Update some docs (#683)

README.md

@@ -15,6 +15,10 @@
 
 特性：
 
+- 模型丰富：
+
+  PaddleDetection提供了丰富的模型，包含目标检测、实例分割、人脸检测等100+个预训练模型，涵盖多种数据集竞赛冠军方案、适合云端/边缘端设备部署的检测方案。
+
 - 易部署:
 
   PaddleDetection的模型中使用的核心算子均通过C++或CUDA实现，同时基于PaddlePaddle的高性能推理引擎可以方便地部署在多种硬件平台上。
@@ -27,6 +31,7 @@
 
   基于PaddlePaddle框架的高性能内核，在模型训练速度、显存占用上有一定的优势。例如，YOLOv3的训练速度快于其他框架，在Tesla V100 16GB环境下，Mask-RCNN(ResNet50)可以单卡Batch Size可以达到4 (甚至到5)。
 
+
 支持的模型结构：
 
 |                    | ResNet | ResNet-vd <sup>[1](#vd)</sup> | ResNeXt-vd | SENet | MobileNet |  HRNet | Res2Net |
@@ -98,8 +103,8 @@
 - [数据预处理及自定义数据集](docs/advanced_tutorials/READER.md)
 - [搭建模型步骤](docs/advanced_tutorials/MODEL_TECHNICAL.md)
 - [配置模块设计和介绍](docs/advanced_tutorials/CONFIG_cn.md)
-- [IPython Notebook demo](demo/mask_rcnn_demo.ipynb)
 - [迁移学习教程](docs/advanced_tutorials/TRANSFER_LEARNING_cn.md)
+- [IPython Notebook demo](demo/mask_rcnn_demo.ipynb)
 - [模型压缩](slim)
     - [压缩benchmark](slim)
     - [量化](slim/quantization)
@@ -130,8 +135,7 @@
 本项目的发布受[Apache 2.0 license](LICENSE)许可认证。
 
 ## 版本更新
-v0.3.0版本已经在`05/2020`发布，增加anchor-free、EfficientDet和YOLOv4等多个模型，推出移动端、服务器端实用高效多个模型，重构预测部署功能，提升易用性，修复已知诸多bug等，
-详细内容请参考[版本更新文档](docs/CHANGELOG.md)。
+v0.3.0版本已经在`05/2020`发布，增加Anchor-free、EfficientDet和YOLOv4等多个模型，推出移动端、服务器端实用高效多个模型，例如移动端将YOLOv3-MobileNetv3加速3.5倍，服务器端优化两阶段模型，速度和精度具备较高性价比。重构预测部署功能，提升易用性，修复已知诸多bug等，详细内容请参考[版本更新文档](docs/CHANGELOG.md)。
 
 ## 如何贡献代码
 

README_en.md

@@ -21,6 +21,12 @@ and multi-platform deployment.
 
 Features:
 
+- Rich models:
+
+  PaddleDetection provides rich of models, including 100+ pre-trained models
+such as object detection, instance segmentation, face detection etc. It covers
+the champion models, the practical detection models for cloud and edge device.
+
 - Production Ready:
 
   Key operations are implemented in C++ and CUDA, together with PaddlePaddle's
@@ -111,8 +117,8 @@ The following is the relationship between COCO mAP and FPS on Tesla V100 of repr
 - [Guide to preprocess pipeline and custom dataset](docs/advanced_tutorials/READER.md)
 - [Models technical](docs/advanced_tutorials/MODEL_TECHNICAL.md)
 - [Introduction to the configuration workflow](docs/advanced_tutorials/CONFIG.md)
-- [IPython Notebook demo](demo/mask_rcnn_demo.ipynb)
 - [Transfer learning document](docs/advanced_tutorials/TRANSFER_LEARNING.md)
+- [IPython Notebook demo](demo/mask_rcnn_demo.ipynb)
 - [Model compression](slim)
     - [Model compression benchmark](slim)
     - [Quantization](slim/quantization)

deploy/README.md

@@ -3,7 +3,7 @@
 `PaddleDetection`目前支持使用`Python`和`C++`部署在`Windows` 和`Linux` 上运行。
 
 ## 模型导出
-训练得到一个满足要求的模型后，如果想要将该模型接入到C++预测库，需要通过`tools/export_model.py`导出该模型。
+训练得到一个满足要求的模型后，如果想要将该模型接入到C++服务器端预测库或移动端预测库，需要通过`tools/export_model.py`导出该模型。
 
 - [导出教程](../docs/advanced_tutorials/deploy/EXPORT_MODEL.md)
 
@@ -20,3 +20,4 @@ yolov3_darknet # 模型目录
 ## 预测部署
 - [1. Python预测(支持 Linux 和 Windows)](./python/)
 - [2. C++预测(支持 Linux 和 Windows)](./cpp/)
+- [3. 移动端部署参考Paddle-Lite文档](https://paddle-lite.readthedocs.io/zh/latest/)

deploy/python/README.md

 # Python端预测部署
+
+Python预测可以使用`tools/infer.py`，此种方式依赖PaddleDetection源码；也可以使用本篇教程预测方式，先将模型导出，使用一个独立的文件进行预测。
+
+
 本篇教程使用AnalysisPredictor对[导出模型](../../docs/advanced_tutorials/deploy/EXPORT_MODEL.md)进行高性能预测。
 
 在PaddlePaddle中预测引擎和训练引擎底层有着不同的优化方法, 下面列出了两种不同的预测方式。Executor同时支持训练和预测，AnalysisPredictor则专门针对推理进行了优化，是基于[C++预测库](https://www.paddlepaddle.org.cn/documentation/docs/zh/advanced_guide/inference_deployment/inference/native_infer.html)的Python接口，该引擎可以对模型进行多项图优化，减少不必要的内存拷贝。如果用户在部署已训练模型的过程中对性能有较高的要求，我们提供了独立于PaddleDetection的预测脚本，方便用户直接集成部署。

docs/CHANGELOG.md

@@ -5,16 +5,16 @@
 ### v0.3.0(05/2020)
   - 模型丰富度提升：
     - 添加Efficientdet-D0模型，速度与精度优于竞品。
-    - 添加anchor-free模型FCOS，精度优于竞品。
-    - 新增yolov4预测模型，精度对齐竞品；新增yolov4在pascal voc数据集上finetune模型，精度达到85.5%。
+    - 新增YOLOv4预测模型，精度对齐竞品；新增YOLOv4在Pascal VOC数据集上微调训练，精度达到85.5%。
     - YOLOv3新增MobileNetV3骨干网络，COCO数据集精度达到31.6%。
-    -  添加anchor-free模型CornernetSqueeze，精度优于竞品， 优化模型的COCO数据集精度38.2%, +3.7%，速度较yolo_v3 darknet快5%。
-    -  添加服务器端实用目标检测模型cascade_rcnn_resnet50_vd_fpn_dcn，速度与精度优于竞品EfficientDet。
+    - 添加Anchor-free模型FCOS，精度优于竞品。
+    - 添加Anchor-free模型CornernetSqueeze，精度优于竞品，优化模型的COCO数据集精度38.2%, +3.7%，速度较YOLOv3-Darknet53快5%。
+    - 添加服务器端实用目标检测模型CascadeRCNN-ResNet50vd模型，速度与精度优于竞品EfficientDet。
 
   - 移动端推出3种模型：
-    - SSDLite系列模型：ssdlite-mobilenet_v3 large模型与ssdlite-mobilenet_v3 small模型，精度优于竞品。ssdlite-mobilenet_v1模型，精度优于竞品。
-    - yolo v3：yolov3_mobilenet_v3裁剪模型，速度和精度均领先于竞品的SSDLite模型。
-    - Faster RCNN：cascade_rcnn_mobilenet_v3 large_fpn推出输入图像分别为320x320和640x640的模型，速度与精度具有较高性价比。
+    - SSDLite系列模型：SSDLite-Mobilenetv3 small/large模型，精度优于竞品。
+    - YOLOv3移动端方案: YOLOv3-MobileNetv3模型压缩后加速3.5倍，速度和精度均领先于竞品的SSDLite模型。
+    - RCNN移动端方案：CascadeRCNN-MobileNetv3经过系列优化, 推出输入图像分别为320x320和640x640的模型，速度与精度具有较高性价比。
 
   - 预测部署重构：
     - 新增Python预测部署流程，支持RCNN，YOLO，SSD，RetinaNet，人脸系列模型，支持视频预测。

docs/advanced_tutorials/TRANSFER_LEARNING_cn.md

@@ -2,7 +2,11 @@
 
 迁移学习为利用已有知识，对新知识进行学习。例如利用ImageNet分类预训练模型做初始化来训练检测模型，利用在COCO数据集上的检测模型做初始化来训练基于PascalVOC数据集的检测模型。
 
-在进行迁移学习时，由于会使用不同的数据集，数据类别数与COCO/VOC数据类别不同，导致在加载开源模型(如COCO预训练模型)时，与类别数相关的权重（例如分类模块的fc层）会出现维度不匹配的问题；另外，如果需要结构更加复杂的模型，需要对已有开源模型结构进行调整，对应权重也需要选择性加载。因此，需要检测库能够指定参数字段，在加载模型时不加载匹配的权重。
+
+### 选择数据
+
+
+在进行迁移学习时，由于会使用不同的数据集，数据类别数与COCO/VOC数据类别不同，导致在加载开源模型(如COCO预训练模型)时，与类别数相关的权重（例如分类模块的fc层）会出现维度不匹配的问题；另外，如果需要结构更加复杂的模型，需要对已有开源模型结构进行调整，对应权重也需要选择性加载。因此，需要在加载模型时不加载不能匹配的权重。
 
 
 在迁移学习中，对预训练模型进行选择性加载，支持如下两种迁移学习方式：

docs/tutorials/GETTING_STARTED_cn.md

@@ -3,9 +3,9 @@
 关于配置运行环境，请参考[安装指南](INSTALL_cn.md)
 
 
-## 训练/评估/推断
+## 训练/评估/预测
 
-PaddleDetection提供了训练/评估/推断三个功能的使用脚本，支持通过不同可选参数实现特定功能
+PaddleDetection提供了训练/评估/预测，支持通过不同可选参数实现特定功能
 
 ```bash
 # 设置PYTHONPATH路径
@@ -16,7 +16,7 @@ python tools/train.py -c configs/faster_rcnn_r50_1x.yml
 # GPU评估
 export CUDA_VISIBLE_DEVICES=0
 python tools/eval.py -c configs/faster_rcnn_r50_1x.yml
-# 推断
+# 预测
 python tools/infer.py -c configs/faster_rcnn_r50_1x.yml --infer_img=demo/000000570688.jpg
 ```
 
@@ -34,10 +34,10 @@ python tools/infer.py -c configs/faster_rcnn_r50_1x.yml --infer_img=demo/0000005
 |       --fp16             |     train      |  是否使用混合精度训练模式  |  False  |  需使用GPU训练  |
 |       --loss_scale       |     train      |  设置混合精度训练模式中损失值的缩放比例  |  8.0  |  需先开启`--fp16`后使用  |  
 |       --json_eval        |       eval     |  是否通过已存在的bbox.json或者mask.json进行评估  |  False  |  json文件路径在`--output_eval`中设置  |
-|       --output_dir       |      infer     |  输出推断后可视化文件  |  `./output`  |  `--output_dir output`  |
+|       --output_dir       |      infer     |  输出预测后可视化文件  |  `./output`  |  `--output_dir output`  |
 |    --draw_threshold      |      infer     |  可视化时分数阈值  |  0.5  |  `--draw_threshold 0.7`  |
-|      --infer_dir         |       infer     |  用于推断的图片文件夹路径  |  None  |    |
-|      --infer_img         |       infer     |  用于推断的图片路径  |  None  |  相较于`--infer_dir`具有更高优先级  |
+|      --infer_dir         |       infer     |  用于预测的图片文件夹路径  |  None  |    |
+|      --infer_img         |       infer     |  用于预测的图片路径  |  None  |  相较于`--infer_dir`具有更高优先级  |
 |        --use_tb          |   train/infer   |  是否使用[tb-paddle](https://github.com/linshuliang/tb-paddle)记录数据，进而在TensorBoard中显示  |  False  |      |
 |        --tb\_log_dir     |   train/infer   |  指定 tb-paddle 记录数据的存储路径  |  train:`tb_log_dir/scalar` infer: `tb_log_dir/image`  |     |
 
@@ -145,9 +145,9 @@ python -m paddle.distributed.launch --selected_gpus 0,1,2,3,4,5,6,7 tools/train.
 - R-CNN和SSD模型目前暂不支持多GPU评估，将在后续版本支持
 
 
-### 模型推断
+### 模型预测
 
-- 设置输出路径 && 设置推断阈值
+- 设置输出路径 && 设置预测阈值
 
   ```bash
   export CUDA_VISIBLE_DEVICES=0
@@ -160,4 +160,6 @@ python -m paddle.distributed.launch --selected_gpus 0,1,2,3,4,5,6,7 tools/train.
 
 
   `--draw_threshold` 是个可选参数. 根据 [NMS](https://ieeexplore.ieee.org/document/1699659) 的计算，
-  不同阈值会产生不同的结果。如果用户需要对自定义路径的模型进行推断，可以设置`-o weights`指定模型路径。
+  不同阈值会产生不同的结果。如果用户需要对自定义路径的模型进行预测，可以设置`-o weights`指定模型路径。
+
+  此预测过程依赖PaddleDetection源码，如果您想使用C++进行服务器端预测、或在移动端预测、或使用PaddleServing部署、或独立于PaddleDetection源码使用Python预测可以参考[模型导出教程](../advanced_tutorials/deploy/EXPORT_MODEL.md)和推理部署。