[cherry-pick] fix mtmct pptracking doc (#6749)

* fix mtmct pptracking doc, test=document_fix

* fix doc, test=document_fix

deploy/pptracking/python/README.md

 # PP-Tracking Python端预测部署
 
+## 内容
+- [简介](#简介)
+- [1-FairMOT模型导出和预测](#1-FairMOT模型导出和预测)
+- [2-DeepSORT模型导出和预测](#2-DeepSORT模型导出和预测)
+- [3-ByteTrack和OC_SORT模型导出和预测](#3-ByteTrack和OC_SORT模型导出和预测)
+- [4-车辆跨镜头跟踪模型导出和预测](#4-车辆跨镜头跟踪模型导出和预测)
+- [5-参数说明](#5-参数说明)
+
+## 简介
 在PaddlePaddle中预测引擎和训练引擎底层有着不同的优化方法, 预测引擎使用了AnalysisPredictor，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。
 
 主要包含两个步骤：
@@ -11,7 +20,7 @@ PaddleDetection在训练过程包括网络的前向和优化器相关参数，
 
 PP-Tracking也提供了AI Studio公开项目案例，教程请参考[PP-Tracking之手把手玩转多目标跟踪](https://aistudio.baidu.com/aistudio/projectdetail/3022582)。
 
-## 1. 对FairMOT模型的导出和预测
+## 1-FairMOT模型导出和预测
 ### 1.1 导出预测模型
 ```bash
 # 命令行导出PaddleDetection发布的权重
@@ -66,7 +75,7 @@ python deploy/pptracking/python/mot_jde_infer.py --model_dir=output_inference/fa
 
 
 
-## 2. 对DeepSORT模型的导出和预测
+## 2-DeepSORT模型导出和预测
 ### 2.1 导出预测模型
 Step 1：导出检测模型
 ```bash
@@ -117,7 +126,7 @@ python deploy/pptracking/python/mot_sde_infer.py --model_dir=mot_ppyoloe_l_36e_p
 
 
 
-## 3. 对ByteTrack和OC_SORT模型的导出和预测
+## 3-ByteTrack和OC_SORT模型导出和预测
 ### 3.1 导出预测模型
 ```bash
 # 导出PPYOLOe行人检测模型
@@ -145,7 +154,7 @@ python deploy/pptracking/python/mot_sde_infer.py --model_dir=output_inference/pp
 
 
 
-## 4. 跨境跟踪模型的导出和预测
+## 4-车辆跨镜头跟踪模型导出和预测
 ### 4.1 导出预测模型
 Step 1：下载导出的检测模型
 ```bash
@@ -166,10 +175,11 @@ wget https://paddledet.bj.bcebos.com/data/mot/demo/mtmct-demo.tar
 tar -xvf mtmct-demo.tar
 
 # 用导出的PPYOLOE车辆检测模型和PPLCNet车辆ReID模型
-python deploy/pptracking/python/mot_sde_infer.py --model_dir=mot_ppyoloe_l_36e_ppvehicle/ --reid_model_dir=deepsort_pplcnet_vehicle/ --mtmct_dir=mtmct-demo --mtmct_cfg=mtmct_cfg.yml --device=GPU --threshold=0.5 --save_mot_txts --save_images
+python deploy/pptracking/python/mot_sde_infer.py --model_dir=mot_ppyoloe_l_36e_ppvehicle/ --reid_model_dir=deepsort_pplcnet_vehicle/ --tracker_config=deploy/pptracking/python/tracker_config.yml --mtmct_dir=mtmct-demo --mtmct_cfg=deploy/pptracking/python/mtmct_cfg.yml --device=GPU --threshold=0.5 --save_mot_txts --save_images
 ```
 
 **注意:**
+ - 运行前需要手动修改`tracker_config.yml`的跟踪器类型为`type: DeepSORTTracker`，跨镜头跟踪仅支持DeepSORT。
  - 跟踪模型是对视频进行预测，不支持单张图的预测，默认保存跟踪结果可视化后的视频，可添加`--save_mot_txts`(对每个视频保存一个txt)，或`--save_images`表示保存跟踪结果可视化图片。
  - 跨镜头跟踪结果txt文件每行信息是`camera_id,frame,id,x1,y1,w,h,-1,-1`。
  - `--threshold`表示结果可视化的置信度阈值，默认为0.5，低于该阈值的结果会被过滤掉，为了可视化效果更佳，可根据实际情况自行修改。
@@ -178,7 +188,7 @@ python deploy/pptracking/python/mot_sde_infer.py --model_dir=mot_ppyoloe_l_36e_p
  - `--mtmct_cfg`是MTMCT预测的某个场景的配置文件，里面包含该一些trick操作的开关和该场景摄像头相关设置的文件路径，用户可以自行更改相关路径以及设置某些操作是否启用。
 
 
-## 5. 参数说明:
+## 5-参数说明
 
 | 参数 | 是否必须|含义 |
 |-------|-------|----------|

deploy/pptracking/python/tracker_config.yml

-# config of tracker for MOT SDE Detector, use 'JDETracker' as default.
+# config of tracker for MOT SDE Detector, use 'OCSORTTracker' as default, 'JDETracker' here is just BYTETracker.
 # The tracker of MOT JDE Detector (such as FairMOT) is exported together with the model.
 # Here 'min_box_area' and 'vertical_ratio' are set for pedestrian, you can modify for other objects tracking.
 
 type: OCSORTTracker # choose one tracker in ['JDETracker', 'OCSORTTracker', 'DeepSORTTracker']
+# When using for MTMCT(Multi-Target Multi-Camera Tracking), you should modify to 'DeepSORTTracker'
 
-# BYTETracker
+
+# just as BYTETracker, used for FairMOT in PP-Tracking project and for ByteTrack in PP-Humanv1 project
 JDETracker:
   use_byte: True
   det_thresh: 0.3
@@ -15,6 +17,7 @@ JDETracker:
   vertical_ratio: 0 # 1.6 for pedestrian
 
 
+# used for OC-SORT in PP-Humanv2 project and PP-Vehicle project
 OCSORTTracker:
   det_thresh: 0.4
   max_age: 30
@@ -27,8 +30,9 @@ OCSORTTracker:
   use_byte: False
 
 
+# used for DeepSORT and MTMCT in PP-Tracking project
 DeepSORTTracker:
-  input_size: [64, 192]
+  input_size: [64, 192] # An unique operation to scale the sub-image of the selected detected boxes to a fixed size
   min_box_area: 0
   vertical_ratio: -1
   budget: 100