update docs

docs/data/annotation.md

+# 数据标注工具
+
+PaddleX支持图像分类、目标检测、实例分割和语义分割四大视觉领域常见的任务，对于每类视觉任务，都支持了特定的数据格式。PaddleX目前支持了图像分类的ImageNet格式，目标检测的PascalVOC格式，实例分割的MSCOCO格式（MSCOCO也可以用于目标检测）以及语义分割数据格式。
+
+## 常见标注工具
+
+> 图像分类无需标注工具，用户只需以txt文件记录每张图片的类别标签即可。  
+> 对于目标检测、实例分割和语义分割，PaddleX已经与主流的标注工具进行了适配，用户可根据自己的需求，选择以下标注工具进行数据标注。
+
+| 标注工具    | 图像分类 | 目标检测 | 实例分割 | 语义分割 | 安装                                             |
+| :---------  | :------- | :------ | :------  | :------- | :----------------------------------------------- |
+| Labelme     | -        | √        | √        | √        | pip install labelme （本地数据标注）                              |
+| 精灵标注    | √        | √        | √        | √        | [官网下载](http://www.jinglingbiaozhu.com/) （本地数据标注）     |
+| EasyData    | √        | √        | √        | √        | [Web页面标注](https://ai.baidu.com/easydata/) （需上传数据进行标注)   |
+
+数据标注完成后，参照如下流程，将标注数据转为可用PaddleX模型训练的数据组织格式。
+
+
+## 标注数据格式转换
+
+目前所有标注工具，生成的标注文件，均为与原图同名的json格式文件，如`1.jpg`在标注完成后，则会在标注文件保存的目录生成`1.json`文件。转换时参照以下步骤
+> 1. 将所有的原图文件放在同一个目录下，如`pics`目录  
+> 2. 将所有的标注json文件放在同一个目录下，如`annotations`目录  
+> 3. 使用如下命令进行转换
+```
+paddlex --data_conversion --from labelme --to PascalVOC --pics ./pics --annotations ./annotations --save_dir ./converted_dataset_dir
+```
+> `--from`表示数据标注来源，支持`labelme`、`jingling`和`easydata`（分别表示数据来源于LabelMe，精灵标注助手和EasyData）  
+> `--to`表示数据需要转换成为的格式，支持`PascalVOC`（目标检测），`MSCOCO`（实例分割，也可用于目标检测）和`SEG`(语义分割)  
+> `--pics`指定原图所在的目录路径  
+> `--annotations`指定标注文件所在的目录路径

docs/data/annotation/classification.md

-# 图像分类数据准备

docs/data/annotation/conversion.md

-# 标注数据格式转换

docs/data/annotation/instance_segmentation.md

-# 实例分割数据标注

docs/data/annotation/object_detection.md

-# 目标检测数据标注

docs/data/annotation/semantic_segmentation.md

-# 语义分割数据标注

docs/data/format/classification.md

-# 图像分类
+# 图像分类ImageNet
+
+## 数据文件夹结构
+
+在PaddleX中，图像分类支持ImageNet数据集格式。数据集目录`data_dir`下包含多个文件夹，每个文件夹中的图像均属于同一个类别，文件夹的命名即为类别名（注意路径中不要包括中文，空格）。
+如下为示例结构
+```
+MyDataset/ # 图像分类数据集根目录
+|--dog/ # 当前文件夹所有图片属于dog类别
+|  |--d1.jpg
+|  |--d2.jpg
+|  |--...
+|  |--...
+|
+|--...
+|
+|--snake/ # 当前文件夹所有图片属于snake类别
+|  |--s1.jpg
+|  |--s2.jpg
+|  |--...
+|  |--...
+```
+
+## 划分训练集验证集
+
+**为了用于训练，我们需要在`MyDataset`目录下准备`train_list.txt`, `val_list.txt`和`labels.txt`三个文件**，分别用于表示训练集列表，验证集列表和类别标签列表。[点击下载图像分类示例数据集](https://bj.bcebos.com/paddlex/datasets/vegetables_cls.tar.gz)
+> 注：也可使用PaddleX自带工具，对数据集进行随机划分，**在数据集按照上面格式组织后**，使用如下命令即可快速完成数据集随机划分，其中split指标训练集的比例，剩余的比例用于验证集。
+> ```
+> paddlex --split_dataset --from ImageNet --split 0.8 --save_dir ./splited_dataset_dir
+> ```
+
+**labels.txt**  
+
+labels.txt用于列出所有类别，类别对应行号表示模型训练过程中类别的id(行号从0开始计数)，例如labels.txt为以下内容
+```
+dog
+cat
+snake
+```
+即表示该分类数据集中共有3个类别，分别为`dog`，`cat`和`snake`，在模型训练中`dog`对应的类别id为0, `cat`对应1，以此类推
+
+**train_list.txt**  
+
+train_list.txt列出用于训练时的图片集合，与其对应的类别id，示例如下
+```
+dog/d1.jpg 0
+dog/d2.jpg 0
+cat/c1.jpg 1
+... ...
+snake/s1.jpg 2
+```
+其中第一列为相对对`MyDataset`的相对路径，第二列为图片对应类别的类别id
+
+**val_list.txt**  
+
+val_list列出用于验证时的图片集成，与其对应的类别id，格式与train_list.txt一致
+
+## PaddleX数据集加载  
+示例代码如下,
+```
+import paddlex as pdx
+from paddlex.cls import transforms
+train_transforms = transforms.ComposedClsTransforms(mode='train', crop_size=[224, 224])
+eval_transforms = transforms.ComposedClsTransforms(mode='eval', crop_size=[224, 224])
+train_dataset = pdx.datasets.ImageNet(
+                    data_dir='./MyDataset',
+                    file_list='./MyDataset/train_list.txt',
+                    label_list='./MyDataset/labels.txt',
+                    transforms=train_transforms)
+eval_dataset = pdx.datasets.ImageNet(
+                    data_dir='./MyDataset',
+                    file_list='./MyDataset/eval_list.txt',
+                    label_list='./MyDataset/labels.txt',
+                    transforms=eval_transforms)
+```

docs/data/format/detection.md

-# 目标检测和实例分割
+# 目标检测PascalVOC
+
+## 数据集文件夹结构
+
+在PaddleX中，目标检测支持PascalVOC数据集格式。建议用户将数据集按照如下方式进行组织，原图均放在同一目录，如`JPEGImages`，标注的同名xml文件均放在同一目录，如`Annotations`，示例如下
+```
+MyDataset/ # 目标检测数据集根目录
+|--JPEGImages/ # 原图文件所在目录
+|  |--1.jpg
+|  |--2.jpg
+|  |--...
+|  |--...
+|
+|--Annotations/ # 标注文件所在目录
+|  |--1.xml
+|  |--2.xml
+|  |--...
+|  |--...
+```
+
+## 划分训练集验证集
+
+**为了用于训练，我们需要在`MyDataset`目录下准备`train_list.txt`, `val_list.txt`和`labels.txt`三个文件**，分别用于表示训练集列表，验证集列表和类别标签列表。[点击下载目标检测示例数据集](https://bj.bcebos.com/paddlex/datasets/insect_det.tar.gz)
+> 注：也可使用PaddleX自带工具，对数据集进行随机划分，**在数据集按照上面格式组织后**，使用如下命令即可快速完成数据集随机划分，其中split指标训练集的比例，剩余的比例用于验证集。
+> ```
+> paddlex --split_dataset --from PascalVOC --pics ./JPEGImages --annotations ./Annotations --split 0.8 --save_dir ./splited_dataset_dir
+> ```
+
+**labels.txt**  
+
+labels.txt用于列出所有类别，类别对应行号表示模型训练过程中类别的id(行号从0开始计数)，例如labels.txt为以下内容
+```
+dog
+cat
+snake
+```
+表示该检测数据集中共有3个目标类别，分别为`dog`，`cat`和`snake`，在模型训练中`dog`对应的类别id为0, `cat`对应1，以此类推
+
+**train_list.txt**  
+
+train_list.txt列出用于训练时的图片集合，与其对应的标注文件，示例如下
+```
+JPEGImages/1.jpg Annotations/1.xml
+JPEGImages/2.jpg Annotations/2.xml
+... ...
+```
+其中第一列为原图相对`MyDataset`的相对路径，第二列为标注文件相对`MyDataset`的相对路径
+
+**val_list.txt**  
+
+val_list列出用于验证时的图片集成，与其对应的标注文件，格式与val_list.txt一致
+
+## PaddleX数据集加载  
+示例代码如下，
+```
+import paddlex as pdx
+from paddlex.det import transforms
+
+train_transforms = transforms.ComposedYOLOv3Transforms(mode='train', shape=[608, 608])
+eval_transforms = transforms.ComposedYOLOv3Transforms(mode='eval', shape=[608, 608])
+
+train_dataset = pdx.datasets.VOCDetection(
+                        data_dir='./MyDataset',
+                        file_list='./MyDataset/train_list.txt',
+                        label_list='./MyDataset/labels.txt',
+                        transforms=train_transforms)
+eval_dataset = pdx.datasets.VOCDetection(
+                        data_dir='./MyDataset',
+                        file_list='./MyDataset/val_list.txt',
+                        label_list='MyDataset/labels.txt',
+                        transforms=eval_transforms)
+
+```

docs/data/format/index.rst

-PaddleX数据格式说明
+数据格式说明
 =======================================
 
 
@@ -8,4 +8,5 @@ PaddleX数据格式说明
 
    classification.md
    detection.md
+   instance_segmentation.md
    segmentation.md

docs/data/format/instance_segmentation.md

+# 实例分割MSCOCO
+
+## 数据集文件夹结构
+
+在PaddleX中，实例分割支持MSCOCO数据集格式（MSCOCO格式同样也可以用于目标检测）。建议用户将数据集按照如下方式进行组织，原图均放在同一目录，如JPEGImages，标注文件（如annotations.json）放在与JPEGImages所在目录同级目录下，示例结构如下
+```
+MyDataset/ # 实例分割数据集根目录
+|--JPEGImages/ # 原图文件所在目录
+|  |--1.jpg
+|  |--2.jpg
+|  |--...
+|  |--...
+|
+|--annotations.json # 标注文件所在目录
+```
+
+## 划分训练集验证集
+
+在PaddleX中，为了区分训练集和验证集，在`MyDataset`同级目录，使用不同的json表示数据的划分，例如`train.json`和`val.json`。[点击下载实例分割示例数据集](https://bj.bcebos.com/paddlex/datasets/garbage_ins_det.tar.gz)。
+> 注：也可使用PaddleX自带工具，对数据集进行随机划分，在数据按照上述示例组织结构后，使用如下命令，即可快速完成数据集随机划分，其中split指定训练集的比例，剩余比例用于验证集。
+> ```
+> paddlex --split_dataset --from MSCOCO --pics ./JPEGImages --annotations ./annotations.json --split 0.8 --save_dir ./splited_dataset_dir
+> ```
+
+MSCOCO数据的标注文件采用json格式，用户可使用Labelme, 精灵标注助手或EasyData等标注工具进行标注，参见[数据标注工具](../annotations.md)
+
+## PaddleX加载数据集
+示例代码如下，
+```
+import paddlex as pdx
+from paddlex.det import transforms
+
+train_transforms = transforms.ComposedRCNNTransforms(mode='train', min_max_size=[800, 1333])
+eval_transforms = transforms.ComposedRCNNTransforms(mode='eval', min_max_size=[800, 1333])
+
+train_dataset = pdx.dataset.CocoDetection(
+                    data_dir='./MyDataset/JPEGImages',
+                    ann_file='./MyDataset/train.json',
+                    transforms=train_transforms)
+eval_dataset = pdx.dataset.CocoDetection(
+                    data_dir='./MyDataset/JPEGImages',
+                    ann_file='./MyDataset/val.json',
+                    transforms=eval_transforms)
+```

docs/data/format/segmentation.md

-# 语义分割
+# 语义分割Seg
+
+## 数据集文件夹结构
+
+在PaddleX中，**标注文件为png文件**。建议用户将数据集按照如下方式进行组织，原图均放在同一目录，如`JPEGImages`，标注的同名png文件均放在同一目录，如`Annotations`，示例如下
+```
+MyDataset/ # 语义分割数据集根目录
+|--JPEGImages/ # 原图文件所在目录
+|  |--1.jpg
+|  |--2.jpg
+|  |--...
+|  |--...
+|
+|--Annotations/ # 标注文件所在目录
+|  |--1.png
+|  |--2.png
+|  |--...
+|  |--...
+```
+语义分割的标注图像，如1.png，为单通道图像,像素标注类别需要从0开始递增（一般0表示background背景), 例如0， 1， 2， 3表示4种类别，标注类别最多255个类别(其中像素值255不参与训练和评估)。
+
+## 划分训练集验证集
+
+**为了用于训练，我们需要在`MyDataset`目录下准备`train_list.txt`, `val_list.txt`和`labels.txt`三个文件**，分别用于表示训练集列表，验证集列表和类别标签列表。[点击下载语义分割示例数据集](https://bj.bcebos.com/paddlex/datasets/optic_disc_seg.tar.gz)
+> 注：也可使用PaddleX自带工具，对数据集进行随机划分，**在数据集按照上面格式组织后**，使用如下命令即可快速完成数据集随机划分，其中split指标训练集的比例，剩余的比例用于验证集。
+> ```
+> paddlex --split_dataset --from Seg --pics ./JPEGImages --annotations ./Annotations --split 0.8 --save_dir ./splited_dataset_dir
+> ```
+
+**labels.txt**  
+
+labels.txt用于列出所有类别，类别对应行号表示模型训练过程中类别的id(行号从0开始计数)，例如labels.txt为以下内容
+```
+backgrond
+human
+car
+```
+表示该检测数据集中共有3个分割类别，分别为`background`，`human`和`car`，在模型训练中`background`对应的类别id为0, `human`对应1，以此类推，如不知具体类别标签，可直接在labels.txt逐行写0，1，2...序列即可。
+
+**train_list.txt**  
+
+train_list.txt列出用于训练时的图片集合，与其对应的标注文件，示例如下
+```
+JPEGImages/1.jpg Annotations/1.png
+JPEGImages/2.jpg Annotations/2.png
+... ...
+```
+其中第一列为原图相对`MyDataset`的相对路径，第二列为标注文件相对`MyDataset`的相对路径
+
+**val_list.txt**  
+
+val_list列出用于验证时的图片集成，与其对应的标注文件，格式与val_list.txt一致
+
+## PaddleX数据集加载  
+
+示例代码如下，
+```
+import paddlex as pdx
+from paddlex.seg import transforms
+
+train_transforms = transforms.ComposedSegTransforms(mode='train', train_crop_size=[512, 512])
+eval_transforms = transforms.ComposedSegTransforms(mode='eval', train_crop_size=[512, 512])
+
+train_dataset = pdx.datasets.SegDataset(
+                        data_dir='./MyDataset',
+                        file_list='./MyDataset/train_list.txt',
+                        label_list='./MyDataset/labels.txt',
+                        transforms=train_transforms)
+eval_dataset = pdx.datasets.SegDataset(
+                        data_dir='./MyDataset',
+                        file_list='./MyDataset/val_list.txt',
+                        label_list='MyDataset/labels.txt',
+                        transforms=eval_transforms)
+
+```

docs/data/index.rst

@@ -6,5 +6,5 @@
    :maxdepth: 2
    :caption: 文档目录:
 
-   annotation/index
+   annotation.md
    format/index

docs/deploy/export_model.md

+# 部署模型导出

docs/deploy/index.rst

@@ -6,6 +6,7 @@
    :maxdepth: 2
    :caption: 文档目录:
 
+   export_model.md
    server/index
    nvidia-jetson.md
    openvino/index

docs/data/annotation/index.rst → docs/deploy/server/cpp/index.rst

-数据标注
+服务端C++部署
 =======================================
 
 
@@ -6,8 +6,5 @@
    :maxdepth: 2
    :caption: 文档目录:
 
-   classification.md
-   object_detection.md
-   instance_segmentation.md
-   semantic_segmentation.md
-   conversion.md
+   windows.md
+   linux.md

docs/deploy/server/cpp/linux.md

+# Linux编译部署

docs/deploy/server/cpp/windows.md

+# Windows编译部署

docs/deploy/server/index.rst

@@ -6,6 +6,6 @@
    :maxdepth: 2
    :caption: 文档目录:
 
-   windows.md
-   linux.md
+   python.md
+   cpp/index
    encryption.md

docs/deploy/server/linux.md

-# Linux服务端部署

docs/deploy/server/python.md

+# 服务端Python部署

docs/deploy/server/windows.md

-# Windows服务端部署

docs/index.rst

@@ -3,23 +3,10 @@
 
 PaddleX是基于飞桨核心框架、开发套件和工具组件的深度学习全流程开发工具。具备 **全流程打通** 、**融合产业实践** 、**易用易集成** 三大特点。
 
-全流程打通 
-  | - **数据准备**: 支持 `EasyData智能数据服务平台数据协议 <https://ai.baidu.com/easydata/>`_ ，通过平台便捷完成智能标注，低质数据清洗工作；同时兼容主流标注工具协议, 助力开发者更快完成数据准备工作。
-  | - **模型训练**: 基于飞桨核心框架集成 `PaddleClas <https://github.com/PaddlePaddle/PaddleClas>`_ ，`PaddleDetection <https://github.com/PaddlePaddle/PaddleDetection>`_ ，`PaddleSeg <https://github.com/PaddlePaddle/PaddleSeg>`_ 视觉开发套件，丰富的高质量预训练模型，更快实现工业级模型训练。
-  | - **模型调优**: 内置模型可解释性模块、`VisualDL <https://github.com/PaddlePaddle/VisualDL>`_ 可视化分析组件，提供丰富的信息更好地理解模型，优化模型。
-  | - **多端安全部署**: 内置 `PaddleSlim <https://github.com/PaddlePaddle/PaddleSlim>`_ 模型压缩工具和AES模型加密SDK，结合Paddle Inference和 `Paddle Lite <https://github.com/PaddlePaddle/Paddle-Lite>`_ 便捷完成高性能的多端安全部署。
-
-融合产业实践
-  | - 精选飞桨产业实践的成熟模型结构，开放案例实践教程，加速开发者产业落地。
-
-易用易集成
-  | - 统一易用的全流程API，5步完成模型训练，10行代码实现Python/C++高性能部署。
-  | - 提供以PaddleX为核心集成的跨平台可视化开发工具PaddleX-GUI，更低门槛快速体验飞桨深度学习全流程。
-
 
 .. toctree::
    :maxdepth: 2
-   :caption: 文档目录:
+   :caption: PaddleX使用文档目录
 
    quick_start.md
    install.md

docs/install.md

 # 快速安装
 
-以下安装过程默认用户已安装好**paddlepaddle-gpu或paddlepaddle(版本大于或等于1.7.1)**，paddlepaddle安装方式参照[飞桨官网](https://www.paddlepaddle.org.cn/install/quick)
+以下安装过程默认用户已安装好**paddlepaddle-gpu或paddlepaddle(版本大于或等于1.8.1)**，paddlepaddle安装方式参照[飞桨官网](https://www.paddlepaddle.org.cn/install/quick)
 
-> 推荐使用Anaconda Python环境，Anaconda下安装PaddleX参考文档[Anaconda安装使用](../appendix/anaconda_install.md)
+- <a href="#pip安装">pip安装PaddleX</a>  
+- <a href="#github代码安装">github代码安装PaddleX</a>
+- <a href="#pycocotools安装问题">pycocotools安装问题</a>
 
-## pip安装
+<a name="pip安装"></a>
+**安装方式一 pip安装**
 
 > 注意其中pycocotools在Windows安装较为特殊，可参考下面的Windows安装命令  
 
@@ -12,8 +15,9 @@
 pip install paddlex -i https://mirror.baidu.com/pypi/simple
 ```
 
+<a name="github代码安装"></a>
+**安装方式二 Github代码安装**  
 
-## Github代码安装
 github代码会跟随开发进度不断更新
 
 ```
@@ -24,18 +28,17 @@ python setup.py install
 ```
 
 
-## 安装问题
-### 1. pycocotools安装问题  
+<a name="pycocotools安装问题"></a>
+**pycocotools安装问题**  
 > PaddleX依赖pycocotools包，如安装pycocotools失败，可参照如下方式安装pycocotools
 
-**Windows**  
-> Windows安装时可能会提示缺少`Microsoft Visual C++ 2015 build tools`，[点击下载](https://go.microsoft.com/fwlink/?LinkId=691126)安装再执行如下pip命令
+> Windows安装时可能会提示缺少`Microsoft Visual C++ 2015 build tools`，[点击下载VC build tools](https://go.microsoft.com/fwlink/?LinkId=691126)安装再执行如下pip命令
 ```
 pip install cython
 pip install git+https://gitee.com/jiangjiajun/philferriere-cocoapi.git#subdirectory=PythonAPI
 ```
 
-**Linux/Mac安装**
+> Linux/Mac系统下，直接使用pip安装如下两个依赖即可
 ```
 pip install cython  
 pip install pycocotools

docs/quick_start.md

@@ -2,47 +2,51 @@
 
 本文档在一个小数据集上展示了如何通过PaddleX进行训练，您可以阅读PaddleX的**使用教程**来了解更多模型任务的训练使用方式。本示例同步在AIStudio上，可直接[在线体验模型训练](https://aistudio.baidu.com/aistudio/projectdetail/439860)
 
+PaddleX的模型训练都分为以下几个步骤
+> 1.<a href="#定义训练验证图像处理流程transforms">定义训练/验证图像处理流程transforms</a>  
+> 2.<a href="#定义dataset加载图像分类数据集">定义dataset加载数据集</a>  
+> 3.<a href="#使用MoibleNetV3_small_ssld模型开始训练">定义模型开始训练</a>  
+> 4.<a href="#加载训练保存的模型预测">加载训练保存的模型进行预测</a>  
 
-## 1. 安装PaddleX
+<a name="安装PaddleX"></a>
+**1. 安装PaddleX**  
 > 安装相关过程和问题可以参考PaddleX的[安装文档](./install.md)。
 ```
 pip install paddlex -i https://mirror.baidu.com/pypi/simple
 ```
 
-## 2. 准备蔬菜分类数据集
+<a name="准备蔬菜分类数据集"></a>
+**2. 准备蔬菜分类数据集**  
 ```
 wget https://bj.bcebos.com/paddlex/datasets/vegetables_cls.tar.gz
 tar xzvf vegetables_cls.tar.gz
 ```
 
-## 3. 训练代码开发
-PaddleX的所有模型训练和预测均只涉及到5个API接口，分别是
-> - [transforms](apis/transforms/index.html) 图像数据处理
-> - [datasets](apis/datasets/classification.md) 数据集加载
-> - [models](apis/models/classification.md) 模型类型定义
-> - [train](apis/models/classification.html#train) 开始训练
-> - [predict](apis/models/classification.html#predict) 模型预测 
+<a name="定义训练验证图像处理流程transforms"></a>
+**3. 定义训练/验证图像处理流程transforms**  
 
-在本示例，通过如下`train.py`代码进行训练, 训练环境为1张Tesla P40 GPU卡。  
-
-### 3.1 定义`transforms`数据处理流程
-由于训练时数据增强操作的加入，因此模型在训练和验证过程中，数据处理流程需要分别进行定义。如下所示，代码在`train_transforms`中加入了[RandomCrop](apis/transforms/cls_transforms.html#RandomCrop)和[RandomHorizontalFlip](apis/transforms/cls_transforms.html#RandomHorizontalFlip)两种数据增强方式, 更多方法可以参考[数据增强文档](apis/transforms/augment.md)。
+使用PaddleX内置的分类模型训练图像处理流程`ComposedClsTransforms`，点击查看[API文档说明](apis/transforms/classification.html#composedclstransforms)。`ComposedClsTransforms`内置`RandomHorizontalFlip`图像增强，用户也可通过`add_augmenters`函数，为训练过程添加更多数据增强操作，目前分类过程支持多程数据增强操作，详情查阅[数据增强文档](apis/transforms/data_augmentations.md)
 ```
 from paddlex.cls import transforms
-train_transforms = transforms.Compose([
-    transforms.RandomCrop(crop_size=224),
-    transforms.RandomHorizontalFlip(),
-    transforms.Normalize()
-])
-eval_transforms = transforms.Compose([
-    transforms.ResizeByShort(short_size=256),
-    transforms.CenterCrop(crop_size=224),
-    transforms.Normalize()
-])
+train_transforms = transforms.ComposedClsTransforms(
+                            mode='train',
+                            crop_size=[224, 224])
+eval_transforms = transforms.ComposedClsTransforms(
+                            mode='eval',
+                            crop_size=[224, 224])
+```
+通过`add_augmenters`添加更多训练过程中的数据增强操作，例如
+```
+train_transforms.add_augmenters([transforms.RandomDistort()])
 ```
 
-### 3.2 定义`dataset`加载数据集
-定义数据集，`pdx.datasets.ImageNet`表示读取ImageNet格式的分类数据集, 更多数据集细节可以查阅[数据集格式说明](datasets.md)和[ImageNet接口文档](apis/datasets/classification.md)
+<a name="定义dataset加载图像分类数据集"></a>
+**4. 定义`dataset`加载图像分类数据集**  
+
+定义数据集，`pdx.datasets.ImageNet`表示读取ImageNet格式的分类数据集
+- [paddlex.datasets.ImageNet接口说明](apis/datasets/classification.md)
+- [ImageNet数据格式说明](data/format/classification.md)
+
 ```
 train_dataset = pdx.datasets.ImageNet(
     data_dir='vegetables_cls',
@@ -57,53 +61,53 @@ eval_dataset = pdx.datasets.ImageNet(
     transforms=eval_transforms)
 ```
 
-### 3.3 定义分类模型
+<a name="使用MoibleNetV3_small_ssld模型开始训练"></a>
+**5. 使用MobileNetV3_small_ssld模型开始训练**  
+
 本文档中使用百度基于蒸馏方法得到的MobileNetV3预训练模型，模型结构与MobileNetV3一致，但精度更高。PaddleX内置了20多种分类模型，查阅[PaddleX模型库](appendix/model_zoo.md)了解更多分类模型。
 ```
 num_classes = len(train_dataset.labels)
 model = pdx.cls.MobileNetV3_small_ssld(num_classes=num_classes)
-```
 
-### 3.4 定义训练参数
-定义好模型后，即可直接调用`train`接口，定义训练时的参数，分类模型内置了`piecewise_decay`学习率衰减策略，相关参数见[分类train接口文档](apis/models/classification.html#train)。
-```
-model.train(num_epochs=10,
+model.train(num_epochs=20,
             train_dataset=train_dataset,
             train_batch_size=32,
             eval_dataset=eval_dataset,
             lr_decay_epochs=[4, 6, 8],
-            learning_rate=0.025,
-            save_dir='output/mobilenetv2',
+            save_dir='output/mobilenetv3_small_ssld',
             use_vdl=True)
 ```
 
-## 4. 模型开始训练
-`train.py`与解压后的数据集目录`vegetables_cls`放在同一目录下，在此目录下运行`train.py`即可开始训练。如果您的电脑上有GPU，这将会在10分钟内训练完成，如果为CPU也大概会在30分钟内训练完毕。
-```
-python train.py
-```
+<a name="训练过程使用VisualDL查看训练指标变化"></a>
+**6. 训练过程使用VisualDL查看训练指标变化**  
 
-## 5. 训练过程中查看训练指标
-模型在训练过程中，所有的迭代信息将以标注输出流的形式，输出到命令执行的终端上，用户也可通过visualdl以可视化的方式查看训练指标的变化，通过如下方式启动visualdl后，在浏览器打开https://0.0.0.0:8001 (或 https://localhost:8001)即可。
+模型在训练过程中，训练指标和在验证集上的指标，均会以标准输出流形式，输出到命令终端。在用户设定`use_vdl=True`的前提下，也会使用VisualDL格式打点到`save_dir`目录下的`vdl_log`文件夹，用户可都终端通过如下命令启动visualdl，查看可视化的指标变化趋势。
 ```
-visualdl --logdir output/mobilenetv2/vdl_log --port 8001
+visualdl --logdir output/mobilenetv3_small_ssld --port 8001
 ```
-![](./images/vdl1.jpg)
+服务启动后，通过浏览器打开https://0.0.0.0:8001或https://localhost:8001即可。
+
+> 如果您使用的是AIStudio平台进行训练，不能通过此方式启动visualdl，请参考AIStudio VisualDL启动教程使用
+
+<a name="加载训练保存的模型预测"></a>
+**7. 加载训练保存的模型预测**  
 
-## 6. 训练完成使用模型进行测试
-如下代码使用训练过程中第8轮保存的模型进行测试。
+模型在训练过程中，会每间隔一定轮数保存一次模型，在验证集上评估效果最好的一轮会保存在`save_dir`目录下的`best_model`文件夹。通过如下方式可加载模型，进行预测。
+- [load_model接口说明](apis/load_model.md)
+- [分类模型predict接口说明](apis/models/classification.html#predict)
 ```
 import paddlex as pdx
-model = pdx.load_model('output/mobilenetv2/epoch_8')
-result = model.predict('vegetables_cls/bocai/100.jpg', topk=3)
-print("Predict Result:", result)
+model = pdx.load_model('output/mobilenetv3_small_ssld/best_model')
+result = model.predict('vegetables_cls/bocai/100.jpg')
+print("Predict Result: ", result)
 ```
-> 预测结果输出如下，预测按score进行排序，得到前三分类结果
+预测结果输出如下,
 ```
-Predict Result: Predict Result: [{'score': 0.9999393, 'category': 'bocai', 'category_id': 0}, {'score': 6.010089e-05, 'category': 'hongxiancai', 'category_id': 2}, {'score': 5.593914e-07, 'category': 'xilanhua', 'category_id': 5}]
+Predict Result: Predict Result: [{'score': 0.9999393, 'category': 'bocai', 'category_id': 0}]
 ```
 
-## 其它推荐
+<a name="更多使用教程"></a>
+**更多使用教程**
 - 1.[目标检测模型训练](tutorials/train/detection.md)
 - 2.[语义分割模型训练](tutorials/train/segmentation.md)
 - 3.[实例分割模型训练](tutorials/train/instance_segmentation.md)

docs/train/classification.md

 # 图像分类
+
+PaddleX共提供了20+的图像分类模型，包括基于大规模数据训练的
+
+点击表格中模型名，可获取各模型训练的教程代码
+
+| 模型               | Top1精度 | 模型大小 | GPU预测速度 | Arm预测速度 | 备注 |
+| :----------------  | :------- | :------- | :---------  | :---------  |     |
+| ResNet50_vd_ssld   |  97.5%   |   22M    | 10ms        |   200ms     |    |
+| ResNet101_vd_ssld  |   |    |       |     |     |
+| MobileNetV3_small_ssld |    |    |     |   |     |
+| MobileNetV3_large_ssld |    |   |     |   |    |
+| MobileNetV2        |   |    |    |   |     |
+| ShuffleNetV2     |   |    |    |   |     |
+| AlexNet |    |      |      |    |     |
+
+
+将对应模型的训练代码保存到本地后，即可直接训练，训练代码会自动下载训练数据开始训练，如保存为`resnet50_vd_ssld.py`，如下命令即可开始训练
+```
+python resnet50_vd_ssld.py
+```
+
+- 针对自己的机器环境和数据，调整训练参数？先了解下PaddleX中训练参数。[——>>传送门]()
+- 没有机器资源？使用AIStudio免费的GPU资源在线训练模型。[——>>传送门]()

docs/train/index.rst

@@ -5,7 +5,7 @@ PaddleX目前集成了XX模型，涵盖视觉领域的图像分类、目标检
 
 
 .. toctree::
-   :maxdepth: 2
+   :maxdepth: 1
    :caption: 文档目录:
 
    classification.md

docs/train/instance_segmentation.md

 # 实例分割
+
+| 模型               | Top1精度 | 模型大小 | GPU预测速度 | Arm预测速度 | 备注 |
+| :----------------  | :------- | :------- | :---------  | :---------  |     |
+| MaskRCNN-ResNet50-FPN   |  97.5%   |   22M    | 10ms        |   200ms     |    |
+| MaskRCNN-ResNet101-FPN  |   |    |       |     |     |
+| MaskRCNN-HRNet-FPN |    |    |     |   |     |
+
+将对应模型的训练代码保存到本地后，即可直接训练，训练代码会自动下载训练数据开始训练，如保存为`mask_r50_fpn.py`，如下命令即可开始训练
+```
+python mask_r50_fpn.py
+```
+
+- 针对自己的机器环境和数据，调整训练参数？先了解下PaddleX中训练参数。[——>>传送门]()
+- 没有机器资源？使用AIStudio免费的GPU资源在线训练模型。[——>>传送门]()

docs/train/object_detection.md

 # 目标检测
 
+| 模型               | Top1精度 | 模型大小 | GPU预测速度 | Arm预测速度 | 备注 |
+| :----------------  | :------- | :------- | :---------  | :---------  |     |
+| YOLOv3-MobileNetV1   |  97.5%   |   22M    | 10ms        |   200ms     |    |
+| YOLOv3-MobileNetV3  |   |    |       |     |     |
+| YOLOv3-DarkNet53 |    |    |     |   |     |
+| FasterRCNN-ResNet50-FPN |    |   |     |   |    |
+| FasterRCNN-ResNet101-FPN        |   |    |    |   |     |
+| FasterRCNN-HRNet-FPN     |   |    |    |   |     |
+
+将对应模型的训练代码保存到本地后，即可直接训练，训练代码会自动下载训练数据开始训练，如保存为`faster_r50_fpn.py`，如下命令即可开始训练
+```
+python faster_r50_fpn.py
+```
+
+- 针对自己的机器环境和数据，调整训练参数？先了解下PaddleX中训练参数。[——>>传送门]()
+- 没有机器资源？使用AIStudio免费的GPU资源在线训练模型。[——>>传送门]()

docs/train/prediction.md

 # 模型预测可视化
+
+PaddleX可以使用`load_model`接口加载模型（包括训练过程中保存的模型，导出的部署模型，量化模型以及裁剪的模型）进行预测，同时PaddleX中也内置了一系列的可视化工具函数，帮助用户方便地检查模型的效果。
+
+## 图像分类
+```
+import paddlex as pdx
+model = pdx.load_model('./mobilenetv2')
+result = model.predict('./mobilenetv2/test.jpg')
+print("Predict Result: ", result)
+```
+
+
+## 目标检测和实例分割
+```
+import paddlex as pdx
+test_jpg = './xiaoduxiong_epoch_12/test.jpg'
+model = pdx.load_model('./xiaoduxiong_epoch_12')
+result = model.predict(test_jpg)
+pdx.det.visualize(test_jpg, result, thresh=0.5, save_dir='./')
+```
+在上述示例代码中，通过调用`paddlex.det.visualize`可以对目标检测/实例分割的预测结果进行可视化，可视化的结果保存在`save_dir`下。
+> 注意：目标检测和实例分割模型在调用`predict`接口得到的结果需用户自行过滤低置信度结果，在`paddlex.det.visualize`接口中，我们提供了`thresh`用于过滤，置信度低于此值的结果将被过滤，不会可视化。
+
+
+## 语义分割
+```
+import paddlex as pdx
+test_jpg = './deeplabv3p_mobilenetv2_coco/test.jpg'
+model = pdx.load_model('./deeplabv3p_mobilenetv2_coco')
+result = model.predict(test_jpg)
+pdx.seg.visualize(test_jpg, result, weight=0.0, save_dir='./')
+```
+在上述示例代码中，通过调用`paddlex.seg.visualize`可以对语义分割的预测结果进行可视化，可视化的结果保存在`save_dir`下。其中`weight`参数用于调整预测结果和原图结果融合展现时的权重，0.0时只展示预测结果mask的可视化，1.0时只展示原图可视化。
+
+
+PaddleX的`load_model`接口可以满足用户一般的模型调研需求，如若为更高性能的预测部署，可以参考如下文档
+
+- [服务端Python部署]()  
+- [服务端C++部署]()

docs/train/semantic_segmentation.md

 # 语义分割
+
+| 模型               | Top1精度 | 模型大小 | GPU预测速度 | Arm预测速度 | 备注 |
+| :----------------  | :------- | :------- | :---------  | :---------  |     |
+| DeepLabv3p-MobileNetV2   |  97.5%   |   22M    | 10ms        |   200ms     |    |
+| DeepLabv3p-Xception65  |   |    |       |     |     |
+| UNet |    |    |     |   |     |
+| HRNet |   |    |     |   |     |
+| FastSCNN |  |   |    |    |    |
+
+将对应模型的训练代码保存到本地后，即可直接训练，训练代码会自动下载训练数据开始训练，如保存为`deeplab_mobilenetv2.py`，如下命令即可开始训练
+```
+python deeplab_mobilenetv2.py
+```
+
+- 针对自己的机器环境和数据，调整训练参数？先了解下PaddleX中训练参数。[——>>传送门]()
+- 没有机器资源？使用AIStudio免费的GPU资源在线训练模型。[——>>传送门]()

paddlex/cv/models/base.py

@@ -356,6 +356,7 @@ class BaseAPI:
     def export_inference_model(self, save_dir):
         test_input_names = [var.name for var in list(self.test_inputs.values())]
         test_outputs = list(self.test_outputs.values())
+        with fluid.scope_guard(self.scope):
             if self.__class__.__name__ == 'MaskRCNN':
                 from paddlex.utils.save import save_mask_inference_model
                 save_mask_inference_model(