Improve the documentation of model_deployment (#1436)

* Update model_deployment.md

* Update model_deployment.md

* update model_deployment

docs/en/tutorials/model_deployment.md

-# Tutorial 7: MMDetection3D model deployment
+# Tutorial 8: MMDetection3D model deployment
 
 To meet the speed requirement of the model in practical use, usually, we deploy the trained model to inference backends. [MMDeploy](https://github.com/open-mmlab/mmdeploy) is OpenMMLab model deployment framework. Now MMDeploy has supported MMDetection3D model deployment, and you can deploy the trained model to inference backends by MMDeploy.
 
@@ -52,17 +52,15 @@ python ./tools/deploy.py \
 ### Example
 
 ```bash
-cd mmdeploy \
+cd mmdeploy
 python tools/deploy.py \
-configs/mmdet3d/voxel-detection/voxel-detection_tensorrt_dynamic-kitti.py \
-${$MMDET3D_DIR}/configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py \
-${$MMDET3D_DIR}/checkpoints/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class_20200620_230421-aa0f3adb.pth \
-${$MMDET3D_DIR}/demo/data/kitti/kitti_000008.bin \
---work-dir
-work-dir \
---device
-cuda:0 \
---show
+    configs/mmdet3d/voxel-detection/voxel-detection_tensorrt_dynamic-kitti.py \
+    ${$MMDET3D_DIR}/configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py \
+    ${$MMDET3D_DIR}/checkpoints/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class_20200620_230421-aa0f3adb.pth \
+    ${$MMDET3D_DIR}/demo/data/kitti/kitti_000008.bin \
+    --work-dir work-dir \
+    --device cuda:0 \
+    --show
 ```
 
 ## Inference Model
@@ -83,34 +81,31 @@ You can test the accuracy and speed of the model in the inference backend. You c
 
 ```bash
 python tools/test.py \
-${DEPLOY_CFG} \
-${MODEL_CFG} \
---model ${BACKEND_MODEL_FILES} \
-[--out ${OUTPUT_PKL_FILE}] \
-[--format-only] \
-[--metrics ${METRICS}] \
-[--show] \
-[--show-dir ${OUTPUT_IMAGE_DIR}] \
-[--show-score-thr ${SHOW_SCORE_THR}] \
---device ${DEVICE} \
-[--cfg-options ${CFG_OPTIONS}] \
-[--metric-options ${METRIC_OPTIONS}]
-[--log2file work_dirs/output.txt]
+    ${DEPLOY_CFG} \
+    ${MODEL_CFG} \
+    --model ${BACKEND_MODEL_FILES} \
+    [--out ${OUTPUT_PKL_FILE}] \
+    [--format-only] \
+    [--metrics ${METRICS}] \
+    [--show] \
+    [--show-dir ${OUTPUT_IMAGE_DIR}] \
+    [--show-score-thr ${SHOW_SCORE_THR}] \
+    --device ${DEVICE} \
+    [--cfg-options ${CFG_OPTIONS}] \
+    [--metric-options ${METRIC_OPTIONS}] \
+    [--log2file work_dirs/output.txt]
 ```
 
 ### Example
 
 ```bash
-cd mmdeploy \
+cd mmdeploy
 python tools/test.py \
-configs/mmdet3d/voxel-detection/voxel-detection_onnxruntime_dynamic.py \
-${MMDET3D_DIR}/configs/centerpoint/centerpoint_02pillar_second_secfpn_circlenms_4x8_cyclic_20e_nus.py \
---model
-work-dir/end2end.onnx \
---metrics
-bbox \
---device
-cpu
+    configs/mmdet3d/voxel-detection/voxel-detection_onnxruntime_dynamic.py \
+    ${MMDET3D_DIR}/configs/centerpoint/centerpoint_02pillar_second_secfpn_circlenms_4x8_cyclic_20e_nus.py \
+    --model work-dir/end2end.onnx \
+    --metrics bbox \
+    --device cpu
 ```
 
 ## Supported models

docs/zh_cn/tutorials/model_deployment.md

-# 教程 7: MMDet3D模型部署
+# 教程 8: MMDet3D 模型部署
 
-为了满足在实际使用过程中遇到的算法模型的速度需求，通常我们会将训练好的模型部署到各种推理后端上。 [MMDeploy](https://github.com/open-mmlab/mmdeploy) 是 OpenMMLab 系列算法库的部署框架，现在 MMDeploy 已经支持了MMDetection3D，我们可以通过 MMDeploy 将训练好的模型部署到各种推理后端上。
+为了满足在实际使用过程中遇到的算法模型的速度需求，通常我们会将训练好的模型部署到各种推理后端上。 [MMDeploy](https://github.com/open-mmlab/mmdeploy) 是 OpenMMLab 系列算法库的部署框架，现在 MMDeploy 已经支持了 MMDetection3D，我们可以通过 MMDeploy 将训练好的模型部署到各种推理后端上。
 
 ## 准备
 
-### 安装MMDeploy
+### 安装 MMDeploy
 
 ```bash
 git clone -b master git@github.com:open-mmlab/mmdeploy.git
@@ -14,7 +14,7 @@ git submodule update --init --recursive
 
 ### 安装推理后端编译自定义算子
 
-根据 MMDeploy 的文档选择安装推理后端并编译自定义算子，目前 MMDet3D 模型支持了的推理后端有 [OnnxRuntime](https://mmdeploy.readthedocs.io/en/latest/backends/onnxruntime.html), [TensorRT](https://mmdeploy.readthedocs.io/en/latest/backends/tensorrt.html), [OpenVINO](https://mmdeploy.readthedocs.io/en/latest/backends/openvino.html) 。
+根据 MMDeploy 的文档选择安装推理后端并编译自定义算子，目前 MMDet3D 模型支持了的推理后端有 [OnnxRuntime](https://mmdeploy.readthedocs.io/en/latest/backends/onnxruntime.html)，[TensorRT](https://mmdeploy.readthedocs.io/en/latest/backends/tensorrt.html)，[OpenVINO](https://mmdeploy.readthedocs.io/en/latest/backends/openvino.html)。
 
 ## 模型导出
 
@@ -37,38 +37,35 @@ python ./tools/deploy.py \
 
 ### 参数描述
 
-* deploy_cfg : MMDeploy 中用于部署的配置文件路径。
-* model_cfg : OpenMMLab 系列代码库中使用的模型配置文件路径。
-* checkpoint : OpenMMLab 系列代码库的模型文件路径。
-* img : 用于模型转换时使用的点云文件或图像文件路径。
-* --test-img : 用于测试模型的图像文件路径。默认设置成None。
-* --work-dir : 工作目录，用来保存日志和模型文件。
-* --calib-dataset-cfg : 此参数只有int8模式下生效，用于校准
-* 数据集配置文件。若在int8模式下未传入参数，则会自动使用模型配置文件中的'val'数据集进行校准。
-* --device : 用于模型转换的设备。 默认是cpu。
-* --log-level : 设置日记的等级，选项包括'CRITICAL'， 'FATAL'， 'ERROR'， 'WARN'， 'WARNING'， 'INFO'， 'DEBUG'， 'NOTSET'。 默认是INFO。
-* --show : 是否显示检测的结果。
-* --dump-info : 是否输出 SDK 信息。
+* `deploy_cfg` : MMDeploy 代码库中用于部署的配置文件路径。
+* `model_cfg` : OpenMMLab 系列代码库中使用的模型配置文件路径。
+* `checkpoint` : OpenMMLab 系列代码库的模型文件路径。
+* `img` : 用于模型转换时使用的点云文件或图像文件路径。
+* `--test-img` : 用于测试模型的图像文件路径。如果没有指定，将设置成 `None`。
+* `--work-dir` : 工作目录，用来保存日志和模型文件。
+* `--calib-dataset-cfg` : 此参数只在 int8 模式下生效，用于校准数据集配置文件。如果没有指定，将被设置成 `None`，并使用模型配置文件中的 'val' 数据集进行校准。
+* `--device` : 用于模型转换的设备。如果没有指定，将被设置成 cpu。
+* `--log-level` : 设置日记的等级，选项包括 `'CRITICAL'，'FATAL'，'ERROR'，'WARN'，'WARNING'，'INFO'，'DEBUG'，'NOTSET'`。如果没有指定，将被设置成 INFO。
+* `--show` : 是否显示检测的结果。
+* `--dump-info` : 是否输出 SDK 信息。
 
 ### 示例
 
 ```bash
-cd mmdeploy \
+cd mmdeploy
 python tools/deploy.py \
-configs/mmdet3d/voxel-detection/voxel-detection_tensorrt_dynamic-kitti.py \
-${$MMDET3D_DIR}/configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py \
-${$MMDET3D_DIR}/checkpoints/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class_20200620_230421-aa0f3adb.pth \
-${$MMDET3D_DIR}/demo/data/kitti/kitti_000008.bin \
---work-dir
-work-dir \
---device
-cuda:0 \
---show
+    configs/mmdet3d/voxel-detection/voxel-detection_tensorrt_dynamic-kitti.py \
+    ${$MMDET3D_DIR}/configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py \
+    ${$MMDET3D_DIR}/checkpoints/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class_20200620_230421-aa0f3adb.pth \
+    ${$MMDET3D_DIR}/demo/data/kitti/kitti_000008.bin \
+    --work-dir work-dir \
+    --device cuda:0 \
+    --show
 ```
 
 ## 模型推理
 
-现在你可以使用推理后端提供的 API 进行模型推理。但是，如果你想立即测试模型怎么办？ 我们为您准备了一些推理后端的封装。
+现在你可以使用推理后端提供的 API 进行模型推理。但是，如果你想立即测试模型怎么办？我们为您准备了一些推理后端的封装。
 
 ```python
 from mmdeploy.apis import inference_model
@@ -78,40 +75,37 @@ result = inference_model(model_cfg, deploy_cfg, backend_files, img=img, device=d
 
 `inference_model` 将创建一个推理后端的模块并为你进行推理。推理结果与模型的 OpenMMLab 代码库具有相同的格式。
 
-## 测试模型 (可选)
+## 测试模型（可选）
 
 可以测试部署在推理后端上的模型的精度和速度。你可以参考 [how to measure performance of models](https://mmdeploy.readthedocs.io/en/latest/tutorials/how_to_measure_performance_of_models.html)。
 
 ```bash
 python tools/test.py \
-${DEPLOY_CFG} \
-${MODEL_CFG} \
---model ${BACKEND_MODEL_FILES} \
-[--out ${OUTPUT_PKL_FILE}] \
-[--format-only] \
-[--metrics ${METRICS}] \
-[--show] \
-[--show-dir ${OUTPUT_IMAGE_DIR}] \
-[--show-score-thr ${SHOW_SCORE_THR}] \
---device ${DEVICE} \
-[--cfg-options ${CFG_OPTIONS}] \
-[--metric-options ${METRIC_OPTIONS}]
-[--log2file work_dirs/output.txt]
+    ${DEPLOY_CFG} \
+    ${MODEL_CFG} \
+    --model ${BACKEND_MODEL_FILES} \
+    [--out ${OUTPUT_PKL_FILE}] \
+    [--format-only] \
+    [--metrics ${METRICS}] \
+    [--show] \
+    [--show-dir ${OUTPUT_IMAGE_DIR}] \
+    [--show-score-thr ${SHOW_SCORE_THR}] \
+    --device ${DEVICE} \
+    [--cfg-options ${CFG_OPTIONS}] \
+    [--metric-options ${METRIC_OPTIONS}] \
+    [--log2file work_dirs/output.txt]
 ```
 
 ### 示例
 
 ```bash
-cd mmdeploy \
+cd mmdeploy
 python tools/test.py \
-configs/mmdet3d/voxel-detection/voxel-detection_onnxruntime_dynamic.py \
-${MMDET3D_DIR}/configs/centerpoint/centerpoint_02pillar_second_secfpn_circlenms_4x8_cyclic_20e_nus.py \
---model
-work-dir/end2end.onnx \
---metrics
-bbox \
---device
-cpu
+    configs/mmdet3d/voxel-detection/voxel-detection_onnxruntime_dynamic.py \
+    ${MMDET3D_DIR}/configs/centerpoint/centerpoint_02pillar_second_secfpn_circlenms_4x8_cyclic_20e_nus.py \
+    --model work-dir/end2end.onnx \
+    --metrics bbox \
+    --device cpu
 ```
 
 ## 支持模型列表