Update Python Inference Readme

deploy/python/README.md

 # PaddleSeg Python 预测部署方案
 
-本文档旨在提供一个`PaddlePaddle`跨平台图像分割模型的`Python`预测部署方案，用户通过一定的配置，加上少量的代码，即可把模型集成到自己的服务中，完成图像分割的任务。
+## 1. 说明
+本方案旨在提供一个`PaddlePaddle`跨平台图像分割模型的`Python`预测部署方案作为参考，用户通过一定的配置，加上少量的代码，即可把模型集成到自己的服务中，完成图像分割的任务。
 
-## 前置条件
+如果**硬件支持**(如`Tesla V100 GPU`等)，本程序支持使用`Nvidia TensorRT`进行`FP32`和`FP16`两种精度进行推理性能加速。
 
-* Python2.7+，Python3+
-* pip，pip3
-
-## 主要目录和文件
+## 2. 依赖前置条件
+* Python2.7/Python3
 
+## 3. 目录结构和文件说明
 ```
 ├── infer.py #  核心代码，完成分割模型的预测以及结果可视化
 ├── requirements.txt # 依赖的Python包
 └── README.md # 说明文档
 ```
 
-### Step1:安装PaddlePaddle
+## 4. 环境安装和准备
+### 4.1 安装 PaddlePaddle
 
 如何选择合适版本的`PaddlePaddle`版本进行安装，可参考: [PaddlePaddle安装教程](https://www.paddlepaddle.org.cn/install/doc/)
 
-### Step2:安装Python依赖包
+**注意**: 如硬件支持且需要使用`TensorRT`支持`FP16`半精度优化等， 则**本步骤**需要自行安装`TensorRT`并编译`PaddlePaddle`, 点击查看[编译安装参考文档](docs/tensorrt.md)
 
-2.1 在**当前**目录下, 使用`pip`安装`Python`依赖包
+### 4.2:安装Python依赖包
+在**当前**目录下, 使用`pip`安装`Python`依赖包
 ```bash
 pip install -r requirements.txt
 ```
-
-2.2 安装`OpenCV` 相关依赖库
+### 4.3 安装`OpenCV` 相关依赖库
 预测代码中需要使用`OpenCV`，所以还需要`OpenCV`安装相关的动态链接库。
-以`Ubuntu` 和`CentOS` 为例，命令如下:
 
 `Ubuntu`下安装相关链接库：
 ```bash
@@ -39,10 +39,18 @@ CentOS 下安装相关链接库：
 ```bash
 yum install -y libXext libSM libXrender
 ```
-### Step3:预测
-进行预测前, 请使用[模型导出工具](../../docs/model_export.md) 导出您的模型(或点击下载我们的[人像分割样例模型](https://bj.bcebos.com/paddleseg/inference/human_freeze_model.zip)用于测试)。
 
-导出的模型目录通常包括三个文件，除了模型文件`models` 和参数文件`params`，还会生成对应的配置文件`deploy.yaml`用于`C++`和`Python` 预测, 主要字段及其含义如下:
+## 5. 开始预测
+### 5.1 准备模型
+请使用[模型导出工具](../../docs/model_export.md) 导出您的模型, 或点击下载我们的[人像分割样例模型](https://bj.bcebos.com/paddleseg/inference/human_freeze_model.zip)用于测试。
+
+模型导出的目录通常包括三个文件: 
+```
+├── model #  模型文件
+├── params # 参数文件
+└── deploy.yaml # 配置文件，用于C++或Python预测
+```
+配置文件的主要字段及其含义如下:
 ```yaml
 DEPLOY:
     # 是否使用GPU预测
@@ -68,23 +76,23 @@ DEPLOY:
     # 每次预测的 batch_size
     BATCH_SIZE : 3
 ```
-
-模型文件就绪后，在终端输入以下命令进行预测:
-```
+### 5.2 执行预测程序
+在终端输入以下命令进行预测:
+```bash
 python infer.py --conf=/path/to/deploy.yaml --input_dir/path/to/images_directory --use_pr=False
 ```
 参数说明如下:
 
 | 参数 | 是否必须|含义 |
 |-------|-------|----------|
-| conf | YES|模型配置的Yaml文件路径 |
-| input_dir |YES| 需要预测的图片目录 |
-| use_pr |NO|是否使用优化模型，默认为False|
+| conf | Yes|模型配置的Yaml文件路径 |
+| input_dir |Yes| 需要预测的图片目录 |
+| use_pr |No|是否使用优化模型，默认为False|
 
 * 优化模型：使用`PaddleSeg 0.3.0`版导出的为优化模型, 此前版本导出的模型即为未优化版本。优化模型把图像的预处理以及后处理部分融入到模型网络中使用`GPU` 完成，相比原来`CPU` 中的处理提升了计算性能。
 
+运行后程序会扫描`input_dir` 目录下所有指定格式图片，并生成`预测mask`和`可视化的结果`。
 
-运行后会扫描`input_dir` 目录下所有指定格式图片，生成`预测mask`和`可视化的结果`。
 对于图片`a.jpeg`, `预测mask` 存在`a_jpeg.png` 中，而可视化结果则在`a_jpeg_result.png` 中。
 
 输入样例: