diff --git "a/applications/\351\253\230\347\262\276\345\272\246\344\270\255\346\226\207\350\257\206\345\210\253\346\250\241\345\236\213.md" "b/applications/\351\253\230\347\262\276\345\272\246\344\270\255\346\226\207\350\257\206\345\210\253\346\250\241\345\236\213.md"
index e3d0693ece021b61ae60cb21adbf7338504cb3e8..3c31af42ee41f6233b8ea42cf995543846c43120 100644
--- "a/applications/\351\253\230\347\262\276\345\272\246\344\270\255\346\226\207\350\257\206\345\210\253\346\250\241\345\236\213.md"
+++ "b/applications/\351\253\230\347\262\276\345\272\246\344\270\255\346\226\207\350\257\206\345\210\253\346\250\241\345\236\213.md"
@@ -2,7 +2,7 @@
 
 ## 1. 简介
 
-PP-OCRv3是百度开源的超轻量级场景文本检测识别模型库，其中超轻量的场景中文识别模型SVTR_LCNet使用了SVTR算法结构。为了保证速度，SVTR_LCNet将SVTR模型的Local Blocks替换为LCNet，使用两层Global Blocks。在中文场景中，经过多次优化，SVTR_LCNet的最终精度为79.4%。具体的：
+PP-OCRv3是百度开源的超轻量级场景文本检测识别模型库，其中超轻量的场景中文识别模型SVTR_LCNet使用了SVTR算法结构。为了保证速度，SVTR_LCNet将SVTR模型的Local Blocks替换为LCNet，使用两层Global Blocks。在中文场景中，PP-OCRv3识别主要使用如下优化策略：
 - GTC：Attention指导CTC训练策略；
 - TextConAug：挖掘文字上下文信息的数据增广策略；
 - TextRotNet：自监督的预训练模型；
@@ -11,10 +11,11 @@ PP-OCRv3是百度开源的超轻量级场景文本检测识别模型库，其中
 
 其中 *UIM：无标注数据挖掘方案* 使用了高精度的SVTR中文模型进行无标注文件的刷库，该模型在PP-OCRv3识别的数据集上训练，精度对比如下表。
 
-|中文识别算法|模型|精度|
-| --- | --- | --- |
-|PP-OCRv3|SVTR_LCNet|79.4%|
-|SVTR|SVTR-Tiny|82.5%|
+|中文识别算法|模型|UIM|精度|
+| --- | --- | --- |--- |
+|PP-OCRv3|SVTR_LCNet| w/o |78.4%|
+|PP-OCRv3|SVTR_LCNet| w |79.4%|
+|SVTR|SVTR-Tiny|-|82.5%|
 
 aistudio项目链接: [高精度中文场景文本识别模型SVTR](https://aistudio.baidu.com/aistudio/projectdetail/4263032)
 
diff --git a/configs/rec/rec_svtrnet_ch.yml b/configs/rec/rec_svtrnet_ch.yml
index b327edf499b7d8c085b2c2ad001fa968195efa6f..c4ce4ccc160ba15c3d4d21cfaca9feb96255daa0 100644
--- a/configs/rec/rec_svtrnet_ch.yml
+++ b/configs/rec/rec_svtrnet_ch.yml
@@ -92,9 +92,9 @@ Metric:
 Train:
   dataset:
     name: SimpleDataSet
+    data_dir: ./train_data
     label_file_list:
-    - /paddle/data/ocr_all/train_all_list.txt
-    data_dir: /paddle/data/ocr_all
+    - ./train_data/train_list.txt
     ext_op_transform_idx: 1
     transforms:
     - DecodeImage:
@@ -130,9 +130,9 @@ Train:
 Eval:
   dataset:
     name: SimpleDataSet
-    data_dir: /paddle/data/ocr_all
+    data_dir: ./train_data
     label_file_list:
-    - /paddle/data/ocr_all/val_list.txt
+    - ./train_data/val_list.txt
     transforms:
     - DecodeImage:
         img_mode: BGR
diff --git a/ppocr/data/imaug/rec_img_aug.py b/ppocr/data/imaug/rec_img_aug.py
index 92f7382724df3d46dcd31bbbfe1c281bf92ae621..1de8e6ee3c5c847cf4ae4ae4dd046dfa525e7821 100644
--- a/ppocr/data/imaug/rec_img_aug.py
+++ b/ppocr/data/imaug/rec_img_aug.py
@@ -97,7 +97,11 @@ class BaseDataAugmentation(object):
 
 
 class ABINetRecAug(object):
-    def __init__(self, **kwargs):
+    def __init__(self,
+                 geometry_p=0.5,
+                 deterioration_p=0.25,
+                 colorjitter_p=0.25,
+                 **kwargs):
         self.transforms = Compose([
             CVGeometry(
                 degrees=45,
@@ -105,13 +109,14 @@ class ABINetRecAug(object):
                 scale=(0.5, 2.),
                 shear=(45, 15),
                 distortion=0.5,
-                p=0.5), CVDeterioration(
-                    var=20, degrees=6, factor=4, p=0.25), CVColorJitter(
-                        brightness=0.5,
-                        contrast=0.5,
-                        saturation=0.5,
-                        hue=0.1,
-                        p=0.25)
+                p=geometry_p), CVDeterioration(
+                    var=20, degrees=6, factor=4, p=deterioration_p),
+            CVColorJitter(
+                brightness=0.5,
+                contrast=0.5,
+                saturation=0.5,
+                hue=0.1,
+                p=colorjitter_p)
         ])
 
     def __call__(self, data):