diff --git a/README.md b/README.md
index 676603d3828b30799a9cd5c73e64d2ba8909cda9..7aa7a94fc3d200ec9572d886650bebe531efb85d 100644
--- a/README.md
+++ b/README.md
@@ -4,7 +4,7 @@
 **2021年2月7日更新：**   
 **加入letterbox_image的选项，关闭letterbox_image后网络的map得到大幅度提升。**
 
-### 目录
+## 目录
 1. [性能情况 Performance](#性能情况)
 2. [实现的内容 Achievement](#实现的内容)
 3. [所需环境 Environment](#所需环境)
@@ -15,51 +15,50 @@
 8. [训练步骤 How2train](#训练步骤)
 9. [参考资料 Reference](#Reference)
 
-### 性能情况
+## 性能情况
 | 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mAP 0.5:0.95 | mAP 0.5 |
 | :-----: | :-----: | :------: | :------: | :------: | :-----: |
 | VOC07+12+COCO | [yolo4_voc_weights.h5](https://github.com/bubbliiiing/yolov4-keras/releases/download/v1.0/yolo4_voc_weights.h5) | VOC-Test07 | 416x416 | - | 88.9
 | COCO-Train2017 | [yolo4_weight.h5](https://github.com/bubbliiiing/yolov4-keras/releases/download/v1.0/yolo4_weight.h5) | COCO-Val2017 | 416x416 | 46.4 | 70.5
 
-### 实现的内容
+## 实现的内容
 - [x] 主干特征提取网络：DarkNet53 => CSPDarkNet53
 - [x] 特征金字塔：SPP，PAN
 - [x] 训练用到的小技巧：Mosaic数据增强、Label Smoothing平滑、CIOU、学习率余弦退火衰减
 - [x] 激活函数：使用Mish激活函数
 - [ ] ……balabla
 
-### 所需环境
+## 所需环境
 tensorflow-gpu==1.13.1  
 keras==2.1.5  
 
-### 注意事项
+## 注意事项
 代码中的yolo4_weights.h5是基于608x608的图片训练的，但是由于显存原因。我将代码中的图片大小修改成了416x416。有需要的可以修改回来。 代码中的默认anchors是基于608x608的图片的。   
 **注意不要使用中文标签，文件夹中不要有空格！**   
 **在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件**。  
 
-### 小技巧的设置
+## 小技巧的设置
 在train.py文件下：   
 1、mosaic参数可用于控制是否实现Mosaic数据增强。   
 2、Cosine_scheduler可用于控制是否使用学习率余弦退火衰减。   
 3、label_smoothing可用于控制是否Label Smoothing平滑。
 
-### 文件下载
+## 文件下载
 训练所需的yolo4_weights.h5可在百度网盘中下载。  
 链接: https://pan.baidu.com/s/1R4LlPqVBdusVa9Mx_BXSTg 提取码: k8v5   
 yolo4_weights.h5是coco数据集的权重。  
 yolo4_voc_weights.h5是voc数据集的权重。
 
-### 预测步骤
-#### 1、使用预训练权重
-a、下载完库后解压，在百度网盘下载yolo4_weights.h5或者yolo4_voc_weights.h5，放入model_data，运行predict.py，输入  
+## 预测步骤
+### a、使用预训练权重
+1. 下载完库后解压，在百度网盘下载yolo4_weights.h5或者yolo4_voc_weights.h5，放入model_data，运行predict.py，输入  
 ```python
 img/street.jpg
-```
-可完成预测。  
-b、利用video.py可进行摄像头检测。  
-#### 2、使用自己训练的权重
-a、按照训练步骤训练。  
-b、在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类**。  
+```  
+2. 利用video.py可进行摄像头检测。  
+#### b、使用自己训练的权重
+1. 按照训练步骤训练。  
+2. 在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类**。  
 ```python
 _defaults = {
     "model_path": 'model_data/yolo4_weight.h5',
@@ -71,26 +70,24 @@ _defaults = {
     # 显存比较大可以使用608x608
     "model_image_size" : (416, 416)
 }
-
 ```
-c、运行predict.py，输入  
+3. 运行predict.py，输入  
 ```python
 img/street.jpg
 ```
-可完成预测。  
-d、利用video.py可进行摄像头检测。  
+4. 利用video.py可进行摄像头检测。  
 
-### 训练步骤
-1、本文使用VOC格式进行训练。  
-2、训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。  
-3、训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。  
-4、在训练前利用voc2yolo4.py文件生成对应的txt。  
-5、再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。**注意不要使用中文标签，文件夹中不要有空格！**   
+## 训练步骤
+1. 本文使用VOC格式进行训练。  
+2. 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。  
+3. 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。  
+4. 在训练前利用voc2yolo4.py文件生成对应的txt。  
+5. 再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。**注意不要使用中文标签，文件夹中不要有空格！**   
 ```python
 classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
 ```
-6、此时会生成对应的2007_train.txt，每一行对应其**图片位置**及其**真实框的位置**。  
-7、**在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件**，示例如下：   
+6. 此时会生成对应的2007_train.txt，每一行对应其**图片位置**及其**真实框的位置**。  
+7. **在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件**，示例如下：   
 ```python
 classes_path = 'model_data/new_classes.txt'    
 ```
@@ -100,14 +97,14 @@ cat
 dog
 ...
 ```
-8、运行train.py即可开始训练。
+8. 运行train.py即可开始训练。
 
-### mAP目标检测精度计算更新
+## mAP目标检测精度计算更新
 更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。  
 get_map文件克隆自https://github.com/Cartucho/mAP  
 具体mAP计算过程可参考：https://www.bilibili.com/video/BV1zE411u7Vw
 
-### Reference
+## Reference
 https://github.com/qqwweee/keras-yolo3/  
 https://github.com/Cartucho/mAP  
 https://github.com/Ma-Dan/keras-yolo4