From 8e4f8f6912dc5e541b7adad940e465c5207e8fd7 Mon Sep 17 00:00:00 2001
From: WenmuZhou <572459439@qq.com>
Date: Fri, 20 May 2022 11:46:08 +0800
Subject: [PATCH] update doc

---
 ...46\347\211\214\350\257\206\345\210\253.md" | 25 +++++++++++--------
 1 file changed, 15 insertions(+), 10 deletions(-)

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 24115f67..6959bfae 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"
@@ -17,20 +17,20 @@
     - [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 串联推理](#43-串联推理)
+  - [4.3 部署](#43-部署)
   - [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
 
-车牌识别(Vehicle License Plate Recognition，VLPR) 是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来，在高速公路车辆管理，停车场管理和中得到广泛应用。
+车牌识别(Vehicle License Plate Recognition，VLPR) 是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来，在高速公路车辆管理，停车场管理和城市交通中得到广泛应用。
 
-结合我国国情，目前车牌识别技术的难点有:
+本项目难点如下：
+
+1. 车牌在图像中的尺度差异大、在车辆上的悬挂位置不固定
+2. 车牌图像质量层次不齐: 角度倾斜、图片模糊、光照不足、过曝等问题严重
+3. 边缘和端测场景应用对模型大小有限制，推理速度有要求
 
-1. 车牌样式多。我国车牌颜色大致有四种：黄底黑字、蓝底白字、白底黑字、黑底白字；车牌格式包括民用车牌、武警车牌、军车车牌、外交车牌、特种车牌、消防车牌等等。
-2. 车牌位置不固定。由于不同汽车品牌公司出产的汽车型号和外形各有不同，每辆车的车牌悬挂位置也不一样；
-3. 图像质量差: 运动模糊,由于强光，反射或阴影造成的光照和对比度较差, 车牌(部分)遮挡；
-4. 在车辆管理等场景场景对于模型速度有着一定限制。
 
 针对以上问题， 本例选用 [PP-OCRv3](../doc/doc_ch/PP-OCRv3_introduction.md) 这一开源超轻量OCR系统进行车牌识别系统的开发。基于PP-OCRv3模型，在CCPD数据集达到99%的检测和94%的识别精度，模型大小12.8M(2.5M+10.3M)。基于量化对模型体积进行进一步压缩到5.8M(1M+4.8M), 同时推理速度提升25%。
 
@@ -598,10 +598,11 @@ 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 串联推理
+### 4.3 部署
 
-检测模型和识别模型分别fine-tune并导出为inference模型之后，可以使用如下命令进行端到端推理并对结果进行可视化。
+- 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 \
@@ -614,9 +615,13 @@ python tools/infer/predict_system.py \
 
 ![](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
 
-端到端指标可通过 [PaddleOCR内置脚本](https://github.com/PaddlePaddle/PaddleOCR/blob/dygraph/tools/end2end/readme.md) 进行计算，具体步骤如下：
+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：
 
 1. 导出模型
 
-- 
GitLab