From 2a8849bbf6c002295a31bf352844340440c471f2 Mon Sep 17 00:00:00 2001
From: dyning <dyning.2003@163.com>
Date: Fri, 29 May 2020 15:11:37 +0800
Subject: [PATCH] Update README.md

---
 README.md | 4 ----
 1 file changed, 4 deletions(-)

diff --git a/README.md b/README.md
index 227c86c2..c78e28f8 100644
--- a/README.md
+++ b/README.md
@@ -97,10 +97,6 @@ PaddleClas的安装说明、模型训练、预测、评估以及模型微调（f
 
 近年来，学术界和工业界广泛关注图像中目标检测任务，而图像分类的网络结构以及预训练模型效果直接影响目标检测的效果。PaddleDetection使用PaddleClas的82.39%的ResNet50_vd的预训练模型，结合自身丰富的检测算子，提供了一种面向服务器端应用的目标检测方案，PSS-DET (Practical Server Side Detection)。该方案融合了多种只增加少许计算量，但是可以有效提升两阶段Faster RCNN目标检测效果的策略，包括检测模型剪裁、使用分类效果更优的预训练模型、DCNv2、Cascade RCNN、AutoAugment、Libra sampling以及多尺度训练。其中基于82.39%的R50_vd_ssld预训练模型，与79.12%的R50_vd的预训练模型相比，检测效果可以提升1.5%。在COCO目标检测数据集上测试PSS-DET，当V100单卡预测速度为61FPS时，mAP是41.6%，预测速度为20FPS时，mAP是47.8%。详情请参考[**通用目标检测章节**](https://paddleclas.readthedocs.io/zh_CN/latest/application/object_detection.html)。
 
-<div align="center">
-<img
-src="./docs/images/det/pssdet.png" width="500">
-</div>
 
 - TODO
 - [ ] PaddleClas在OCR任务中的应用
-- 
GitLab