fix comment

doc/doc_ch/PP-OCRv3_introduction.md

@@ -24,9 +24,9 @@ PP-OCRv2系统pipeline如下：
 </div>
 
 
-PP-OCR系统在持续迭代优化，目前已发布PP-OCR、PP-OCRv2、PPOCRv3两个版本：
+PP-OCR系统在持续迭代优化，目前已发布PP-OCR、PP-OCRv2、PPOCRv3三个版本：
 
-PP-OCRv2从骨干网络选择和调整、预测头部的设计、数据增强、学习率变换策略、正则化参数选择、预训练模型使用以及模型自动裁剪量化8个方面，采用19个有效策略，对各个模块的模型进行效果调优和瘦身(如绿框所示)，最终得到整体大小为3.5M的超轻量中英文OCR和2.8M的英文数字OCR。更多细节请参考PP-OCR技术方案 https://arxiv.org/abs/2009.09941
+PP-OCR从骨干网络选择和调整、预测头部的设计、数据增强、学习率变换策略、正则化参数选择、预训练模型使用以及模型自动裁剪量化8个方面，采用19个有效策略，对各个模块的模型进行效果调优和瘦身(如绿框所示)，最终得到整体大小为3.5M的超轻量中英文OCR和2.8M的英文数字OCR。更多细节请参考PP-OCR技术方案 https://arxiv.org/abs/2009.09941
 
 
 ## PP-OCRv3策略简介
@@ -40,7 +40,10 @@ PP-OCRv3采用PP-OCRv2的[CML](https://arxiv.org/pdf/2109.03144.pdf)蒸馏策略
 
 RSEFPN的网络结构如下图所示，RSEFPN在PPOCRv2的FPN基础上，将FPN中的卷积层更换为了channel attention结构的RSEConv层。
 
-![](../ppocr_v3/RSEFPN.png)
+<div align="center">
+    <img src=".././ppocr_v3/RSEFPN.png" width="800">
+</div>
+
 
 RSEFPN将PPOCR检测模型的精度hmean从81.3%提升到84.5%。模型大小从3M变为3.6M。
 
@@ -48,7 +51,9 @@ RSEFPN将PPOCR检测模型的精度hmean从81.3%提升到84.5%。模型大小从
 
 LKPAN的网络结构如下图所示：
 
-![](../ppocr_v3/LKPAN.png)
+<div align="center">
+    <img src="../ppocr_v3/LKPAN.png" width="800">
+</div>
 
 LKPAN是一个具有更大感受野的轻量级PAN结构。在在LKPAN的path augmentation中，使用kernel size为`9*9`的卷积；更大的kernel size意味着更大的感受野，更容易检测大字体的文字以及极端长宽比的文字。LKPAN将base检测模型的精度hmean从81.3%提升到84.9%。
 
@@ -58,7 +63,7 @@ LKPAN是一个具有更大感受野的轻量级PAN结构。在在LKPAN的path au
 
 采用上述策略，PPOCRv3相比PPOCRv2，hmean指标从83.3%提升到85.4%；预测速度从平均117ms/image变为124ms/image。
 
-3. 消融实验
+3. PP-OCRv3检测模型消融实验
 
 |序号|策略|模型大小|hmean|Intel Gold 6148CPU+mkldnn预测耗时|
 |-|-|-|-|-|