add speed up in doc

applications/车牌识别.md

@@ -31,7 +31,7 @@
 3. 图像质量差: 运动模糊,由于强光，反射或阴影造成的光照和对比度较差, 车牌(部分)遮挡；
 4. 在车辆管理等场景场景对于模型速度有着一定限制。
 
-针对以上问题， 本例选用 [PP-OCRv3](../doc/doc_ch/PP-OCRv3_introduction.md) 这一开源超轻量OCR系统进行车牌识别系统的开发。基于PP-OCRv3模型，在CCPD数据集达到99%的检测和94%的识别精度，模型大小12.8M(2.5M+10.3M)。基于量化对模型体积进行进一步压缩到5.8M(1M+4.8M), 同时推理速度提升x%。
+针对以上问题， 本例选用 [PP-OCRv3](../doc/doc_ch/PP-OCRv3_introduction.md) 这一开源超轻量OCR系统进行车牌识别系统的开发。基于PP-OCRv3模型，在CCPD数据集达到99%的检测和94%的识别精度，模型大小12.8M(2.5M+10.3M)。基于量化对模型体积进行进一步压缩到5.8M(1M+4.8M), 同时推理速度提升25%。
 
 aistudio项目链接: [基于PaddleOCR的轻量级车牌识别范例](https://aistudio.baidu.com/aistudio/projectdetail/3919091?contributionType=1)
 
@@ -355,12 +355,12 @@ python3.7 deploy/slim/quantization/quant.py -c configs/det/ch_PP-OCRv3/ch_PP-OCR
 
 量化后指标对比如下
 
-|方案|hmeans| 模型大小 |预测速度(lite)|
-|---|---|------|---|
-|PP-OCRv3中英文超轻量检测预训练模型 fine-tune|99%| 2.5M ||
-|PP-OCRv3中英文超轻量检测预训练模型 fine-tune+量化|98.91%| 1M   ||
+|方案|hmeans| 模型大小 | 预测速度(lite) |
+|---|---|------|------------|
+|PP-OCRv3中英文超轻量检测预训练模型 fine-tune|99%| 2.5M | 223ms      |
+|PP-OCRv3中英文超轻量检测预训练模型 fine-tune+量化|98.91%| 1M   | 189ms      |
 
-可以看到量化后能显著降低模型体积并且精度几乎无损。
+可以看到通过量化训练在精度几乎无损的情况下，降低模型体积60%并且推理速度提升15%。
 
 #### 4.1.4 模型导出
 
@@ -569,12 +569,12 @@ python3.7 deploy/slim/quantization/quant.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_
 
 量化后指标对比如下
 
-|方案| acc    | 模型大小  |预测速度(lite)|
-|---|--------|-------|---|
-|PP-OCRv3中英文超轻量识别预训练模型 fine-tune| 94.54% | 10.3M |
-|PP-OCRv3中英文超轻量识别预训练模型 fine-tune + 量化| 93.4%  | 4.8M  |
+|方案| acc    | 模型大小  | 预测速度(lite) |
+|---|--------|-------|------------|
+|PP-OCRv3中英文超轻量识别预训练模型 fine-tune| 94.54% | 10.3M | 4.2ms      |
+|PP-OCRv3中英文超轻量识别预训练模型 fine-tune + 量化| 93.4%  | 4.8M  | 1.8ms      |
 
-可以看到量化后能显著降低模型体积，但是由于识别数据过少，量化带来了1%的精度下降。
+可以看到量化后能降低模型体积53%并且推理速度提升57%，但是由于识别数据过少，量化带来了1%的精度下降。
 
 #### 4.2.5 模型导出