update

applications/PCB字符识别/PCB字符识别.md

@@ -206,7 +206,11 @@ Eval.dataset.transforms.DetResizeForTest:  尺寸
         limit_type: 'min'
 ```
 
-然后执行评估代码
+如需获取已训练模型，请扫码填写问卷，加入PaddleOCR官方交流群获取全部OCR垂类模型下载链接、《动手学OCR》电子书等全套OCR学习资料🎁
+<div align="left">
+<img src="https://ai-studio-static-online.cdn.bcebos.com/dd721099bd50478f9d5fb13d8dd00fad69c22d6848244fd3a1d3980d7fefc63e"  width = "150" height = "150" />
+</div>
+将下载或训练完成的模型放置在对应目录下即可完成模型评估。
 
 
 ```python

applications/多模态表单识别.md

@@ -7,12 +7,12 @@
     - [3.2 转换为PaddleOCR检测和识别格式](#32-转换为paddleocr检测和识别格式)
   - [4 OCR](#4-ocr)
     - [4.1 文本检测](#41-文本检测)
-      - [**4.1.1 方案1：预训练模型**](#411-方案1预训练模型)
-      - [**4.1.2 方案2：XFUND数据集+fine-tune**](#412-方案2xfund数据集fine-tune)
+      - [4.1.1 方案1：预训练模型](#411-方案1预训练模型)
+      - [4.1.2 方案2：XFUND数据集+fine-tune](#412-方案2xfund数据集fine-tune)
     - [4.2 文本识别](#42-文本识别)
-      - [**4.2.1 方案1：预训练模型**](#421-方案1预训练模型)
-      - [**4.2.2 方案2：XFUND数据集+finetune**](#422-方案2xfund数据集finetune)
-      - [**4.2.3 方案3：XFUND数据集+finetune+真实通用识别数据**](#423-方案3xfund数据集finetune真实通用识别数据)
+      - [4.2.1 方案1：预训练模型](#421-方案1预训练模型)
+      - [4.2.2 方案2：XFUND数据集+finetune](#422-方案2xfund数据集finetune)
+      - [4.2.3 方案3：XFUND数据集+finetune+真实通用识别数据](#423-方案3xfund数据集finetune真实通用识别数据)
   - [5 文档视觉问答(DOC-VQA)](#5-文档视觉问答doc-vqa)
     - [5.1 SER](#51-ser)
       - [5.1.1 模型训练](#511-模型训练)
@@ -195,7 +195,7 @@ python trans_xfund_data.py
 -  **PP-OCRv2中英文超轻量检测预训练模型**
 -  **XFUND数据集+fine-tune**
 
-#### **4.1.1 方案1：预训练模型**
+#### 4.1.1 方案1：预训练模型
 
 **1）下载预训练模型**
 
@@ -265,7 +265,7 @@ python tools/eval.py \
 
 使用文本检测预训练模型在XFUND验证集上评估，达到77%左右，充分说明ppocr提供的预训练模型具有泛化能力。
 
-#### **4.1.2 方案2：XFUND数据集+fine-tune**
+#### 4.1.2 方案2：XFUND数据集+fine-tune
 
 PaddleOCR提供的蒸馏预训练模型包含了多个模型的参数，我们提取Student模型的参数，在XFUND数据集上进行finetune，可以参考如下代码：
 
@@ -316,7 +316,13 @@ CUDA_VISIBLE_DEVICES=0 python tools/train.py \
 <center><img src="https://ai-studio-static-online.cdn.bcebos.com/5a75137c5f924dfeb6956b5818812298cc3dc7992ac84954b4175be9adf83c77"></center>
 <center>图8 文本检测方案2-模型评估</center>
 
-使用训练好的模型进行评估，更新模型路径`Global.checkpoints`。
+使用训练好的模型进行评估，更新模型路径`Global.checkpoints`。如需获取已训练模型，请扫码填写问卷，加入PaddleOCR官方交流群获取全部OCR垂类模型下载链接、《动手学OCR》电子书等全套OCR学习资料🎁
+
+<div align="left">
+<img src="https://ai-studio-static-online.cdn.bcebos.com/dd721099bd50478f9d5fb13d8dd00fad69c22d6848244fd3a1d3980d7fefc63e"  width = "150" height = "150" />
+</div>
+
+将下载或训练完成的模型放置在对应目录下即可完成模型评估
 
 
 ```python
@@ -412,7 +418,7 @@ use_gpu：是否使用GPU
 - XFUND数据集+fine-tune
 - XFUND数据集+fine-tune+真实通用识别数据
 
-#### **4.2.1 方案1：预训练模型**
+#### 4.2.1 方案1：预训练模型
 
 **1）下载预训练模型**
 
@@ -461,7 +467,7 @@ CUDA_VISIBLE_DEVICES=0 python tools/eval.py \
 
 使用文本预训练模型在XFUND验证集上评估，acc达到67%左右，充分说明ppocr提供的预训练模型具有泛化能力。
 
-#### **4.2.2 方案2：XFUND数据集+finetune**
+#### 4.2.2 方案2：XFUND数据集+finetune
 
 同检测模型，我们提取Student模型的参数，在XFUND数据集上进行finetune，可以参考如下代码：
 
@@ -528,7 +534,7 @@ CUDA_VISIBLE_DEVICES=0 python tools/eval.py \
 
 使用XFUND数据集+finetune训练，在验证集上评估达到72%左右，说明 finetune会提升垂类场景效果。
 
-#### **4.2.3 方案3：XFUND数据集+finetune+真实通用识别数据**
+#### 4.2.3 方案3：XFUND数据集+finetune+真实通用识别数据
 
 接着我们在上述`XFUND数据集+finetune`实验的基础上，添加真实通用识别数据，进一步提升识别效果。首先准备真实通用识别数据，并上传到AIStudio：
 
@@ -873,14 +879,6 @@ with open('output/re/infer_results.txt', 'r', encoding='utf-8') as fin:
 workbook.close()
 ```
 
-## 获得模型
-
-如需获取已训练模型，请扫码填写问卷，加入PaddleOCR官方交流群获取全部OCR垂类模型下载链接、《动手学OCR》电子书等全套OCR学习资料🎁
-<div align="left">
-<img src="https://ai-studio-static-online.cdn.bcebos.com/dd721099bd50478f9d5fb13d8dd00fad69c22d6848244fd3a1d3980d7fefc63e"  width = "150" height = "150" />
-</div>
-将下载或训练完成的模型放置在对应目录下即可完成模型推理
-
 ## 更多资源
 
 - 更多深度学习知识、产业案例、面试宝典等，请参考：[awesome-DeepLearning](https://github.com/paddlepaddle/awesome-DeepLearning)