update docs

deploy/configs/cls_demo/person/inference_person_cls.yaml

 Global:
   infer_imgs: "./images/cls_demo/person/objects365_02035329.jpg"
-  inference_model_dir: "./models/PPLCNet_x1_0_person/"
+  inference_model_dir: "./models/person_cls_infer"
   batch_size: 1
   use_gpu: True
   enable_mkldnn: True
@@ -30,6 +30,6 @@ PostProcess:
   main_indicator: Topk
   Topk:
     topk: 5
-    class_id_map_file: "../ppcls/utils/cls_demo//person_label_list.txt"
+    class_id_map_file: "../ppcls/utils/cls_demo/person_label_list.txt"
   SavePreLabel:
     save_dir: ./pre_label/

docs/zh_CN/quick_start/cls_demo/quick_start_cls_demo.md → docs/zh_CN/cls_demo/quick_start_cls_demo.md

@@ -2,29 +2,122 @@
 
 此处提供了用户使用 PaddleClas 快速构建轻量级、高精度、可落地的有人/无人的分类模型教程，主要基于有人/无人场景的数据，融合了轻量级骨干网络PPLCNet、SSLD预训练权重、EDA数据增强策略、KL-JS-UGI知识蒸馏策略、SHAS超参数搜索策略，得到精度高、速度快、易于部署的二分类模型。
 
-请事先参考[安装指南](../installation/install_paddleclas.md)配置运行环境和克隆 PaddleClas 代码。
-
 ------
 
-## 目录
 
-- [1. 数据准备](#1)
-- [2. 模型训练](#2)
-  - [2.1 基于搜索好的超参数训练](#2.1)
-    - [2.1.1 基于搜索好的超参数训练轻量级模型](#2.1.1)
-    - [2.1.2 基于搜索好的超参数训练教师模型](#2.1.2)
-    - [2.1.3 基于搜索好的超参数进行蒸馏训练](#2.1.3)
-  - [2.2 超参数搜索训练](2.2)
-- [3. 模型评估与推理](#3)
-  - [3.1 模型评估](#3.1)
-  - [3.2 模型预测](#3.2)
-  - [3.3 使用 inference 模型进行模型推理](#3.3)
-    - [3.3.1 导出 inference 模型](#3.3.1)
-    - [3.3.2 模型推理预测](#3.3.2)
+## 目录
 
+- [1. 环境配置](#1)
+- [2. 有人/无人场景推理预测](#2)
+  - [2.1 下载模型](#2.1)  
+  - [2.2 模型推理预测](#2.2)
+      - [2.2.1 预测单张图像](#2.2.1)
+      - [2.2.2 基于文件夹的批量预测](#2.2.2)
+- [3.有人/无人场景训练](#3)
+    - [3.1 数据准备](#3.1)
+    - [3.2 模型训练](#3.2)
+      - [3.2.1 基于默认超参数训练](#3.2.1)
+        -[3.2.1.1 基于默认超参数训练轻量级模型](#3.2.1.1)
+        -[3.2.1.2 基于默认超参数训练教师模型](#3.2.1.2)
+        -[3.2.1.3 基于默认超参数进行蒸馏训练](#3.2.1.3)
+      - [3.2.2 超参数搜索训练](#3.2)  
+- [4. 模型评估与推理](#4)
+  - [4.1 模型评估](#3.1)
+  - [4.2 模型预测](#3.2)
+  - [4.3 使用 inference 模型进行推理](#4.3)
+    - [4.3.1 导出 inference 模型](#4.3.1)
+    - [4.3.2 模型推理预测](#4.3.2)
+    
+    
 <a name="1"></a>
 
-## 1. 数据准备
+## 1. 环境配置
+
+* 安装：请先参考 [Paddle 安装教程](../installation/install_paddle.md) 以及 [PaddleClas 安装教程](../installation/install_paddleclas.md) 配置 PaddleClas 运行环境。
+ 
+<a name="2"></a> 
+
+## 2. 有人/无人场景推理预测
+
+<a name="2.1"></a> 
+
+### 2.1 下载模型
+
+* 进入 `deploy` 运行目录。
+
+```
+cd deploy
+```
+
+下载有人/无人分类的模型。
+
+```
+mkdir models
+cd models
+# 下载inference 模型并解压
+wget https://paddleclas.bj.bcebos.com/models/cls_demo/person_cls_infer.tar && tar -xf person_cls_infer.tar
+```
+
+解压完毕后，`models` 文件夹下应有如下文件结构：
+
+```
+├── person_cls_infer
+│   ├── inference.pdiparams
+│   ├── inference.pdiparams.info
+│   └── inference.pdmodel
+```
+
+<a name="2.2"></a> 
+
+### 2.2 模型推理预测
+
+<a name="2.2.1"></a> 
+
+#### 2.2.1 预测单张图像
+
+运行下面的命令，对图像 `./images/cls_demo/person/objects365_02035329.jpg` 进行有人/无人分类。
+
+```shell
+# 使用下面的命令使用 GPU 进行预测
+python3.7 python/predict_cls.py -c configs/cls_demo/person/inference_person_cls.yaml
+# 使用下面的命令使用 CPU 进行预测
+python3.7 python/predict_system.py -c configs/inference_general.yaml -o Global.use_gpu=False
+```
+
+输出结果如下。
+
+```
+objects365_02035329.jpg:	class id(s): [1, 0], score(s): [1.00, 0.00], label_name(s): ['someone', 'nobody']
+```
+
+其中，`someone` 表示该图里存在人，`nobody` 表示该图里不存在人。
+
+
+<a name="2.2.2"></a> 
+
+#### 2.2.2 基于文件夹的批量预测
+
+如果希望预测文件夹内的图像，可以直接修改配置文件中的 `Global.infer_imgs` 字段，也可以通过下面的 `-o` 参数修改对应的配置。
+
+```shell
+# 使用下面的命令使用 GPU 进行预测，如果希望使用 CPU 预测，可以在命令后面添加 -o Global.use_gpu=False
+python3.7 python/predict_system.py -c configs/inference_general.yaml -o Global.infer_imgs="./images/cls_demo/person/"
+```
+
+终端中会输出该文件夹内所有图像的分类结果，如下所示。
+
+```
+objects365_01780782.jpg:	class id(s): [0, 1], score(s): [1.00, 0.00], label_name(s): ['nobody', 'someone']
+objects365_02035329.jpg:	class id(s): [1, 0], score(s): [1.00, 0.00], label_name(s): ['someone', 'nobody']
+```
+
+<a name="3"></a> 
+
+## 3.有人/无人场景训练
+
+<a name="3.1"></a> 
+
+### 3.1 数据准备
 
 进入 PaddleClas 目录。
 
@@ -70,17 +163,17 @@ cd ../
 
 * 本案例中所使用的所有数据集均为开源数据，`train`集合为[MS-COCO数据的](https://cocodataset.org/#overview)训练集的子集，`val`集合为[Object365数据](https://www.objects365.org/overview.html)的训练集的子集，`ImageNet_val`为[ImageNet数据](https://www.image-net.org/)的验证集。
 
-<a name="2"></a>
+<a name="3.2"></a> 
 
-## 2. 模型训练
+### 3.2 模型训练
 
-<a name="2.1"></a> 
+<a name="3.2.1"></a> 
 
-### 2.1 基于搜索好的超参数训练
+#### 3.2.1 基于默认超参数训练
 
-<a name="2.1.1"></a> 
+<a name="3.2.1.1"></a> 
 
-#### 2.1.1 基于搜索好的超参数训练轻量级模型
+##### 3.2.1.1 基于默认超参数训练轻量级模型
 
 在`ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0.yaml`中提供了基于该场景中已经搜索好的超参数，可以通过如下脚本启动训练：
 
@@ -94,9 +187,9 @@ python3 -m paddle.distributed.launch \
 
 验证集的最佳 metric 在0.94-0.95之间（数据集较小，容易造成波动）。
 
-<a name="2.1.2"></a>
+<a name="3.2.1.2"></a> 
 
-#### 2.1.2 基于搜索好的超参数训练教师模型
+##### 3.2.1.2 基于默认超参数训练教师模型
 
 复用`ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0.yaml`中的超参数，训练教师模型，训练脚本如下：
 
@@ -111,9 +204,9 @@ python3 -m paddle.distributed.launch \
 
 验证集的最佳 metric 为0.97-0.98之间，当前教师模型最好的权重保存在`output/ResNet101_vd/best_model.pdparams`。
 
-<a name="2.1.3"></a>
+<a name="3.2.1.3"></a> 
 
-#### 2.1.3 基于搜索好的超参数进行蒸馏训练
+##### 3.2.1.3 基于默认超参数进行蒸馏训练
 
 配置文件`ppcls/configs/cls_demo/person/Distillation/PPLCNet_x1_0_distillation.yaml`提供了`KL-JS-UGI知识蒸馏策略`的配置。该配置将`ResNet101_vd`当作教师模型，`PPLCNet_x1_0`当作学生模型，使用ImageNet数据集的验证集作为新增的无标签数据。训练脚本如下：
 
@@ -126,11 +219,11 @@ python3 -m paddle.distributed.launch \
         -o Arch.models.0.Teacher.pretrained=output/ResNet101_vd/best_model
 ```
 
-<a name="2.2"></a>
+<a name="3.2.2"></a>
 
-### 2.2 超参数搜索训练
+#### 3.2.2 超参数搜索训练
 
-2.1 小节提供了在已经搜索并得到的超参数上进行了训练，此部分内容提供了搜索的过程，此过程是为了得到更好的训练超参数。
+[3.2 小节](#3.2) 提供了在已经搜索并得到的超参数上进行了训练，此部分内容提供了搜索的过程，此过程是为了得到更好的训练超参数。
 
 * 搜索运行脚本如下：
 
@@ -142,14 +235,16 @@ python tools/search_strategy.py -c ppcls/configs/cls_demo/person/PPLCNet/PPLCNet
 
 * 此过程基于当前数据集在 V100 4 卡上大概需要耗时 6 小时，如果缺少机器资源，希望体验搜索过程，可以将`ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0_search.yaml`中的`train_list.txt`和`val_list.txt`分别替换为`train_list.txt.debug`和`val_list.txt.debug`。替换list只是为了加速跑通整个搜索过程，由于数据量较小，其搜素的结果没有参考性。
 
-<a name="3"></a>
+* 如果此过程搜索的得到的超参数与3.2.1小节提供的超参数不一致，主要是由于训练数据较小造成的波动导致，可以忽略。
 
-## 3. 模型评估与推理
+<a name="4"></a>
 
+## 4. 模型评估与推理
 
-<a name="3.1"></a> 
 
-### 3.1 模型评估
+<a name="4.1"></a> 
+
+### 4.1 模型评估
 
 训练好模型之后，可以通过以下命令实现对模型精度的评估。
 
@@ -159,9 +254,9 @@ python3 tools/eval.py \
     -o Global.pretrained_model="output/PPLCNet_x1_0/best_model"
 ```
 
-<a name="3.2"></a> 
+<a name="4.2"></a> 
 
-### 3.2 模型预测
+### 4.2 模型预测
 
 模型训练完成之后，可以加载训练得到的预训练模型，进行模型预测。在模型库的 `tools/infer.py` 中提供了完整的示例，只需执行下述命令即可完成模型预测：
 
@@ -172,12 +267,13 @@ python3 tools/infer.py \
     -o Global.pretrained_model=output/PPLCNet_x1_0/best_model
 ```
 
-<a name="3.3"></a> 
+<a name="4.3"></a> 
+
+### 4.3 使用 inference 模型进行推理
 
-### 3.3 使用 inference 模型进行模型推理
+<a name="4.3.1"></a> 
 
-<a name="3.3.1"></a> 
-### 3.3.1 导出 inference 模型
+### 4.3.1 导出 inference 模型
 
 通过导出 inference 模型，PaddlePaddle 支持使用预测引擎进行预测推理。接下来介绍如何用预测引擎进行推理：
 首先，对训练好的模型进行转换：
@@ -188,37 +284,16 @@ python3 tools/export_model.py \
     -o Global.pretrained_model=output/PPLCNet_x1_0/best_model \
     -o Global.save_inference_dir=deploy/models/PPLCNet_x1_0_person
 ```
+执行完该脚本后会在`deploy/models/`下生成`PPLCNet_x1_0_person`文件夹，该文件夹中的模型与 2.2 节下载的推理预测模型格式一致。
 
+<a name="4.3.2"></a> 
 
-* 默认会在 `deploy/models/PPLCNet_x1_0_person` 文件夹下生成 `inference.pdiparams`、`inference.pdmodel` 和 `inference.pdiparams.info` 文件。其中`inference.pdiparams`、`inference.pdmodel` 分别存储了模型的权重和结构，用于推理预测。
-
-
-<a name="3.3.2"></a> 
-### 3.3.2 模型推理预测
-
-进入 deploy 目录下：
+### 4.3.2 基于 inference 模型推理预测
+推理预测的脚本为：
 
-```bash
-cd deploy
 ```
-执行下面的命令进行预测：
-```bash
-python python/predict_cls.py -c configs/cls_demo/person/inference_person_cls.yaml
+python3.7 python/predict_cls.py -c configs/cls_demo/person/inference_person_cls.yaml -o Global.inference_model_dir="models/PPLCNet_x1_0_person"
 ```
 
-输出结果为：
-```
-objects365_02035329.jpg:	class id(s): [1, 0], score(s): [1.00, 0.00], label_name(s): ['someone', 'nobody']
-```
-
-如果希望预测整个文件夹的图片，可以通过`-o `来重写配置文件中的`Global.infer_imgs`字段，如预测`./images/cls_demo/person/`下所有的图片的命令为：
-
-```bash
-python python/predict_cls.py -c configs/cls_demo/person/inference_person_cls.yaml -o Global.infer_imgs=./images/cls_demo/person/
-```
-输出结果为：
+更多关于推理的细节，可以参考[2.2节](#2.2)。
 
-```
-objects365_01780782.jpg:	class id(s): [0, 1], score(s): [1.00, 0.00], label_name(s): ['nobody', 'someone']
-objects365_02035329.jpg:	class id(s): [1, 0], score(s): [1.00, 0.00], label_name(s): ['someone', 'nobody']
-```