fix doc, test=document_fix (#1751)

docs/tutorials/DetectionPipeline.md

@@ -218,20 +218,20 @@ python -m paddle.distributed.launch \
 
 - 使用配置文件中`weights`参数设定的权重文件进行评估
 ```bash
-# 默认使用训练过程中保存的best_model
-python tools/eval.py -c configs/yolov3_mobilenet_v1_roadsign.yml -o use_gpu=true
+# 默认使用训练过程中保存的best_model，评估需使用单卡评估
+CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c configs/yolov3_mobilenet_v1_roadsign.yml -o use_gpu=true
 ```
 
 - 通过`weights`参数指定权重文件进行评估
 ```
 # 指定模型评估
-python tools/eval.py -c configs/yolov3_mobilenet_v1_roadsign.yml -o use_gpu=true weights=output/yolov3_mobilenet_v1_roadsign/best_model
+CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c configs/yolov3_mobilenet_v1_roadsign.yml -o use_gpu=true weights=output/yolov3_mobilenet_v1_roadsign/best_model
 ```
 
 - 通过设置`save_prediction_only`参数保存评估结果，生成`bbox.json`文件
 ```
 # 设置 save_prediction_only=true，会在当前文件夹下生成预测结果文件bbox.json
-python tools/eval.py -c configs/yolov3_mobilenet_v1_roadsign.yml -o use_gpu=true save_prediction_only=true
+CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c configs/yolov3_mobilenet_v1_roadsign.yml -o use_gpu=true save_prediction_only=true
 ```
 
 ##### 预测

docs/tutorials/INSTALL_cn.md

@@ -127,11 +127,11 @@ OK (skipped=2)
 
 ```
 # use_gpu参数设置是否使用GPU
-python tools/infer.py -c configs/ppyolo/ppyolo.yml -o use_gpu=true weights=https://paddlemodels.bj.bcebos.com/object_detection/ppyolo.pdparams --infer_img=demo/000000014439_640x640.jpg
+python tools/infer.py -c configs/ppyolo/ppyolo.yml -o use_gpu=true weights=https://paddlemodels.bj.bcebos.com/object_detection/ppyolo.pdparams --infer_img=demo/000000014439.jpg
 ```
 
 会在`output`文件夹下生成一个画有预测结果的同名图像。
 
 结果如下图：
 
-![](../images/000000014439_640x640.jpg)
+![](../images/000000014439.jpg)

docs/tutorials/PrepareDataSet.md

@@ -287,7 +287,7 @@ classname2
 ##### 用户数据转成COCO  
 在`./tools/`中提供了`x2coco.py`用于将VOC数据集、labelme标注的数据集或cityscape数据集转换为COCO数据，例如:
 
-（1）labelmes数据转换为COCO数据：
+（1）labelme数据转换为COCO数据：
 ```bash
 python tools/x2coco.py \
                 --dataset_type labelme \

docs/tutorials/QUICK_STARTED_cn.md

@@ -2,6 +2,10 @@
 # 快速开始
 为了使得用户能够在很短时间内快速产出模型，掌握PaddleDetection的使用方式，这篇教程通过一个预训练检测模型对小数据集进行finetune。在较短时间内即可产出一个效果不错的模型。实际业务中，建议用户根据需要选择合适模型配置文件进行适配。
 
+- **设置显卡**
+```bash
+export CUDA_VISIBLE_DEVICES=0
+```
 
 ## 一、快速体验
 ```
@@ -34,7 +38,7 @@ python dataset/roadsign_voc/download_roadsign_voc.py
 python tools/train.py -c configs/yolov3_mobilenet_v1_roadsign.yml --eval -o use_gpu=true
 ```
 
-如果想通过VisualDL实时观察loss变化去去曲线，在训练命令种添加--use_vdl=true，以及通过--vdl_log_dir设置日志保存路径。
+如果想通过VisualDL实时观察loss变化曲线，在训练命令种添加--use_vdl=true，以及通过--vdl_log_dir设置日志保存路径。
 
 **但注意VisualDL需Python>=3.5**
 
@@ -58,8 +62,9 @@ visualdl --logdir vdl_dir/scalar/ --host <host_IP> --port <port_num>
 ```
 # 评估 默认使用训练过程中保存的best_model
 # -c 参数表示指定使用哪个配置文件
-# -o 参数表示指定配置文件种的全局变量（覆盖配置文件种的设置）
-python tools/eval.py -c configs/yolov3_mobilenet_v1_roadsign.yml-o use_gpu=true
+# -o 参数表示指定配置文件种的全局变量（覆盖配置文件种的设置），需使用单卡评估
+
+CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c configs/yolov3_mobilenet_v1_roadsign.yml-o use_gpu=true
 ```
 
 
@@ -70,7 +75,6 @@ python tools/eval.py -c configs/yolov3_mobilenet_v1_roadsign.yml-o use_gpu=true
 # --infer_img 参数指定预测图像路径
 # 预测结束后会在output文件夹中生成一张画有预测结果的同名图像
 
-
 python tools/infer.py -c configs/yolov3_mobilenet_v1_roadsign.yml -o use_gpu=true --infer_img=demo/road554.png
 ```