update doc

docs/RELEASE.md

 # Release Notes
 
+### Update 2022.05.15: 发布 cnocr V2.1.1.1
+
+主要变更：
+
+- 增加了对 **ONNX** 模型的支持，支持 **`*-fc`** 模型，提升预测速度；
+- 类 `CnOcr` 的初始化中增加了参数 `model_backend` 和 `vocab_fp`，具体参见 [使用方法](usage.md) ；
+- 增加了 `cnocr export-onnx` 命令，把训练好的PyTorch模型导出为ONNX模型；
+- 去掉了对包 `python-Levenshtein` 的依赖。
+
+
 ### Update 2021.11.06: 发布 cnocr V2.1.0
 
 主要变更：
@@ -9,7 +19,6 @@
 * 提供了更多预训练好的模型；
 * 加入了 `cnocr evaluate` 命令以评估效果。
 
-
 ### Update 2021.09.21: 发布 cnocr V2.0.1
 
 主要变更：
@@ -17,7 +26,6 @@
 * 重新训练了模型，模型识别精度略有提升；
 * 函数 `CnOcr.ocr_for_single_lines(img_list, batch_size=1)` 中加入了 `batch_size` 参数。
 
-
 ### Update 2021.08.26: 发布 cnocr V2.0.0
 
 主要变更：
@@ -29,9 +37,6 @@
 * 优化了对场景文字的识别效果；
 * 使用接口略有调整，请谨慎更新。
 
-
-
-
 ### Update 2021.08.24: 发布 cnocr V1.2.3
 
 主要变更：
@@ -39,7 +44,6 @@
 * 更改了模型的默认下载urls；
 * 依赖中去掉了对numpy的约束。
 
-
 ### Update 2020.05.29: 发布 cnocr V1.2.2
 
 主要变更：
@@ -48,8 +52,6 @@
 * bugfix:
   * 修复同时初始化多个实例时会报错的问题。
 
-
-
 ### Update 2020.05.25: 发布 cnocr V1.2.1
 
 主要变更：
@@ -57,8 +59,6 @@
 * bugfix:
   * 修复了zip文件名的typo。
 
-
-
 ### Update 2020.05.25: 发布 cnocr V1.2.0
 
 主要变更：
@@ -74,14 +74,10 @@
   * 输入图片宽度很小时导致异常；
   * 去掉  `f-print`。
 
-
-
 ### Update 2020.04.21: 发布 cnocr V1.1.0
 
 V1.1.0对代码做了很大改动，重写了大部分训练的代码，也生成了更多更难的训练和测试数据。训练好的模型相较于之前版本的模型精度有显著提升，尤其是针对英文单词的识别。
 
-
-
 以下列出了主要的变更：
 
 * 更新了训练代码，使用mxnet的`recordio`首先把数据转换成二进制格式，提升后续的训练效率。训练时支持对图片做实时数据增强。也加入了更多可传入的参数。
@@ -100,17 +96,13 @@ V1.1.0对代码做了很大改动，重写了大部分训练的代码，也生
 
 * mxnet依赖升级到更新的版本了。很多人反馈mxnet `1.4.1`经常找不到没法装，现在升级到`>=1.5.0,<1.7.0`。
 
-  
-
 ### Update 2019.07.25: 发布 cnocr V1.0.0
 
 `cnocr`发布了预测效率更高的新版本v1.0.0。**新版本的模型跟以前版本的模型不兼容**。所以如果大家是升级的话，需要重新下载最新的模型文件。具体说明见下面（流程和原来相同）。
 
-
-
 主要改动如下：
 
--  **crnn模型支持可变长预测，提升预测效率**
--  支持利用特定数据对现有模型进行精调（继续训练）
--  修复bugs，如训练时`accuracy`一直为`0`
--  依赖的 `mxnet` 版本从`1.3.1`更新至 `1.4.1`
+- **crnn模型支持可变长预测，提升预测效率**
+- 支持利用特定数据对现有模型进行精调（继续训练）
+- 修复bugs，如训练时`accuracy`一直为`0`
+- 依赖的 `mxnet` 版本从`1.3.1`更新至 `1.4.1`

docs/cnstd_cnocr.md

-
 # 强强联合：[CnStd](https://github.com/breezedeus/cnstd) + CnOcr
 
 关于为什么要结合 [CnStd](https://github.com/breezedeus/cnstd) 和 CnOcr 一起使用，可参考 [场景文字识别介绍](std_ocr.md)。
@@ -17,7 +16,7 @@ box_infos = std.detect('examples/taobao.jpg')
 for box_info in box_infos['detected_texts']:
     cropped_img = box_info['cropped_img']
     ocr_res = cn_ocr.ocr_for_single_line(cropped_img)
-    print('ocr result: %s' % str(ocr_out))
+    print('ocr result: %s' % str(ocr_res))
 ```
 
 注：运行上面示例需要先安装 **[cnstd](https://github.com/breezedeus/cnstd)** ：
@@ -29,4 +28,3 @@ pip install cnstd
 **[cnstd](https://github.com/breezedeus/cnstd)** 相关的更多使用说明请参考其项目地址。
 
 可基于 [在线 Demo](demo.md) 查看 CnStd + CnOcr 的联合效果。
-