Update depth estimation modules docs according to the template (#1599)

modules/thirdparty/image/depth_estimation/MiDaS_Large/README.md

-## 模型概述
-MiDas v2.1 large 单目深度估计模型
+# MiDaS_Large
 
-模型可通过输入图像估计其中的深度信息
+|模型名称|MiDaS_Large|
+| :--- | :---: |
+|类别|图像 - 深度估计|
+|网络|-|
+|数据集|3D Movies, WSVD, ReDWeb, MegaDepth|
+|是否支持Fine-tuning|否|
+|模型大小|399MB|
+|最新更新日期|2021-02-26|
+|数据指标|-|
 
-模型权重转换自 [MiDas](https://github.com/intel-isl/MiDaS) 官方开源项目
 
+## 一、模型基本信息
 
-## 模型安装
+- ### 应用效果展示
+  - 样例结果示例：
+    <p align="center">
+    <img src="https://img-blog.csdnimg.cn/20201227112600975.jpg"  width='70%' hspace='10'/> <br />
+    </p>
 
-```shell
-$hub install MiDaS_Large
-```
 
-## 效果展示
-![效果展示](https://img-blog.csdnimg.cn/20201227112600975.jpg)
+- ### 模型介绍
 
-## API 说明
+  - MiDaS_Large是一个单目深度估计模型，模型可通过输入图像估计其中的深度信息。
 
-```python
-def depth_estimation(
-    images=None,
-    paths=None,
-    batch_size=1,
-    output_dir='output',
-    visualization=False
-)
-```
 
-深度估计API
+## 二、安装
 
-**参数**
+- ### 1、环境依赖  
 
-* images (list\[numpy.ndarray\]): 图片数据，ndarray.shape 为 \[H, W, C\]，默认为 None；
-* paths (list\[str\]): 图片的路径，默认为 None；
-* batch\_size (int): batch 的大小，默认设为 1；
-* visualization (bool): 是否将识别结果保存为图片文件，默认设为 False；
-* output\_dir (str): 图片的保存路径，默认设为 output。
+  - paddlepaddle >= 2.0.0  
 
+  - paddlehub >= 2.0.0   | [如何安装paddlehub](../../../../docs/docs_ch/get_start/installation.rst)  
 
-**返回**
+- ### 2、安装
 
-* res (list\[numpy.ndarray\]): 图像深度数据，ndarray.shape 为 \[H, W\]。
+  - ```shell
+    $ hub install MiDaS_Large
+    ```
+  - 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
+ | [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
 
+## 三、模型API预测
 
-## 预测代码示例
+- ### 1、代码示例
 
-```python
-import cv2
-import paddlehub as hub
+  - ```python
+    import paddlehub as hub
+    import cv2
 
-# 模型加载
-# use_gpu：是否使用GPU进行预测
-model = hub.Module(name='MiDaS_Large', use_gpu=False)
+    model = hub.Module(name="MiDaS_Large")
+    result = model.depth_estimation(images=[cv2.imread('/PATH/TO/IMAGE')])
+    # or
+    # result = model.depth_estimation(paths=['/PATH/TO/IMAGE'])
+    ```
 
-# 模型预测
-result = model.depth_estimation(images=[cv2.imread('/PATH/TO/IMAGE')])
+- ### 2、API
 
-# or
-# result = model.style_transfer(paths=['/PATH/TO/IMAGE'])
-```
+  - ```python
+    def depth_estimation(images=None,
+                    paths=None,
+                    batch_size=1,
+                    output_dir='output',
+                    visualization=False):
+    ```
 
-## 模型相关信息
+    - 深度估计API。
 
-### 模型代码
+    - **参数**
 
-https://github.com/intel-isl/MiDaS
+      - images (list\[numpy.ndarray\]): 图片数据，ndarray.shape 为 \[H, W, C\]；<br/>
+      - paths (list\[str\]): 图片的路径；<br/>
+      - batch_size (int) : batch 的大小；<br/>
+      - output\_dir (str): 图片的保存路径，默认设为 output；<br/>
+      - visualization (bool) : 是否将结果保存为图片文件。
 
-### 依赖
+      **NOTE:** paths和images两个参数选择其一进行提供数据
 
-paddlepaddle >= 2.0.0rc0
+    - **返回**
+      - res (list\[numpy.ndarray\]): 图像深度数据，ndarray.shape 为 \[H, W\]
 
-paddlehub >= 2.0.0b1
+
+## 四、更新历史
+
+* 1.0.0
+
+  初始发布
+
+  - ```shell
+    $ hub install MiDaS_Large==1.0.0
+    ```