Update docs (#1926)

README.md

 # PaddleDetection
 
-动态图版本的PaddleDetection, 支持的模型:
+动态图版本的PaddleDetection, 此版本为试用版本，还在持续优化设计、性能、新增模型、文档等。
+
+
+支持的模型:
 
 - Faster-RCNN (FPN)
 - Mask-RCNN (FPN)
 - Cascade RCNN
 - YOLOv3
+- SSD
 
 扩展特性：
 
@@ -19,7 +23,6 @@
 ### 教程
 
 - [安装说明](docs/tutorials/INSTALL_cn.md)
-- [快速开始](docs/tutorials/QUICK_STARTED_cn.md)
 - [训练/评估/预测流程](docs/tutorials/GETTING_STARTED_cn.md)
 - [常见问题汇总](docs/FAQ.md)
 - [推理部署](deploy)
@@ -30,6 +33,3 @@
 
 ## 模型库
 - [模型库](docs/MODEL_ZOO_cn.md)
-
-## 许可证书
-本项目的发布受[Apache 2.0 license](LICENSE)许可认证。

docs/tutorials/INSTALL_cn.md

@@ -69,6 +69,6 @@ git clone https://github.com/PaddlePaddle/PaddleDetection.git
 
 也可以通过 [https://gitee.com/paddlepaddle/PaddleDetection](https://gitee.com/paddlepaddle/PaddleDetection) 克隆。
 ```
-cd <path/to/clone/PazcccccccccccddleDetection>
+cd <path/to/clone/PaddleDetection>
 git clone https://gitee.com/paddlepaddle/PaddleDetection
 ```

docs/tutorials/PrepareDataSet.md

@@ -15,6 +15,7 @@
     - [用户数据数据转换示例](#用户数据数据转换示例)
 
 ### 目标检测数据说明  
+
 目标检测的数据比分类复杂，一张图像中，需要标记出各个目标区域的位置和类别。
 
 一般的目标区域位置用一个矩形框来表示，一般用以下3种方式表达：
@@ -28,6 +29,7 @@
 常见的目标检测数据集如Pascal VOC和COCO，采用的是第一种 `x1,y1,x2,y2` 表示物体的bounding box.  
 
 ### 准备训练数据  
+
 PaddleDetection默认支持[COCO](http://cocodataset.org)和[Pascal VOC](http://host.robots.ox.ac.uk/pascal/VOC/) 和[WIDER-FACE](http://shuoyang1213.me/WIDERFACE/) 数据源。  
 同时还支持自定义数据源，包括：  
 
@@ -43,8 +45,10 @@ ppdet_root=$(pwd)
 ```
 
 #### VOC数据数据  
+
 VOC数据是[Pascal VOC](http://host.robots.ox.ac.uk/pascal/VOC/) 比赛使用的数据。Pascal VOC比赛不仅包含图像分类分类任务，还包含图像目标检测、图像分割等任务，其标注文件中包含多个任务的标注内容。
 VOC数据集指的是Pascal VOC比赛使用的数据。用户自定义的VOC数据，xml文件中的非必须字段，请根据实际情况选择是否标注或是否使用默认值。
+
 ##### VOC数据集下载  
 
 - 通过代码自动化下载VOC数据集  
@@ -114,6 +118,7 @@ VOC数据集指的是Pascal VOC比赛使用的数据。用户自定义的VOC数
     按照如上数据文件组织结构组织文件即可。
 
 ##### VOC数据标注文件介绍  
+
 VOC数据是每个图像文件对应一个同名的xml文件，xml文件中标记物体框的坐标和类别等信息。例如图像`2007_002055.jpg`：
 ![](../images/2007_002055.jpg)
 
@@ -410,8 +415,9 @@ roadsign数据集统计:
 
 |    数据    |    图片数量    |
 | :--------: | :-----------: |
-|   train    |     701       |  
-|   valid    |     176       |  
+|   train    |     701       |
+|   valid    |     176       |
 
-**说明：**（1）用户数据，建议在训练前仔细检查数据，避免因数据标注格式错误或图像数据不完整造成训练过程中的crash  
-（2）如果图像尺寸太大的话，在不限制读入数据尺寸情况下，占用内存较多，会造成内存/显存溢出，请合理设置batch_size，可从小到大尝试  
+**说明：**
+（1）用户数据，建议在训练前仔细检查数据，避免因数据标注格式错误或图像数据不完整造成训练过程中的crash
+（2）如果图像尺寸太大的话，在不限制读入数据尺寸情况下，占用内存较多，会造成内存/显存溢出，请合理设置batch_size，可从小到大尝试

ppdet/modeling/bbox.py

@@ -45,10 +45,11 @@ class Anchor(object):
         return rpn_scores, rpn_deltas, anchors
 
     def generate_loss_inputs(self, inputs, rpn_head_out, anchors):
-        assert len(rpn_head_out) == len(
-            anchors
-        ), "rpn_head_out and anchors should have same length, but received rpn_head_out' length is {} and anchors' length is {}".format(
-            len(rpn_head_out), len(anchors))
+        if len(rpn_head_out) != len(anchors):
+            raise ValueError(
+                "rpn_head_out and anchors should have same length, "
+                " but received rpn_head_out' length is {} and anchors' "
+                " length is {}".format(len(rpn_head_out), len(anchors)))
         rpn_score, rpn_delta, anchors = self._get_target_input(rpn_head_out,
                                                                anchors)
 
@@ -69,18 +70,6 @@ class Anchor(object):
         return outs
 
 
-@register
-class AnchorYOLO(object):
-    __inject__ = ['anchor_generator']
-
-    def __init__(self, anchor_generator):
-        super(AnchorYOLO, self).__init__()
-        self.anchor_generator = anchor_generator
-
-    def __call__(self):
-        return self.anchor_generator()
-
-
 @register
 class Proposal(object):
     __inject__ = ['proposal_generator', 'proposal_target_generator']

ppdet/utils/checkpoint.py

@@ -147,6 +147,17 @@ def load_pretrain_weight(model,
 
 
 def save_model(model, optimizer, save_dir, save_name, last_epoch):
+    """
+    save model into disk.
+    
+    Args:
+        model (paddle.nn.Layer): the Layer instalce to save parameters.
+        optimizer (paddle.optimizer.Optimizer): the Optimizer instance to
+            save optimizer states.
+        save_dir (str): the directory to be saved.
+        save_name (str): the path to be saved.
+        last_epoch (int): the epoch index.
+    """
     if not os.path.exists(save_dir):
         os.makedirs(save_dir)
     save_path = os.path.join(save_dir, save_name)