Update PaddleDetection/README_cn.md (#3689)

* Update PaddleDetection/README_cn.md
* Follow comments
* Small update

README_cn.md

@@ -2,7 +2,7 @@
 
 # PaddleDetection
 
-PaddleDetection的目的是为工业界和学术界提供大量易使用的目标检测模型。PaddleDetection不仅性能完善，易于部署，同时能够灵活的满足算法研发需求。
+PaddleDetection的目的是为工业界和学术界提供丰富、易用的目标检测模型。不仅性能优越、易于部署，而且能够灵活的满足算法研究的需求。
 
 <div align="center">
   <img src="demo/output/000000570688.jpg" />
@@ -15,15 +15,15 @@ PaddleDetection的目的是为工业界和学术界提供大量易使用的目
 
 - 易部署:
 
-  PaddleDetection的模型中使用的主要算子均通过C++和CUDA实现，配合PaddlePaddle的高性能预测引擎，使得在服务器环境下易于部署。
+  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。
 
 - 高灵活度：
 
-  PaddleDetection各个组件均为功能单元。例如，模型结构，数据预处理流程，用户能够通过修改配置文件轻松实现可定制化。
+  PaddleDetection通过模块化设计来解耦各个组件，基于配置文件可以轻松地搭建各种检测模型。
 
 - 高性能：
 
-  在PaddlePaddle底层框架的帮助下，实现了更快的模型训练及更少的显存占用量。值得注意的是，Yolo v3的训练速度远快于其他框架。另外，Mask-RCNN(ResNet50)可以在Tesla V100 16GB环境下以每个GPU4张图片输入实现多卡训练。
+  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：
 
@@ -33,75 +33,88 @@ PaddleDetection的目的是为工业界和学术界提供大量易使用的目
 | Faster R-CNN + FPN | ✓      |                             ✓ | ✓          | ✓     | ✗         | ✗       | ✗   |
 | Mask R-CNN         | ✓      |                             ✓ | x          | ✓     | ✗         | ✗       | ✗   |
 | Mask R-CNN + FPN   | ✓      |                             ✓ | ✓          | ✓     | ✗         | ✗       | ✗   |
-| Cascade R-CNN      | ✓      |                             ✗ | ✗          | ✗     | ✗         | ✗       | ✗   |
-| RetinaNet          | ✓      |                             ✗ | ✗          | ✗     | ✗         | ✗       | ✗   |
-| Yolov3             | ✓      |                             ✗ | ✗          | ✗     | ✓         | ✓       | ✗   |
+| Cascade Faster-CNN | ✓      |                             ✓ | ✓          | ✗     | ✗         | ✗       | ✗  |
+| Cascade Mask-CNN   | ✓      |                             ✗ | ✗          | ✓     | ✗         | ✗       | ✗   |
+| RetinaNet          | ✓      |                             ✗ | ✓          | ✗     | ✗         | ✗       | ✗   |
+| YOLOv3             | ✓      |                             ✗ | ✗          | ✗     | ✓         | ✓       | ✗   |
 | SSD                | ✗      |                             ✗ | ✗          | ✗     | ✓         | ✗       | ✓   |
 
 <a name="vd">[1]</a> [ResNet-vd](https://arxiv.org/pdf/1812.01187) 模型提供了较大的精度提高和较少的性能损失。
 
 扩展特性：
 
-- [x] **Synchronized Batch Norm**: 目前在Yolo v3中使用。
-- [x] **Group Norm**: 预训练模型待发布。
-- [x] **Modulated Deformable Convolution**: 预训练模型待发布。
-- [x] **Deformable PSRoI Pooling**: 预训练模型待发布。
+- [x] **Synchronized Batch Norm**: 目前在YOLOv3中使用。
+- [x] **Group Norm**
+- [x] **Modulated Deformable Convolution**
+- [x] **Deformable PSRoI Pooling**
 
 **注意:** Synchronized batch normalization 只能在多GPU环境下使用，不能在CPU环境或者单GPU环境下使用。
 
-## 模型库
-
-基于PaddlePaddle训练的目标检测模型可参考[PaddleDetection模型库](docs/MODEL_ZOO_cn.md).
 
+## 使用教程
 
-## 安装
+- [安装说明](docs/INSTALL_cn.md)
+- [快速开始](docs/QUICK_STARTED_cn.md)
+- [训练、评估及参数说明](docs/GETTING_STARTED_cn.md)
+- [数据预处理及自定义数据集](docs/DATA_cn.md)
+- [配置模块设计和介绍](docs/CONFIG_cn.md)
+- [详细的配置信息和参数说明示例](docs/config_example/)
+- [IPython Notebook demo](demo/mask_rcnn_demo.ipynb)
+- [迁移学习教程](docs/TRANSFER_LEARNING_cn.md)
 
-请参考[安装说明文档](docs/INSTALL_cn.md).
+## 模型库
 
+- [模型库](docs/MODEL_ZOO_cn.md)
+- [人脸检测模型](configs/face_detection/README_cn.md)
+- [行人检测和车辆检测预训练模型](contrib/README_cn.md)
 
-## 开始
 
-## 快速入门
+## 模型压缩
+- [量化训练压缩示例](slim/quantization)
+- [剪枝压缩示例](slim/prune)
 
-PaddleDetection提供了快速开始的demo利于用户能够快速上手，示例请参考[QUICK_STARTED_cn.md](docs/QUICK_STARTED_cn.md)
+## 推理部署
 
-更多训练及评估流程，请参考[GETTING_STARTED_cn.md](docs/GETTING_STARTED_cn.md).
+- [C++推理部署](inference/README.md)
 
-详细的配置信息和参数说明，请参考[示例配置文件](docs/config_example/).
+## Benchmark
 
-同时推荐用户参考[IPython Notebook demo](demo/mask_rcnn_demo.ipynb)
+- [推理Benchmark](docs/BENCHMARK_INFER_cn.md)
 
-其他更多信息可参考以下文档内容：
 
-- [配置流程介绍](docs/CONFIG_cn.md)
-- [自定义数据集和预处理流程介绍](docs/DATA_cn.md)
 
+## 版本更新
 
-## 未来规划
+### 10/2019
 
-目前PaddleDetection处在持续更新的状态，接下来将会推出一系列的更新，包括如下特性：
+- 增加人脸检测模型BlazeFace、Faceboxes。
+- 丰富基于COCO的模型，精度高达51.9%。
+- 增加Objects365 2019 Challenge上夺冠的最佳单模型之一CACascade-RCNN。
+- 增加行人检测和车辆检测预训练模型。
+- 支持FP16训练。
+- 增加跨平台的C++推理部署方案。
+- 增加模型压缩示例。
 
-- [ ] 混合精度训练
-- [ ] 分布式训练
-- [ ] Int8模式预测
-- [ ] 用户自定义算子
-- [ ] 进一步丰富模型库
 
+### 2/9/2019
+- 增加GroupNorm模型。
+- 增加CascadeRCNN+Mask模型。
 
-## 版本更新
+#### 5/8/2019
+- 增加Modulated Deformable Convolution系列模型。
 
 #### 7/22/2019
 
 - 增加检测库中文文档
 - 修复R-CNN系列模型训练同时进行评估的问题
 - 新增ResNext101-vd + Mask R-CNN + FPN模型
-- 新增基于VOC数据集的Yolo v3模型
+- 新增基于VOC数据集的YOLOv3模型
 
 #### 7/3/2019
 
 - 首次发布PaddleDetection检测库和检测模型库
 - 模型包括：Faster R-CNN, Mask R-CNN, Faster R-CNN+FPN, Mask
-  R-CNN+FPN, Cascade-Faster-RCNN+FPN, RetinaNet, Yolo v3, 和SSD.
+  R-CNN+FPN, Cascade-Faster-RCNN+FPN, RetinaNet, YOLOv3, 和SSD.
 
 ## 如何贡献代码
 

docs/MODEL_ZOO.md

@@ -156,3 +156,8 @@ results of image size 608/416/320 above.
 
 **NOTE**: MobileNet-SSD is trained in 2 GPU with totoal batch size as 64 and trained 120 epoches. VGG-SSD is trained in 4 GPU with total batch size as 32 and trained 240 epoches. SSD training data augmentations: randomly color distortion,
 randomly cropping, randomly expansion, randomly flipping.
+
+
+## Face Detection
+
+Please refer [face detection models](../configs/face_detection) for details.

docs/MODEL_ZOO_cn.md

@@ -150,3 +150,7 @@ Paddle提供基于ImageNet的骨架网络预训练模型。所有预训练模型
 | VGG16        | 512  |     8   |   240e  |      65.975     | 80.2  | [下载链接](https://paddlemodels.bj.bcebos.com/object_detection/ssd_vgg16_512_voc.tar) |
 
 **注意事项:** MobileNet-SSD在2卡，总batch size为64下训练120周期。VGG-SSD在总batch size为32下训练240周期。数据增强包括：随机颜色失真，随机剪裁，随机扩张，随机翻转。
+
+## 人脸检测
+
+详细请参考[人脸检测模型](../configs/face_detection).