From a153b58f0b85ea2df1aa607f2b0452cf59802a50 Mon Sep 17 00:00:00 2001
From: WenmuZhou <572459439@qq.com>
Date: Mon, 16 May 2022 18:22:04 +0800
Subject: [PATCH] update toc, test=document

---
 ...46\347\211\214\350\257\206\345\210\253.md" | 28 +++++++++----------
 1 file changed, 14 insertions(+), 14 deletions(-)

diff --git "a/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md" "b/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md"
index a6feec13..556f9382 100644
--- "a/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md"
+++ "b/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md"
@@ -5,15 +5,15 @@
   - [3.2 制作符合PP-OCR训练格式的标注文件](#32-制作符合pp-ocr训练格式的标注文件)
 - [4. 实验](#4-实验)
   - [4.1 检测](#41-检测)
-    - [4.1.1 方案1：预训练模型](#411-方案1预训练模型)
-    - [4.1.2 方案2：CCPD车牌数据集fine-tune](#412-方案2ccpd车牌数据集fine-tune)
-    - [4.1.3 量化训练](#413-量化训练)
+    - [4.1.1 预训练模型](#411-预训练模型)
+    - [4.1.2 CCPD车牌数据集fine-tune](#412-ccpd车牌数据集fine-tune)
+    - [4.1.3 CCPD车牌数据集fine-tune+量化训练](#413-ccpd车牌数据集fine-tune量化训练)
     - [4.1.4 模型导出](#414-模型导出)
   - [4.2 识别](#42-识别)
-    - [4.2.1 方案1：预训练模型](#421-方案1预训练模型)
-    - [4.2.2 改动后处理](#422-改动后处理)
-    - [4.2.3 方案2：CCPD车牌数据集fine-tune](#423-方案2ccpd车牌数据集fine-tune)
-    - [4.2.4 量化训练](#424-量化训练)
+    - [4.2.1 预训练模型](#421-预训练模型)
+    - [4.2.2 预训练模型+改动后处理](#422-预训练模型改动后处理)
+    - [4.2.3 CCPD车牌数据集fine-tune](#423-ccpd车牌数据集fine-tune)
+    - [4.2.4 CCPD车牌数据集fine-tune+量化训练](#424-ccpd车牌数据集fine-tune量化训练)
     - [4.2.5 模型导出](#425-模型导出)
   - [4.3 串联推理](#43-串联推理)
   - [4.4 实验总结](#44-实验总结)
@@ -217,7 +217,7 @@ for phase in ['train','val','test']:
 3. CCPD车牌数据集在PP-OCRv3模型上fine-tune后量化
 
 ### 4.1 检测
-#### 4.1.1 方案1：预训练模型
+#### 4.1.1 预训练模型
 
 从下表中下载PP-OCRv3文本检测预训练模型
 
@@ -257,7 +257,7 @@ python tools/eval.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_student.yml -o \
 |---|---|
 |PP-OCRv3中英文超轻量检测预训练模型|76.12%|
 
-#### 4.1.2 方案2：CCPD车牌数据集fine-tune
+#### 4.1.2 CCPD车牌数据集fine-tune
 
 **训练**
 
@@ -312,7 +312,7 @@ python tools/eval.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_student.yml -o \
 
 可以看到进行fine-tune能显著提升车牌检测的效果。
 
-#### 4.1.3 量化训练
+#### 4.1.3 CCPD车牌数据集fine-tune+量化训练
 
 为了在端侧设备上进行部署，我们还需要对模型进行量化以提升模型的运行速度并降低模型体积。
 
@@ -361,7 +361,7 @@ python deploy/slim/quantization/export_model.py -c configs/det/ch_PP-OCRv3/ch_PP
 ```
 
 ### 4.2 识别
-#### 4.2.1 方案1：预训练模型
+#### 4.2.1 预训练模型
 
 从下表中下载PP-OCRv3文本识别预训练模型
 
@@ -452,7 +452,7 @@ W0501 08:51:57.132315 11326 device_context.cc:465] device: 0, cuDNN Version: 7.6
 1. 直接通过后处理去掉多识别的`·`。
 2. 进行finetune。
 
-#### 4.2.2 改动后处理
+#### 4.2.2 预训练模型+改动后处理
 
 直接通过后处理去掉多识别的`·`，在后处理的改动比较简单，只需在 `ppocr/postprocess/rec_postprocess.py` 文件的76行添加如下代码:
 ```python
@@ -468,7 +468,7 @@ text = text.replace('·','')
 
 可以看到，去掉多余的`·`能大幅提高精度。
 
-#### 4.2.3 方案2：CCPD车牌数据集fine-tune
+#### 4.2.3 CCPD车牌数据集fine-tune
 
 **训练**
 
@@ -526,7 +526,7 @@ python tools/eval.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_rec.yml -o \
 
 可以看到进行fine-tune能显著提升车牌识别的效果。
 
-#### 4.2.4 量化训练
+#### 4.2.4 CCPD车牌数据集fine-tune+量化训练
 
 为了在端侧设备上进行部署，我们还需要对模型进行量化以提升模型的运行速度并降低模型体积。
 
-- 
GitLab