理器搭建硬件环境。如需试用Ascend处理器，请发送[申请表](https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/file/other/Ascend%20Model%20Zoo%E4%BD%93%E9%AA%8C%E8%B5%84%E6%BA%90%E7%94%B3%E8%AF%B7%E8%A1%A8.docx)至ascend@huawei.com，审核通过即可获得资源。
+- 框架
+ - [MindSpore](https://www.mindspore.cn/install)
+- 如需查看详情，请参见如下资源：
+ - [MindSpore教程](https://www.mindspore.cn/tutorial/training/zh-CN/master/index.html)
+ - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/zh-CN/master/index.html)
+
+# 快速入门
+
+通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：
+
+- Ascend处理器环境运行
+
+ ```shell script
+ # 运行单机训练示例
+ sh run_standalone_train.sh [DEVICE_ID] [EPOCH_SIZE] [MINDRECORD_DIR] [IMAGE_DIR] [ANNO_PATH]
+ # 运行分布式训练示例
+ sh run_distribute_train.sh [DEVICE_NUM] [EPOCH_SIZE] [MINDRECORD_DIR] [IMAGE_DIR] [ANNO_PATH] [RANK_TABLE_FILE]
+ # 运行评估示例
+ sh run_eval.sh [DEVICE_ID] [CKPT_PATH] [MINDRECORD_DIR] [IMAGE_DIR] [ANNO_PATH]
+ ```
+
+# 脚本说明
+
+## 脚本及样例代码
+
+```text
+└── cv
+ ├── README.md // 所有模型相关说明
+ ├── mindspore_hub_conf.md // Mindspore Hub配置
+ └── yolov3_resnet18
+ ├── README.md // yolov3_resnet18相关说明
+ ├── scripts
+ ├── run_distribute_train.sh // Ascend上分布式shell脚本
+ ├── run_standalone_train.sh // Ascend上分布式shell脚本
+ └── run_eval.sh // Ascend上评估的shell脚本
+ ├── src
+ ├── dataset.py // 创建数据集
+ ├── yolov3.py // yolov3架构
+ ├── config.py // 参数配置
+ └── utils.py // 工具函数
+ ├── train.py // 训练脚本
+ └── eval.py // 评估脚本
+```
+
+## 脚本参数
+
+ ```text
+ train.py和config.py中主要参数如下：
+
+ device_num: 使用设备编号，默认为1。
+ lr: 学习率，默认为0.001。
+ epoch_size: 轮次大小，默认为50。
+ batch_size: 批次大小，默认为32。
+ pre_trained: 预训练的检查点文件路径。
+ pre_trained_epoch_size: 预训练的轮次大小。
+ mindrecord_dir: Mindrecord目录。
+ image_dir: 数据集路径。
+ anno_path: 标注路径。
+
+ img_shape: 输入到模型的图像高度和宽度。
+ ```
+
+## 训练过程
+
+### Ascend上训练
+
+训练模型运行`train.py`，使用数据集`image_dir`、`anno_path`和`mindrecord_dir`。如果`mindrecord_dir`为空，则通过`image_dir`和`anno_path`（图像绝对路径由`image_dir`和`anno_path`中的相对路径连接）生成[MindRecord](https://www.mindspore.cn/tutorial/training/zh-CN/master/advanced_use/convert_dataset.html)文件。**注意，如果`mindrecord_dir`不为空，将使用`mindrecord_dir`而不是`image_dir`和`anno_path`。**
+
+- 单机模式
+
+ ```shell script
+ sh run_standalone_train.sh 0 50 ./Mindrecord_train ./dataset ./dataset/train.txt
+ ```
+
+ 输入变量为设备编号、轮次大小、MindRecord目录路径、数据集目录路径、训练TXT文件路径。
+
+- 分布式模式
+
+ ```shell script
+ sh run_distribute_train.sh 8 150 /data/Mindrecord_train /data /data/train.txt /data/hccl.json
+ ```
+
+ 输入变量为设备编号、轮次大小、MindRecord目录路径、数据集目录路径、训练TXT文件路径和[hccl_tools配置文件](https://gitee.com/mindspore/mindspore/tree/master/model_zoo/utils/hccl_tools)。**最好使用绝对路径。**
+
+每步的损失值和时间如下：
+
+ ```text
+ epoch:145 step:156, loss is 12.202981
+ epoch time:25599.22742843628, per step time:164.0976117207454
+ epoch:146 step:156, loss is 16.91706
+ epoch time:23199.971675872803, per step time:148.7177671530308
+ epoch:147 step:156, loss is 13.04007
+ epoch time:23801.95164680481, per step time:152.57661312054364
+ epoch:148 step:156, loss is 10.431475
+ epoch time:23634.241580963135, per step time:151.50154859591754
+ epoch:149 step:156, loss is 14.665991
+ epoch time:24118.8325881958, per step time:154.60790120638333
+ epoch:150 step:156, loss is 10.779521
+ epoch time:25319.57221031189, per step time:162.30495006610187
+ ```
+
+注意结果为两类（人与脸），使用了我们自己的标注与COCO 2017，您可以更改`config.py`中的`num_classes`来训练您的数据集。我们将在COCO 2017中支持80个分类。
+
+## 评估过程
+
+### Ascend评估
+
+运行`eval.py`，数据集为`image_dir`、`anno_path`(评估TXT)、`mindrecord_dir`和`ckpt_path`。`ckpt_path`是[检查点](https://www.mindspore.cn/tutorial/training/zh-CN/master/use/save_model.html)文件的路径。
+
+ ```shell script
+ sh run_eval.sh 0 yolo.ckpt ./Mindrecord_eval ./dataset ./dataset/eval.txt
+ ```
+
+输入变量为设备编号、检查点路径、MindRecord目录路径、数据集目录路径、训练TXT文件路径。
+
+您将获得每类的精度和召回值：
+
+ ```text
+ class 0 precision is 88.18%, recall is 66.00%
+ class 1 precision is 85.34%, recall is 79.13%
+ ```
+
+注意精度和召回值是使用我们自己的标注和COCO 2017的两种分类（人与脸）的结果。
+
+# 模型描述
+
+## 性能
+
+### 评估性能
+
+| 参数 | Ascend |
+| -------------------------- | ----------------------------------------------------------- |
+| 模型版本 | YOLOv3_Resnet18 V1 |
+| 资源 | Ascend 910 ；CPU 2.60GHz，192核；内存：755G |
+| 上传日期 | 2020-06-01 |
+| MindSpore版本 | 0.2.0-alpha |
+| 数据集 | COCO2017 |
+| 训练参数 | epoch = 150, batch_size = 32, lr = 0.001 |
+| 优化器 | Adam |
+| 损失函数 | Sigmoid交叉熵 |
+| 输出 | 概率 |
+| 速度 | 1pc：120毫秒/步; 8卡：160毫秒/步 |
+| 总时长 | 1pc：150分钟; 8卡: 70分钟 |
+| 参数(M) | 189 |
+| 脚本 | [yolov3_resnet18脚本](https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/cv/yolov3_resnet18) | [yolov3_resnet18脚本](https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/cv/yolov3_resnet18) |
+
+### 推理性能
+
+| 参数 | Ascend |
+| ------------------- | ----------------------------------------------- |
+| 模型版本 | YOLOv3_Resnet18 V1 |
+| 资源 | Ascend 910 |
+| 上传日期 | 2020-06-01 |
+| MindSpore版本 | 0.2.0-alpha |
+| 数据集 | COCO2017 |
+| batch_size | 1 |
+| 输出 | 精度和召回 |
+| 准确性 | class 0: 88.18%/66.00%; class 1: 85.34%/79.13% |
+
+# 随机情况说明
+
+在dataset.py中，我们设置了“create_dataset”函数内的种子。同时还使用了train.py中的随机种子。
+
+# ModelZoo主页
+
+ 请浏览官网[主页](https://gitee.com/mindspore/mindspore/tree/master/model_zoo)。