docs: add the dircription about PaddleLite opt

deploy/lite_shitu/README.md

@@ -81,12 +81,13 @@ inference_lite_lib.android.armv8/
 |   `-- java                                 Java 预测库demo
 ```
 
-## 2 开始运行
+## 2 模型准备
 
 ### 2.1 模型准备
 
+PaddleClas 提供了转换并优化后的推理模型，可以直接参考下方 2.1.1 小节进行下载。如果需要使用其他模型，请参考后续 2.1.2 小节自行转换并优化模型。
 
-#### 2.1.1 模型准备
+#### 2.1.1 使用PaddleClas提供的推理模型
 
 ```shell
 # 进入lite_ppshitu目录
@@ -96,7 +97,97 @@ tar -xf ppshitu_lite_models_v1.0.tar
 rm -f ppshitu_lite_models_v1.0.tar
 ```
 
-#### 2.1.2将yaml文件转换成json文件
+#### 2.1.2 使用其他模型
+
+Paddle-Lite 提供了多种策略来自动优化原始的模型，其中包括量化、子图融合、混合调度、Kernel优选等方法，使用Paddle-Lite的`opt`工具可以自动对inference模型进行优化，目前支持两种优化方式，优化后的模型更轻量，模型运行速度更快。
+
+**注意**：如果已经准备好了 `.nb` 结尾的模型文件，可以跳过此步骤。
+
+##### 2.1.2.1 安装paddle_lite_opt工具
+
+安装`paddle_lite_opt`工具有如下两种方法：
+
+1. [**建议**]pip安装paddlelite并进行转换
+    ```shell
+    pip install paddlelite==2.10rc
+    ```
+
+2. 源码编译Paddle-Lite生成`paddle_lite_opt`工具
+
+    模型优化需要Paddle-Lite的`opt`可执行文件，可以通过编译Paddle-Lite源码获得，编译步骤如下：
+    ```shell
+    # 如果准备环境时已经clone了Paddle-Lite，则不用重新clone Paddle-Lite
+    git clone https://github.com/PaddlePaddle/Paddle-Lite.git
+    cd Paddle-Lite
+    git checkout develop
+    # 启动编译
+    ./lite/tools/build.sh build_optimize_tool
+    ```
+
+    编译完成后，`opt`文件位于`build.opt/lite/api/`下，可通过如下方式查看`opt`的运行选项和使用方式；
+    ```shell
+    cd build.opt/lite/api/
+    ./opt
+    ```
+
+    `opt`的使用方式与参数与上面的`paddle_lite_opt`完全一致。
+
+之后使用`paddle_lite_opt`工具可以进行inference模型的转换。`paddle_lite_opt`的部分参数如下：
+
+|选项|说明|
+|-|-|
+|--model_file|待优化的PaddlePaddle模型（combined形式）的网络结构文件路径|
+|--param_file|待优化的PaddlePaddle模型（combined形式）的权重文件路径|
+|--optimize_out_type|输出模型类型，目前支持两种类型：protobuf和naive_buffer，其中naive_buffer是一种更轻量级的序列化/反序列化实现，默认为naive_buffer|
+|--optimize_out|优化模型的输出路径|
+|--valid_targets|指定模型可执行的backend，默认为arm。目前可支持x86、arm、opencl、npu、xpu，可以同时指定多个backend(以空格分隔)，Model Optimize Tool将会自动选择最佳方式。如果需要支持华为NPU（Kirin 810/990 Soc搭载的达芬奇架构NPU），应当设置为npu, arm|
+
+更详细的`paddle_lite_opt`工具使用说明请参考[使用opt转化模型文档](https://paddle-lite.readthedocs.io/zh/latest/user_guides/opt/opt_bin.html)
+
+`--model_file`表示inference模型的model文件地址，`--param_file`表示inference模型的param文件地址；`optimize_out`用于指定输出文件的名称（不需要添加`.nb`的后缀）。直接在命令行中运行`paddle_lite_opt`，也可以查看所有参数及其说明。
+
+
+##### 2.1.2.2 转换示例
+
+下面介绍使用`paddle_lite_opt`完成主体检测模型和识别模型的预训练模型，转成inference模型，最终转换成Paddle-Lite的优化模型的过程。
+
+1. 转换主体检测模型
+
+```shell
+# 当前目录为 $PaddleClas/deploy/lite_shitu
+# $code_path需替换成相应的运行目录,可以根据需要，将$code_path设置成需要的目录
+export $code_path=~
+cd $code_path
+git clone https://github.com/PaddlePaddle/PaddleDetection.git
+# 进入PaddleDetection根目录
+cd PaddleDetection
+# 将预训练模型导出为inference模型
+python tools/export_model.py -c configs/picodet/application/mainbody_detection/picodet_lcnet_x2_5_640_mainbody.yml -o weights=https://paddledet.bj.bcebos.com/models/picodet_lcnet_x2_5_640_mainbody.pdparams  --output_dir=inference
+# 将inference模型转化为Paddle-Lite优化模型
+paddle_lite_opt --model_file=inference/picodet_lcnet_x2_5_640_mainbody/model.pdmodel --param_file=inference/picodet_lcnet_x2_5_640_mainbody/model.pdiparams --optimize_out=inference/picodet_lcnet_x2_5_640_mainbody/mainbody_det
+# 将转好的模型复制到lite_shitu目录下
+cd $PaddleClas/deploy/lite_shitu
+mkdir models
+cp $code_path/PaddleDetection/inference/picodet_lcnet_x2_5_640_mainbody/mainbody_det.nb $PaddleClas/deploy/lite_shitu/models
+```
+
+2. 转换识别模型
+
+请先参考 [识别模型转分类模型](../../docs/zh_CN/advanced_tutorials/gallery2fc.md) 完成识别模型到分类模型的转换。
+在得到 inference 推理模型（后缀名为 `.pdmodel`、`.pdiparams`）以及 `label.txt` 后，再使用 PaddleLite opt 工具完成模型优化，命令如下：
+
+```shell
+# 转换为Paddle-Lite模型
+paddle_lite_opt --model_file=inference/inference.pdmodel --param_file=inference/inference.pdiparams --optimize_out=inference/rec
+# 将模型、label文件拷贝到lite_shitu下
+cp inference/rec.nb deploy/lite_shitu/models/
+cp inference/label.txt deploy/lite_shitu/models/
+cd deploy/lite_shitu
+```
+
+**注意**：`--optimize_out` 参数为优化后模型的保存路径，无需加后缀`.nb`；`--model_file` 参数为模型结构信息文件的路径，`--param_file` 参数为模型权重信息文件的路径，请注意文件名。
+
+### 2.2 将yaml文件转换成json文件
 
 ```shell
 # 如果测试单张图像
@@ -109,7 +200,7 @@ python generate_json_config.py --det_model_path ppshitu_lite_models_v1.0/mainbod
 
 ```
 
-### 2.2 与手机联调
+### 2.3 与手机联调
 
 首先需要进行一些准备工作。
 1. 准备一台arm8的安卓手机，如果编译的预测库是armv7，则需要arm7的手机，并修改Makefile中`ARM_ABI=arm7`。
@@ -216,6 +307,3 @@ A1：如果已经走通了上述步骤，更换模型只需要替换 `.nb` 模
 
 Q2：换一个图测试怎么做？
 A2：替换 deploy 下的测试图像为你想要测试的图像，并重新生成json配置文件（或者直接修改图像路径），使用 ADB 再次 push 到手机上即可。
-
-Q3：如果需要更换模型/预训练模型/底库数据集，需要怎么做：
-A：请参考文档 [基于分类方法的 PP-Shitu 移动端部署方案说明](./gallery2fc.md)。

docs/zh_CN/advanced_tutorials/gallery2fc.md

 # 识别模型转分类模型
 
-PaddleClas 提供了 `gallery2fc.py` 工具，帮助大家将识别模型转为分类模型。
+PaddleClas 提供了 `gallery2fc.py` 工具，帮助大家将识别模型转为分类模型。目前该工具仅支持转换量化后模型，因此建议使用 PaddleClas 提供的 `general_PPLCNet_x2_5_pretrained_v1.0_quant` 预训练模型，该模型为量化后的通用识别模型，backbone 为 PPLCNet_x2_5。
+
+如需使用其他模型，关于量化的具体操作请参考文档 [模型量化](./model_prune_quantization.md)。
 
 ## 一、模型转换说明
 
@@ -8,7 +10,7 @@ PaddleClas 提供了 `gallery2fc.py` 工具，帮助大家将识别模型转为
 
 #### 1. 底库数据集
 
-首先需要准备好底库数据，下面以 PaddleClas 提供饮料数据集（drink_dataset_v1.0）为例进行说明，饮料数据集获取方法：
+首先需要准备好底库数据，下面以 PaddleClas 提供的饮料数据集（drink_dataset_v1.0）为例进行说明，饮料数据集获取方法：
 
 ```shell
 cd PaddleClas/
@@ -40,7 +42,7 @@ wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/pretra
     * image_root: 底库数据集路径；
     * data_file: 底库数据集列表文件路径；
 
-### 1.3 转换特征提取模型
+### 1.3 模型转换
 
 在完成上述准备工作后，即可进行模型转换，命令如下所示：