update doc

applications/车牌识别.md

@@ -17,8 +17,8 @@
     - [4.2.3 CCPD车牌数据集fine-tune](#423-ccpd车牌数据集fine-tune)
     - [4.2.4 CCPD车牌数据集fine-tune+量化训练](#424-ccpd车牌数据集fine-tune量化训练)
     - [4.2.5 模型导出](#425-模型导出)
-  - [4.3 部署](#43-部署)
-  - [4.4 计算End2End指标](#44-计算End2End指标)
+  - [4.3 计算End2End指标](#43-计算End2End指标)
+  - [4.4 部署](#44-部署)
   - [4.5 实验总结](#45-实验总结)
 
 ## 1. 项目介绍
@@ -598,28 +598,7 @@ python deploy/slim/quantization/export_model.py -c configs/rec/PP-OCRv3/ch_PP-OC
     Global.save_inference_dir=output/CCPD/rec_quant/infer
 ```
 
-### 4.3 部署
-
-- 基于 Paddle Inference 的python推理
-
-检测模型和识别模型分别 fine-tune 并导出为inference模型之后，可以使用如下命令基于 Paddle Inference 进行端到端推理并对结果进行可视化。
-
-```bash
-python tools/infer/predict_system.py \
-    --det_model_dir=output/CCPD/det/infer/ \
-    --rec_model_dir=output/CCPD/rec/infer/ \
-    --image_dir="/home/aistudio/data/CCPD2020/ccpd_green/test/04131106321839081-92_258-159&509_530&611-527&611_172&599_159&509_530&525-0_0_3_32_30_31_30_30-109-106.jpg" \
-    --rec_image_shape=3,48,320
-```
-推理结果如下
-
-![](https://ai-studio-static-online.cdn.bcebos.com/76b6a0939c2c4cf49039b6563c4b28e241e11285d7464e799e81c58c0f7707a7)
-
-- 端侧部署
-
-端侧部署我们采用基于 PaddleLite 的 cpp 推理。Paddle Lite是飞桨轻量化推理引擎，为手机、IOT端提供高效推理能力，并广泛整合跨平台硬件，为端侧部署及应用落地问题提供轻量化的部署方案。具体可参考 [PaddleOCR lite教程](../dygraph/deploy/lite/readme_ch.md)
-
-### 4.4 计算End2End指标
+### 4.3 计算End2End指标
 
 端到端指标可通过 [PaddleOCR内置脚本](../tools/end2end/readme.md) 进行计算，具体步骤如下：
 
@@ -762,6 +741,28 @@ fmeasure: 87.36%
 
 从结果中可以看到对预训练模型不做修改，只根据场景下的具体情况进行后处理的修改就能大幅提升端到端指标到76.84%，在CCPD数据集上进行 fine-tune 后指标进一步提升到86.55%, 在经过量化训练之后，由于检测模型的recall变高，指标进一步提升到87.36%。
 
+### 4.4 部署
+
+- 基于 Paddle Inference 的python推理
+
+检测模型和识别模型分别 fine-tune 并导出为inference模型之后，可以使用如下命令基于 Paddle Inference 进行端到端推理并对结果进行可视化。
+
+```bash
+python tools/infer/predict_system.py \
+    --det_model_dir=output/CCPD/det/infer/ \
+    --rec_model_dir=output/CCPD/rec/infer/ \
+    --image_dir="/home/aistudio/data/CCPD2020/ccpd_green/test/04131106321839081-92_258-159&509_530&611-527&611_172&599_159&509_530&525-0_0_3_32_30_31_30_30-109-106.jpg" \
+    --rec_image_shape=3,48,320
+```
+推理结果如下
+
+![](https://ai-studio-static-online.cdn.bcebos.com/76b6a0939c2c4cf49039b6563c4b28e241e11285d7464e799e81c58c0f7707a7)
+
+- 端侧部署
+
+端侧部署我们采用基于 PaddleLite 的 cpp 推理。Paddle Lite是飞桨轻量化推理引擎，为手机、IOT端提供高效推理能力，并广泛整合跨平台硬件，为端侧部署及应用落地问题提供轻量化的部署方案。具体可参考 [PaddleOCR lite教程](../dygraph/deploy/lite/readme_ch.md)
+
+
 ### 4.5 实验总结
 
 我们分别使用PP-OCRv3中英文超轻量预训练模型在车牌数据集上进行了直接评估和 fine-tune 和 fine-tune+量化3种方案的实验，并基于[PaddleOCR lite教程](../dygraph/deploy/lite/readme_ch.md)进行了速度测试，指标对比如下：