diff --git a/docs/annotation/README.md b/docs/annotation/README.md
index 13a98e823eef195cef2acc457e7fa6df41bb9834..28190be999a8d3b0be21efc75be670d3e2fb7ec5 100644
--- a/docs/annotation/README.md
+++ b/docs/annotation/README.md
@@ -1,97 +1,8 @@
 # PaddleSeg 数据标注
 
-用户需预先采集好用于训练、评估和测试的图片，并使用数据标注工具[LabelMe](https://github.com/wkentaro/labelme)完成数据标注，最后用我们提供的数据转换脚本将LabelMe产出的数据格式转换为模型训练时所需的数据格式。
+用户需预先采集好用于训练、评估和测试的图片，并使用数据标注工具完成数据标注，PaddleSeg支持2种标注工具：
+- [LabelMe](https://github.com/wkentaro/labelme)
+- [精灵数据标注工具](http://www.jinglingbiaozhu.com/)
 
-## 1 LabelMe的安装
+最后用我们提供的数据转换脚本将上述标注工具产出的数据格式转换为模型训练时所需的数据格式。
 
-用户在采集完用于训练、评估和预测的图片之后，需使用数据标注工具[LabelMe](https://github.com/wkentaro/labelme)完成数据标注。LabelMe支持在Windows/macOS/Linux三个系统上使用，且三个系统下的标注格式是一样。具体的安装流程请参见[官方安装指南](https://github.com/wkentaro/labelme)。
-
-## 2 LabelMe的使用
-
-打开终端输入`labelme`会出现LableMe的交互界面，可以先预览`LabelMe`给出的已标注好的图片，再开始标注自定义数据集。
-
-<div align="center">
-    <img src="../imgs/annotation/image-1.png" width="600px"/>
-    <p>图1 LableMe交互界面的示意图</p>
- </div>
-
-* 预览已标注图片
-
-获取`LabelMe`的源码：
-```
-git clone https://github.com/wkentaro/labelme
-```
-终端输入`labelme`会出现LableMe的交互界面，点击`OpenDir`打开`<path/to/labelme>/examples/semantic_segmentation/data_annotated`，其中`<path/to/labelme>`为克隆下来的`labelme`的路径，打开后示意的是语义分割的真值标注。
-
-<div align="center">
-    <img src="../imgs/annotation/image-2.png" width="600px"/>
-    <p>图2 已标注图片的示意图</p>
- </div>
-
-* 开始标注
-
-请按照下述步骤标注数据集：
-
-​		(1)   点击`OpenDir`打开待标注图片所在目录，点击`Create Polygons`，沿着目标的边缘画多边形，完成后输入目标的类别。在标注过程中，如果某个点画错了，可以按撤销快捷键可撤销该点。Mac下的撤销快捷键为`command+Z`。
-
-<div align="center">
-    <img src="../imgs/annotation/image-3.png" width="600px"/>
-    <p>图3 标注单个目标的示意图</p>
- </div>
-
-​		(2)   右击选择`Edit Polygons`可以整体移动多边形的位置，也可以移动某个点的位置；右击选择`Edit Label`可以修改每个目标的类别。请根据自己的需要执行这一步骤，若不需要修改，可跳过。
-
-<div align="center">
-    <img src="../imgs/annotation/image-4-1.png" width="00px" />
-  	<img src="../imgs/annotation/image-4-2.png" width="600px"/>
-    <p>图4 修改标注的示意图</p>
- </div>
-
-​		(3)   图片中所有目标的标注都完成后，点击`Save`保存json文件，**请将json文件和图片放在同一个文件夹里**，点击`Next Image`标注下一张图片。
-
-LableMe产出的真值文件可参考我们给出的文件夹`data_annotated`。
-
-<div align="center">
-    <img src="../imgs/annotation/image-5.png" width="600px"/>
-    <p>图5 LableMe产出的真值文件的示意图</p>
- </div>
-
- ## 3 数据格式转换
-
-* 我们用于完成语义分割的数据集目录结构如下：
-
- ```
- my_dataset                 # 根目录 
- |-- JPEGImages             # 数据集图片
- |-- SegmentationClassPNG   # 数据集真值 
- |   |-- xxx.png            # 像素级别的真值信息 
- |   |... 
- |-- class_names.txt        # 数据集的类别名称
- 
- ```
-
-<div align="center">
-    <img src="../imgs/annotation/image-6.png" width="600px"/>
-    <p>图6 训练所需的数据集目录的结构示意图</p>
- </div>
-
-* 运行转换脚本需要依赖labelme和pillow，如未安装，请先安装。Labelme的具体安装流程请参见[官方安装指南](https://github.com/wkentaro/labelme)。Pillow的安装：
-
-```shell
-pip install pillow
-```
-
-* 运行以下代码，将标注后的数据转换成满足以上格式的数据集：
-
-```
-  python labelme2seg.py <path/to/label_json_file> <path/to/output_dataset>
-```
-
-其中，`<path/to/label_json_files>`为图片以及LabelMe产出的json文件所在文件夹的目录，`<path/to/output_dataset>`为转换后的数据集所在文件夹的目录。**需注意的是：`<path/to/output_dataset>`不用预先创建，脚本运行时会自动创建，否则会报错。**
-
-转换得到的数据集可参考我们给出的文件夹`my_dataset`。其中，文件`class_names.txt`是数据集中所有标注类别的名称，包含背景类；文件夹`JPEGImages`保存的是数据集的图片；文件夹`SegmentationClassPNG`保存的是各图片的像素级别的真值信息，背景类`_background_`对应为0，其它目标类别从1开始递增，至多为255。
-
-<div align="center">
-    <img src="../imgs/annotation/image-7.png" width="600px"/>
-    <p>图7 训练所需的数据集各目录的内容示意图</p>
- </div>