diff --git "a/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md" "b/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md"
index 18390ddef208e3ed776fecfed42e5e88eed6ca3a..bc368a6a35fde1f407b4ba3882c76a49298122e8 100644
--- "a/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md"
+++ "b/applications/\350\275\246\347\211\214\350\257\206\345\210\253.md"
@@ -18,7 +18,8 @@
     - [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 串联推理](#43-串联推理)
-  - [4.4 实验总结](#44-实验总结)
+  - [4.4 计算End2End指标](#44-计算End2End指标)
+  - [4.5 实验总结](#45-实验总结)
 
 ## 1. 项目介绍
 
@@ -752,7 +753,7 @@ 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finetune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 实验总结
+### 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finetune 和finetune+量化3种方案的实验，指标对比如下：