update link

doc/doc_ch/detection.md

@@ -12,12 +12,12 @@
 - [2. FAQ](#2-faq)
 
 
-<a name="1"></a>
+<a name="1-----"></a>
 # 1. 文字检测
 
 本节以icdar2015数据集为例，介绍PaddleOCR中检测模型训练、评估、测试的使用方式。
 
-<a name="11"></a>
+<a name="11-----"></a>
 ## 1.1 数据准备
 icdar2015数据集可以从[官网](https://rrc.cvc.uab.es/?ch=4&com=downloads)下载到，首次下载需注册。
 
@@ -64,7 +64,7 @@ json.dumps编码前的图像标注信息是包含多个字典的list，字典中
 
 如果您想在其他数据集上训练，可以按照上述形式构建标注文件。
 
-<a name="12"></a>
+<a name="12--------"></a>
 ## 1.2 下载预训练模型
 
 首先下载模型backbone的pretrain model，PaddleOCR的检测模型目前支持两种backbone，分别是MobileNetV3、ResNet_vd系列，
@@ -82,7 +82,7 @@ wget -P ./pretrain_models/ https://paddle-imagenet-models-name.bj.bcebos.com/dyg
 wget -P ./pretrain_models/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/ResNet50_vd_ssld_pretrained.pdparams
 ```
 
-<a name="13"></a>
+<a name="13-----"></a>
 ## 1.3 启动训练
 
 *如果您安装的是cpu版本，请将配置文件中的 `use_gpu` 字段修改为false*
@@ -105,7 +105,7 @@ python3 -m paddle.distributed.launch --gpus '0,1,2,3' tools/train.py -c configs/
 python3 tools/train.py -c configs/det/det_mv3_db.yml -o Optimizer.base_lr=0.0001
 ```
 
-<a name="14"></a>
+<a name="14-----"></a>
 ## 1.4 断点训练
 
 如果训练程序中断，如果希望加载训练中断的模型从而恢复训练，可以通过指定Global.checkpoints指定要加载的模型路径：
@@ -115,7 +115,7 @@ python3 tools/train.py -c configs/det/det_mv3_db.yml -o Global.checkpoints=./you
 
 **注意**：`Global.checkpoints`的优先级高于`Global.pretrain_weights`的优先级，即同时指定两个参数时，优先加载`Global.checkpoints`指定的模型，如果`Global.checkpoints`指定的模型路径有误，会加载`Global.pretrain_weights`指定的模型。
 
-<a name="15"></a>
+<a name="15---backbone---"></a>
 ## 1.5 更换Backbone 训练
 
 PaddleOCR将网络划分为四部分，分别在[ppocr/modeling](../../ppocr/modeling)下。 进入网络的数据将按照顺序(transforms->backbones->
@@ -163,7 +163,7 @@ args1: args1
 
 **注意**：如果要更换网络的其他模块，可以参考[文档](./add_new_algorithm.md)。
 
-<a name="16"></a>
+<a name="16-----"></a>
 ## 1.6 指标评估
 
 PaddleOCR计算三个OCR检测相关的指标，分别是：Precision、Recall、Hmean（F-Score）。
@@ -176,7 +176,7 @@ python3 tools/eval.py -c configs/det/det_mv3_db.yml  -o Global.checkpoints="{pat
 
 * 注：`box_thresh`、`unclip_ratio`是DB后处理所需要的参数，在评估EAST模型时不需要设置
 
-<a name="17"></a>
+<a name="17-------"></a>
 ## 1.7 测试检测效果
 
 测试单张图像的检测效果
@@ -194,7 +194,7 @@ python3 tools/infer_det.py -c configs/det/det_mv3_db.yml -o Global.infer_img="./
 python3 tools/infer_det.py -c configs/det/det_mv3_db.yml -o Global.infer_img="./doc/imgs_en/" Global.pretrained_model="./output/det_db/best_accuracy"
 ```
 
-<a name="#18--inference----"></a>
+<a name="18--inference----"></a>
 ## 1.8 转inference模型测试
 
 inference 模型（`paddle.jit.save`保存的模型）

doc/doc_ch/models_and_config.md

@@ -5,7 +5,7 @@
   * [1.2 OCR 识别模型基本概念](#12-ocr---------)
   * [1.3 PP-OCR模型](#13-pp-ocr--)
 
-
+<a name="11-ocr-----"></a>
 # 1. OCR 简要介绍
 本节简要介绍OCR检测模型、识别模型的基本概念，并介绍PaddleOCR的PP-OCR模型。
 
@@ -13,7 +13,7 @@ OCR（Optical Character Recognition，光学字符识别）目前是文字识别
 
 OCR文字识别一般包括两个部分，文本检测和文本识别；文本检测首先利用检测算法检测到图像中的文本行；然后检测到的文本行用识别算法去识别到具体文字。
 
-
+<a name="11-ocr---------"></a>
 ## 1.1 OCR 检测模型基本概念
 
 文本检测就是要定位图像中的文字区域，然后通常以边界框的形式将单词或文本行标记出来。传统的文字检测算法多是通过手工提取特征的方式，特点是速度快，简单场景效果好，但是面对自然场景，效果会大打折扣。当前多是采用深度学习方法来做。
@@ -23,14 +23,14 @@ OCR文字识别一般包括两个部分，文本检测和文本识别；文本
 2. 基于分割的方法；将文本行当成分割目标，然后通过分割结果构建外接文本框，可以处理弯曲文本，对于文本交叉场景问题效果不理想。典型算法为DB、PSENet等方法。
 3. 混合目标检测和分割的方法；
 
-
+<a name="12-ocr---------"></a>
 ## 1.2 OCR 识别模型基本概念
 
 OCR识别算法的输入数据一般是文本行，背景信息不多，文字占据主要部分，识别算法目前可以分为两类算法：
 1. 基于CTC的方法；即识别算法的文字预测模块是基于CTC的，常用的算法组合为CNN+RNN+CTC。目前也有一些算法尝试在网络中加入transformer模块等等。
 2. 基于Attention的方法；即识别算法的文字预测模块是基于Attention的，常用算法组合是CNN+RNN+Attention。
 
-
+<a name="13-pp-ocr--"></a>
 ## 1.3 PP-OCR模型
 
 PaddleOCR 中集成了很多OCR算法，文本检测算法有DB、EAST、SAST等等，文本识别算法有CRNN、RARE、StarNet、Rosetta、SRN等算法。