diff --git a/README.md b/README.md
deleted file mode 100644
index 921a1b8..0000000
--- a/README.md
+++ /dev/null
@@ -1,60 +0,0 @@
-# Sleeping-post-detection
-
-# 睡岗检测
-
-## 场景
-
-本项目适用于一些需要持续工作的岗位或者某些重要的岗位，防止工作人员出现意外
-
-## 介绍
-
-本项目是基于yolov8模型制作的睡岗检测
-
-## 代码思路
-
-1.为人头描定数据框，并且设置中心点
-
-2.只要中心点在一定时间内，一定范围内运动，或者保持不动，便判定为睡岗
-
-
-## 使用说明：
-
-### 注意：在使用前要确认环境已经搭配好了
-
-### 1.需要安装依赖（我一般使用conda安装）
-
-`conda install --yes --file requirements.txt`
-
-### 2.需要安装opencv库
-
-`conda install -c conda-forge opencv`
-
-### 3.大部分需要安装的库都可以在pycharm中直接下载（如有遗漏）
-
-### 4.指定训练好的模型进行测试
-
-`model_path = r'\detect\train\weights\best.pt'`   # 加载训练好的模型
-
-`model = YOLO(model_path)  `                           # model是加载后的训练模型实例
-
-### 5.进行静态检测的时候我们要注意我们当前代码仅支持 .png, .jpg, .jpeg, .bmp 等常见图像格式
-
-### 6.phototest文件不仅支持单张图片检测并且支持批量检测（或文件夹检测），只需要按照下面代码指定文件夹即可
-
-`infer_and_draw(r'C:\path\to\your\image\folder', r'C:\ultralytics\output')`
-
-### 7.以下是对动态检测的一些代码讲解
-
-#### 7.1 视频输入：
-
-使用 cv2.VideoCapture() 打开视频文件或 RTSP 流，同时支持本地视频文件和网络串流
-
-#### 7.2 YOLO 检测：
-
-每隔 `detection_interval = 10` 帧，模型会对帧进行目标检测，返回检测到的边界框（boxes）和置信度（confidences）。
-检测的边界框经过过滤和合并后保存，并且通过 cv2.TrackerKCF_create() 创建跟踪器来跟踪每个目标。
-
-#### 7.3 状态检测：
-
-通过历史跟踪中心位置（center_history），每个物体的中心点会被记录到一个 deque（长度为 tracking_window_size = 250）。如果该物体的中心点在一段时间内变化很小，程序会在图像上显示“睡眠”（SLEEP），表明物体处于静止状态。
-通过计算中心点的距离变化（稳定状态的判断），判断物体是否保持静止。