chore: README improve

README.md changed from en -> zh
add frontmatter within it

modified: README.md

README.md

@@ -1,149 +1,171 @@
-# MODNet Model Artifact Registry
+---
+language:
+  - en
+  - zh
+tags:
+  - image-matting
+  - portrait-segmentation
+  - modnet
+  - onnx
+  - rknn
+  - rk3588
+  - video-matting
+  - robust-video-matting
+license: mit
+library_name: pytorch
+base_model: ZHKKKe/MODNet
+pipeline_tag: image-segmentation
+---
 
-> **Purpose**: Comprehensive catalog of MODNet checkpoints, ONNX models, and training artifacts
-> 
-> **Maintainer**: PotterWhite  
-> **Last Updated**: 2026-03-31  
-> **License**: MIT
+# MODNet 模型制品仓库 (Model Artifact Registry)
+
+> **用途**：集中管理 MODNet 检查点（Checkpoint）、ONNX 模型及训练制品（Training Artifacts）
+>
+> **维护者**：PotterWhite
+> **最后更新**：2026-03-31
+> **许可证（License）**：MIT
 
 ---
 
-## 📋 Table of Contents
+## 目录（Table of Contents）
 
-1. [Official Pretrained Models](#official-pretrained-models)
-2. [Fine-tuned Models (Photographic Dataset)](#fine-tuned-models-photographic-dataset)
-3. [ONNX Model Variants](#onnx-model-variants)
-4. [Directory Structure](#directory-structure)
-5. [Generation & Deployment Guide](#generation--deployment-guide)
+1. [官方预训练模型（Official Pretrained Models）](#1-官方预训练模型official-pretrained-models)
+2. [微调模型（Fine-tuned Models）—— 摄影数据集](#2-微调模型fine-tuned-models-摄影数据集)
+3. [ONNX 模型变体（ONNX Model Variants）](#3-onnx-模型变体onnx-model-variants)
+4. [目录结构（Directory Structure）](#4-目录结构directory-structure)
+5. [生成与部署指南（Generation & Deployment Guide）](#5-生成与部署指南generation--deployment-guide)
+6. [速查表（Quick Reference）](#6-速查表quick-reference)
+7. [RobustVideoMatting（RVM）模型](#7-robustvideoMattingrvm模型)
+8. [相关文档（Related Documentation）](#8-相关文档related-documentation)
 
 ---
 
-## 1. Official Pretrained Models
+## 1. 官方预训练模型（Official Pretrained Models）
 
-### 1.1 Photographic Portrait Matting
+### 1.1 摄影人像抠图（Photographic Portrait Matting）
 
-**File**: `photographic/modnet_photographic_portrait_matting.ckpt`
+**文件**：`photographic/modnet_photographic_portrait_matting.ckpt`
 
 ```
-Original MODNet checkpoint trained on portrait matting dataset
-- Source: Author's Google Drive (ZHKKKe/MODNet)
-- Format: PyTorch .ckpt (state_dict)
-- Architecture: MODNet with IBNorm + InstanceNormalization
-- Input Size: 512×512
-- Purpose: Baseline reference for fine-tuning experiments
-- Status: ✓ Production baseline
+原始 MODNet 检查点，在人像抠图数据集上训练
+- 来源：作者 Google Drive（ZHKKKe/MODNet）
+- 格式：PyTorch .ckpt（state_dict）
+- 架构：MODNet + IBNorm + InstanceNormalization
+- 输入尺寸：512×512
+- 用途：微调实验的基线参考
+- 状态：✓ 生产基线
 ```
 
-### 1.2 Webcam Portrait Matting
+### 1.2 摄像头人像抠图（Webcam Portrait Matting）
 
-**File**: `modnet_webcam_portrait_matting.ckpt`
+**文件**：`modnet_webcam_portrait_matting.ckpt`
 
 ```
-MODNet checkpoint optimized for webcam real-time matting
-- Source: Author's Google Drive
-- Format: PyTorch .ckpt (state_dict)
-- Architecture: MODNet with IBNorm + InstanceNormalization
-- Input Size: 384×384 (lower latency)
-- Purpose: Real-time video / streaming applications
-- Status: ✓ Available, not actively used in current pipeline
+针对摄像头实时抠图优化的 MODNet 检查点
+- 来源：作者 Google Drive
+- 格式：PyTorch .ckpt（state_dict）
+- 架构：MODNet + IBNorm + InstanceNormalization
+- 输入尺寸：384×384（更低延迟）
+- 用途：实时视频/直播场景
+- 状态：✓ 可用，当前管线未使用
 ```
 
-### 1.3 MobileNetV2 Human Segmentation
+### 1.3 MobileNetV2 人体分割（Human Segmentation）
 
-**File**: `mobilenetv2_human_seg.ckpt`
+**文件**：`mobilenetv2_human_seg.ckpt`
 
 ```
-Auxiliary segmentation model for preprocessing
-- Source: Author's Google Drive
-- Format: PyTorch .ckpt
-- Purpose: Optional preprocessing stage (not currently deployed)
-- Status: ✓ Available for reference
+辅助分割模型，用于预处理阶段
+- 来源：作者 Google Drive
+- 格式：PyTorch .ckpt
+- 用途：可选预处理阶段（当前未部署）
+- 状态：✓ 可用作参考
 ```
 
 ---
 
-## 2. Fine-tuned Models (Photographic Dataset)
+## 2. 微调模型（Fine-tuned Models）—— 摄影数据集
 
-### 2.1 Pure Batch Normalization Variant
+### 2.1 纯批归一化变体（Pure Batch Normalization Variant）
 
-**Training Run**: Block 1.2 Fine-tuning (2026-03-19 ~ 2026-03-19)
+**训练轮次**：Block 1.2 微调（2026-03-19 ~ 2026-03-19）
 
-#### Summary
+#### 概要
 
 ```
-Fine-tuned MODNet-BN on P3M-10k photographic dataset
-- Replaced all IBNorm + InstanceNormalization with pure BatchNorm2d
-- 15-epoch supervised training with learning rate schedule
-- Best model achieved: Val L1 Loss 0.0062
+在 P3M-10k 摄影数据集上微调 MODNet-BN
+- 将所有 IBNorm + InstanceNormalization 替换为纯 BatchNorm2d
+- 15 个 Epoch 的监督训练，含学习率调度（Learning Rate Schedule）
+- 最佳模型：验证集 L1 Loss 0.0062
 ```
 
-#### Training Configuration
-
-| Parameter | Value |
-|-----------|-------|
-| Dataset | P3M-10k (Photographic subset) |
-| Train Samples | 9,421 |
-| Val Samples | 500 |
-| Batch Size | 8 |
-| Epochs | 15 |
-| Learning Rate (Initial) | 0.01 |
-| LR Schedule | StepLR: γ=0.1 @ epoch 5, 10 |
-| Input Size | 512×512 |
-| Optimizer | Adam (β₁=0.9, β₂=0.999) |
-| Loss Function | L1 (MAE) on alpha matte |
-| Device | NVIDIA A100 (CUDA 11.8) |
-| Training Time | ~4 hours |
-| Timestamp | 2026-03-19 15:40:18 |
-
-#### Artifacts Generated
+#### 训练配置
+
+| 参数 | 值 |
+|------|-----|
+| 数据集（Dataset） | P3M-10k（Photographic 子集） |
+| 训练样本数 | 9,421 |
+| 验证样本数 | 500 |
+| 批大小（Batch Size） | 8 |
+| 轮次（Epochs） | 15 |
+| 初始学习率（Learning Rate） | 0.01 |
+| 学习率调度 | StepLR：γ=0.1 @ epoch 5, 10 |
+| 输入尺寸 | 512×512 |
+| 优化器（Optimizer） | Adam (β₁=0.9, β₂=0.999) |
+| 损失函数（Loss Function） | L1（MAE），作用于 alpha 遮罩 |
+| 设备（Device） | NVIDIA A100 (CUDA 11.8) |
+| 训练时长 | ~4 小时 |
+| 时间戳 | 2026-03-19 15:40:18 |
+
+#### 生成的制品（Artifacts）
 
 ```
 photographic/finetune/
 ├── checkpoints/
-│   ├── modnet_bn_best.ckpt                    # ★ Best model (Val L1: 0.0062)
+│   ├── modnet_bn_best.ckpt                    # ★ 最佳模型（Val L1: 0.0062）
 │   ├── modnet_bn_epoch_01.ckpt
 │   ├── modnet_bn_epoch_02.ckpt
-│   ├── ... (epochs 3-14 omitted)
+│   ├── ...（epoch 3-14 省略）
 │   └── modnet_bn_epoch_15.ckpt
 ├── logs/
-│   └── block1_2_training_20260319_154018.log  # Training log (detailed)
+│   └── block1_2_training_20260319_154018.log  # 训练日志（详细）
 ├── onnx/
-│   └── modnet_bn_best_pureBN.onnx             # ★ ONNX export (see §3.3)
+│   └── modnet_bn_best_pureBN.onnx             # ★ ONNX 导出（见 §3.3）
 └── output/
-    ├── epoch_01_val.png                       # Validation preview (epoch 1)
+    ├── epoch_01_val.png                       # 验证预览（第 1 轮）
     ├── epoch_02_val.png
-    ├── ... (epochs 3-14 omitted)
-    └── epoch_15_val.png                       # Final validation visualization
+    ├── ...（epoch 3-14 省略）
+    └── epoch_15_val.png                       # 最终验证可视化
 ```
 
-#### Validation Loss Curve
+#### 验证损失曲线（Validation Loss Curve）
 
 ```
-Epoch | Val L1 Loss | Improvement
+Epoch | Val L1 Loss | 改进幅度
 ------|-------------|-------------------
-  1   | 0.0264      | Δ = -0.0202 (new best)
-  2   | 0.0175      | Δ = -0.0089 (new best)
-  3   | 0.0121      | Δ = -0.0054 (new best)
-  4   | 0.0098      | Δ = -0.0023 (new best)
-  5   | 0.0089      | Δ = -0.0009 (new best)
-  6   | 0.0081      | Δ = -0.0008 (new best)
-  7   | 0.0076      | Δ = -0.0005 (new best)
-  8   | 0.0074      | Δ = -0.0002 (new best)
-  9   | 0.0072      | Δ = -0.0002 (new best)
-  10  | 0.0070      | Δ = -0.0002 (new best)
-  11  | 0.0068      | Δ = -0.0002 (new best)
-  12  | 0.0066      | Δ = -0.0002 (new best)
-  13  | 0.0065      | Δ = -0.0001 (new best)
-  14  | 0.0063      | Δ = -0.0002 (new best)
-  15  | 0.0062      | Δ = -0.0001 (final)
-
-→ Converged after epoch 5 (LR schedule kick-in), steady improvement
+  1   | 0.0264      | Δ = -0.0202（新最佳）
+  2   | 0.0175      | Δ = -0.0089（新最佳）
+  3   | 0.0121      | Δ = -0.0054（新最佳）
+  4   | 0.0098      | Δ = -0.0023（新最佳）
+  5   | 0.0089      | Δ = -0.0009（新最佳）
+  6   | 0.0081      | Δ = -0.0008（新最佳）
+  7   | 0.0076      | Δ = -0.0005（新最佳）
+  8   | 0.0074      | Δ = -0.0002（新最佳）
+  9   | 0.0072      | Δ = -0.0002（新最佳）
+  10  | 0.0070      | Δ = -0.0002（新最佳）
+  11  | 0.0068      | Δ = -0.0002（新最佳）
+  12  | 0.0066      | Δ = -0.0002（新最佳）
+  13  | 0.0065      | Δ = -0.0001（新最佳）
+  14  | 0.0063      | Δ = -0.0002（新最佳）
+  15  | 0.0062      | Δ = -0.0001（最终）
+
+→ 第 5 轮后收敛（学习率调度生效），持续稳步改进
 ```
 
-#### How to Use
+#### 使用方法
 
-```bash
-# PyTorch inference
+```python
+# PyTorch 推理
 import torch
 from modnet import MODNet
 
@@ -152,161 +174,161 @@ model = MODNet()
 model.load_state_dict(checkpoint)
 model.eval()
 
-# Or ONNX inference (recommended for deployment)
+# 或使用 ONNX 推理（推荐用于部署）
 import onnxruntime
 sess = onnxruntime.InferenceSession('photographic/finetune/onnx/modnet_bn_best_pureBN.onnx')
 ```
 
 ---
 
-## 3. ONNX Model Variants
+## 3. ONNX 模型变体（ONNX Model Variants）
 
-### 3.1 Official Original (Photographic)
+### 3.1 官方原始版本（Photographic）
 
-**File**: `photographic/modnet_photographic_portrait_matting.onnx`
+**文件**：`photographic/modnet_photographic_portrait_matting.onnx`
 
 ```
-Direct ONNX export from official checkpoint
-- Source: Author's Google Drive
-- Format: ONNX opset 11
-- Contains: InstanceNormalization operations
-- Input: [1, 3, 512, 512] (float32, [-1, 1] normalized)
-- Output: [1, 1, 512, 512] (float32, [0, 1] range)
-- Status: ✓ Reference for comparison
-- Note: InstanceNormalization → CPU fallback on NPU, **not recommended for edge deployment**
+从官方检查点直接导出的 ONNX
+- 来源：作者 Google Drive
+- 格式：ONNX opset 11
+- 包含：InstanceNormalization 算子
+- 输入：[1, 3, 512, 512]（float32，[-1, 1] 归一化）
+- 输出：[1, 1, 512, 512]（float32，[0, 1] 范围）
+- 状态：✓ 对比参考
+- 注意：InstanceNormalization 在 NPU 上会回退到 CPU，**不推荐用于边缘部署**
 ```
 
-### 3.2 Folded Variant (Anti-fusion)
+### 3.2 折叠变体（Folded Variant，Anti-fusion）
 
-**File**: `photographic/modnet_photographic_portrait_matting_in_folded.onnx`
+**文件**：`photographic/modnet_photographic_portrait_matting_in_folded.onnx`
 
 ```
-InstanceNormalization folded out via anti-fusion method
-- Optimizer: PotterWhite (potter_white@outlook.com)
-- Date: 2026-03-11 16:11
-- Method: Expand InstanceNorm into arithmetic primitives
+通过 anti-fusion 方法展开 InstanceNormalization
+- 优化者：PotterWhite (potter_white@outlook.com)
+- 日期：2026-03-11 16:11
+- 方法：将 InstanceNorm 展开为算术原语
   - Var(x) = E[x²] − (E[x])²
-  - Prevents RKNN compiler from reconstructing InstanceNormalization
-  - Forces NPU to execute on CPU (negative effect)
-- Status: ⚠️ Experimental, not recommended
-- Analysis: Defeats the optimization purpose
+  - 防止 RKNN 编译器重新识别 InstanceNormalization
+  - 强制在 CPU 上执行（负面效果）
+- 状态：⚠️ 实验性，不推荐
+- 分析：违背了优化初衷
 ```
 
-### 3.3 Pure Batch Normalization (ONNX Export)
+### 3.3 纯批归一化版本（ONNX 导出）
 
-**File**: `photographic/finetune/onnx/modnet_bn_best_pureBN.onnx`
+**文件**：`photographic/finetune/onnx/modnet_bn_best_pureBN.onnx`
 
 ```
-★ RECOMMENDED for deployment
-
-ONNX export from modnet_bn_best.ckpt (fine-tuned model)
-- Source: PyTorch fine-tuning run (epoch 15)
-- Export Date: 2026-03-31 16:15
-- Format: ONNX opset 11
-- Architecture: Pure BatchNormalization (no InstanceNorm)
-- Input: [1, 3, 512, 512] (float32, [-1, 1] normalized)
-- Output: [1, 1, 512, 512] (float32, [0, 1] range)
-- File Size: 25 MB
-- Status: ✓ Production ready for C++ inference
-
-Why Preferred:
-  ✓ No InstanceNormalization → Better NPU scheduling
-  ✓ All ops: Conv2d, BatchNorm2d, ReLU, etc. (hardware-friendly)
-  ✓ Improved numerical precision on fixed-point inference
-  ✓ Faster compilation on RKNN toolchain
-  ✓ Better convergence than IBNorm variant
-
-Tested On:
-  - ONNX Runtime 1.16.3 (CPU, x86_64)
-  - ONNX Runtime 1.16.3 (aarch64, simulated)
-  - RKNN toolchain v2.3.2 (compile-stage verification)
+★ 推荐用于部署
+
+从 modnet_bn_best.ckpt（微调模型）导出的 ONNX
+- 来源：PyTorch 微调训练（第 15 轮）
+- 导出日期：2026-03-31 16:15
+- 格式：ONNX opset 11
+- 架构：纯 BatchNormalization（无 InstanceNorm）
+- 输入：[1, 3, 512, 512]（float32，[-1, 1] 归一化）
+- 输出：[1, 1, 512, 512]（float32，[0, 1] 范围）
+- 文件大小：25 MB
+- 状态：✓ 可用于 C++ 推理的生产版本
+
+推荐理由：
+  ✓ 无 InstanceNormalization → 更好的 NPU 调度
+  ✓ 全部算子：Conv2d, BatchNorm2d, ReLU 等（硬件友好）
+  ✓ 定点推理下数值精度更优
+  ✓ RKNN 工具链编译更快
+  ✓ 比 IBNorm 变体收敛更好
+
+已测试环境：
+  - ONNX Runtime 1.16.3（CPU, x86_64）
+  - ONNX Runtime 1.16.3（aarch64, 模拟环境）
+  - RKNN 工具链 v2.3.2（编译阶段验证）
 ```
 
-#### Validation Against Reference
+#### 验证结果（对比参考）
 
 ```
-Golden Test Vector: green-fall-girl-point-to.png (1803×1019)
-- Python inference output: py_08_inference-Output.bin ✓
-- C++ inference output: cpp_08_inference-Output.bin (pending C++ build)
-- Expected match: Pixel-wise L∞ error < 1e-5 (float32 precision)
+黄金测试向量（Golden Test Vector）：green-fall-girl-point-to.png (1803×1019)
+- Python 推理输出：py_08_inference-Output.bin ✓
+- C++ 推理输出：cpp_08_inference-Output.bin（待 C++ 构建）
+- 预期匹配：像素级 L∞ 误差 < 1e-5（float32 精度）
 ```
 
 ---
 
-## 4. Directory Structure
+## 4. 目录结构（Directory Structure）
 
 ```
 MODNet/
 │
-├── README.md                                    ← You are here
+├── README.md                                    ← 当前文件
 │
-├── [Official Models - Root Level]
-│   ├── mobilenetv2_human_seg.ckpt               (backup, not active)
-│   └── modnet_webcam_portrait_matting.ckpt      (reference, 384×384)
+├── [官方模型 - 根目录]
+│   ├── mobilenetv2_human_seg.ckpt               （备份，非活跃）
+│   └── modnet_webcam_portrait_matting.ckpt      （参考用，384×384）
 │
-└── photographic/                                ← ★ Active deployment variant
+└── photographic/                                ← ★ 活跃部署变体
     │
-    ├── README.md                                (historical, superseded)
+    ├── README.md                                （历史文件，已被取代）
     │
-    ├── [Official Baseline]
+    ├── [官方基线]
     │   ├── modnet_photographic_portrait_matting.ckpt      (1.8 GB)
     │   ├── modnet_photographic_portrait_matting.onnx      (26 MB, InstanceNorm)
     │   └── modnet_photographic_portrait_matting_in_folded.onnx  (26 MB, folded)
     │
-    └── finetune/                                ← ★ Active training output
+    └── finetune/                                ← ★ 活跃训练输出
         │
-        ├── checkpoints/                         (PyTorch artifacts)
-        │   ├── modnet_bn_best.ckpt              ★ (1.8 GB, best model)
+        ├── checkpoints/                         （PyTorch 制品）
+        │   ├── modnet_bn_best.ckpt              ★ (1.8 GB, 最佳模型)
         │   ├── modnet_bn_epoch_01.ckpt
         │   ├── modnet_bn_epoch_02.ckpt
-        │   ├── ... (epochs 3-14)
+        │   ├── ... (epoch 3-14)
         │   └── modnet_bn_epoch_15.ckpt
         │
-        ├── onnx/                                (Deployment)
-        │   └── modnet_bn_best_pureBN.onnx       ★ (25 MB, RECOMMENDED)
+        ├── onnx/                                （部署用）
+        │   └── modnet_bn_best_pureBN.onnx       ★ (25 MB, 推荐)
         │
-        ├── logs/                                (Metadata)
+        ├── logs/                                （元数据）
         │   └── block1_2_training_20260319_154018.log
         │
-        └── output/                              (Validation visualization)
+        └── output/                              （验证可视化）
             ├── epoch_01_val.png
             ├── epoch_02_val.png
-            ├── ... (epochs 3-14)
+            ├── ... (epoch 3-14)
             └── epoch_15_val.png
 ```
 
 ---
 
-## 5. Generation & Deployment Guide
+## 5. 生成与部署指南（Generation & Deployment Guide）
 
-### 5.1 How This ONNX Was Generated
+### 5.1 ONNX 生成方法
 
 ```python
-# Step 1: Train fine-tuned checkpoint
+# 第 1 步：训练微调检查点
 # $ cd helmsman.git/
 # $ python3 third-party/scripts/modnet/train_modnet_block1_2.py
-# → Output: photographic/finetune/checkpoints/modnet_bn_best.ckpt
+# → 输出：photographic/finetune/checkpoints/modnet_bn_best.ckpt
 
-# Step 2: Export to ONNX (Pure-BN architecture)
+# 第 2 步：导出为 ONNX（Pure-BN 架构）
 import torch
 import onnx
-from modnet import MODNet  # Pure-BN version
+from modnet import MODNet  # Pure-BN 版本
 
 checkpoint = torch.load('checkpoints/modnet_bn_best.ckpt')
 model = MODNet()
 model.load_state_dict(checkpoint)
 model.eval()
 
-# Dummy input
+# 虚拟输入（Dummy Input）
 dummy_input = torch.randn(1, 3, 512, 512)
 
-# Export with dynamic axes
+# 导出，支持动态轴（Dynamic Axes）
 torch.onnx.export(
-    model, dummy_input, 
+    model, dummy_input,
     'onnx/modnet_bn_best_pureBN.onnx',
     export_params=True,
     opset_version=11,
-    do_constant_folding=False,  # Keep BN params visible
+    do_constant_folding=False,  # 保留 BN 参数可见
     input_names=['input'],
     output_names=['output'],
     dynamic_axes={
@@ -315,124 +337,126 @@ torch.onnx.export(
     }
 )
 
-# Step 3: Verify ONNX model
+# 第 3 步：验证 ONNX 模型
 onnx_model = onnx.load('onnx/modnet_bn_best_pureBN.onnx')
 onnx.checker.check_model(onnx_model)
-print("✓ ONNX model validated")
+print("✓ ONNX 模型验证通过")
 ```
 
-### 5.2 C++ Inference Deployment
+### 5.2 C++ 推理部署
 
 ```bash
-# Build C++ inference engine
+# 构建 C++ 推理引擎
 cd helmsman.git/
-./helmsman prepare                    # Install Python deps, MODNet submodule
-./helmsman build cpp cb native        # Clean build for native x86_64
+./helmsman prepare                    # 安装 Python 依赖、MODNet 子模块
+./helmsman build cpp cb native        # 清理构建（x86_64 原生）
 
-# Run inference
+# 运行推理
 ./install/native/release/bin/Helmsman_Matting_Client \
     <input_image> \
     photographic/finetune/onnx/modnet_bn_best_pureBN.onnx \
     <output_dir>
 
-# Verify against Python golden
+# 对比 Python 黄金参考
 python3 tools/MODNet/verify_golden_tensor.py
 ```
 
-### 5.3 Deployment Checklist
+### 5.3 部署清单（Deployment Checklist）
 
-- [ ] ONNX model validated with `onnx.checker.check_model()`
-- [ ] C++ build passes golden tensor verification
-- [ ] Python vs C++ inference outputs match (L∞ error < 1e-5)
-- [ ] Edge device (RK3588S) cross-compile tested
-- [ ] Latency benchmark: <100ms per inference (512×512 input)
+- [ ] ONNX 模型通过 `onnx.checker.check_model()` 验证
+- [ ] C++ 构建通过黄金张量验证（Golden Tensor Verification）
+- [ ] Python 与 C++ 推理输出匹配（L∞ 误差 < 1e-5）
+- [ ] 边缘设备（RK3588S）交叉编译测试通过
+- [ ] 延迟基准测试：每次推理 < 100ms（512×512 输入）
 
 ---
 
-## 6. Quick Reference
+## 6. 速查表（Quick Reference）
 
-| Model | File | Size | Purpose | Status |
-|-------|------|------|---------|--------|
-| **Official Photographic** | `photographic/modnet_photographic_portrait_matting.ckpt` | 1.8 GB | Baseline reference | ✓ Reference |
-| **Official ONNX** | `photographic/modnet_photographic_portrait_matting.onnx` | 26 MB | InstanceNorm variant | ⚠️ Not recommended |
-| **Fine-tuned (Best)** | `photographic/finetune/checkpoints/modnet_bn_best.ckpt` | 1.8 GB | PyTorch deployment | ✓ Production |
-| **Fine-tuned ONNX** | `photographic/finetune/onnx/modnet_bn_best_pureBN.onnx` | 25 MB | C++/RKNN deployment | ★ **RECOMMENDED** |
-| **Webcam Model** | `modnet_webcam_portrait_matting.ckpt` | 1.8 GB | Real-time streaming | ✓ Available |
+| 模型 | 文件 | 大小 | 用途 | 状态 |
+|------|------|------|------|------|
+| **官方摄影模型** | `photographic/modnet_photographic_portrait_matting.ckpt` | 1.8 GB | 基线参考 | ✓ 参考 |
+| **官方 ONNX** | `photographic/modnet_photographic_portrait_matting.onnx` | 26 MB | InstanceNorm 变体 | ⚠️ 不推荐 |
+| **微调最佳模型** | `photographic/finetune/checkpoints/modnet_bn_best.ckpt` | 1.8 GB | PyTorch 部署 | ✓ 生产 |
+| **微调 ONNX** | `photographic/finetune/onnx/modnet_bn_best_pureBN.onnx` | 25 MB | C++/RKNN 部署 | ★ **推荐** |
+| **摄像头模型** | `modnet_webcam_portrait_matting.ckpt` | 1.8 GB | 实时流媒体 | ✓ 可用 |
 
 ---
 
-## 7. RobustVideoMatting (RVM) Models
+## 7. RobustVideoMatting（RVM）模型
 
-### 7.1 ONNX Models
+### 7.1 ONNX 模型
 
-Located in `RobustVideoMatting/onnx/`.
+位于 `RobustVideoMatting/onnx/`。
 
-| Model | File | Size | Backbone | Refiner | Source |
-|-------|------|------|----------|---------|--------|
-| **MobileNetV3 FP32** | `rvm_mobilenetv3_fp32.onnx` | 14.3MB | MobileNetV3 | No | PeterL1n/RobustVideoMatting v1.0.0 |
-| **MobileNetV3 FP16** | `rvm_mobilenetv3_fp16.onnx` | 7.2MB | MobileNetV3 | No | FP16 export |
-| **MobileNetV3 FP32 (no refiner)** | `rvm_mobilenetv3_fp32_no_refiner.onnx` | 14.3MB | MobileNetV3 | No | Stripped refiner ops |
-| **ResNet50 FP32** | `rvm_resnet50_fp32.onnx` | ~90MB | ResNet50 | No | PeterL1n v1.0.0 |
-| **ResNet50 FP16** | `rvm_resnet50_fp16.onnx` | ~45MB | ResNet50 | No | FP16 export |
+| 模型 | 文件 | 大小 | 骨干网络（Backbone） | 精炼器（Refiner） | 来源 |
+|------|------|------|----------|---------|------|
+| **MobileNetV3 FP32** | `rvm_mobilenetv3_fp32.onnx` | 14.3MB | MobileNetV3 | 无 | PeterL1n/RobustVideoMatting v1.0.0 |
+| **MobileNetV3 FP16** | `rvm_mobilenetv3_fp16.onnx` | 7.2MB | MobileNetV3 | 无 | FP16 导出 |
+| **MobileNetV3 FP32（无精炼器）** | `rvm_mobilenetv3_fp32_no_refiner.onnx` | 14.3MB | MobileNetV3 | 无 | 移除 refiner 算子 |
+| **ResNet50 FP32** | `rvm_resnet50_fp32.onnx` | ~90MB | ResNet50 | 无 | PeterL1n v1.0.0 |
+| **ResNet50 FP16** | `rvm_resnet50_fp16.onnx` | ~45MB | ResNet50 | 无 | FP16 导出 |
 
-**Key model properties** (MobileNetV3):
-- Opset 12, IR version 6, 353 nodes
-- Zero InstanceNorm nodes (NPU-friendly)
-- No refiner ops (DeepGuidedFilterRefiner not included)
-- 6 inputs: `src [1,3,H,W]`, `r1i~r4i` (ConvGRU states), `downsample_ratio [1]`
-- After ArcFoundry `fold_constant_inputs`: 5 inputs (downsample_ratio baked as constant)
+**关键模型属性**（MobileNetV3）：
+- Opset 12，IR version 6，353 个节点
+- 零个 InstanceNorm 节点（NPU 友好）
+- 无精炼器算子（DeepGuidedFilterRefiner 未包含）
+- 6 个输入：`src [1,3,H,W]`、`r1i~r4i`（ConvGRU 状态）、`downsample_ratio [1]`
+- 经 ArcFoundry `fold_constant_inputs` 处理后：5 个输入（downsample_ratio 烘焙为常量）
 
-### 7.2 RKNN Models
+### 7.2 RKNN 模型
 
-Located in `RobustVideoMatting/rknn/`.
+位于 `RobustVideoMatting/rknn/`。
 
-| Model | File | Size | Resolution | Precision | dsr | Status | PKB Ref |
-|-------|------|------|-----------|-----------|-----|--------|---------|
+| 模型 | 文件 | 大小 | 分辨率 | 精度 | dsr | 状态 | PKB 参考 |
+|------|------|------|--------|------|-----|------|----------|
 | **256×256 FP16** | `rvm_mobilenetv3_fp16_256x256_rk3588_fp16_v20260416.rknn` | 9.0MB | 256×256 | FP16 | 0.25 | Phase-1 验证用 | §3 |
-| **288×512 FP16** | `rvm_mobilenetv3_fp16_288x512_rk3588_fp16_v20260416.rknn` | 9.3MB | 288×512 | FP16 | 0.25 | 早期 board 实验 | §3 |
+| **288×512 FP16** | `rvm_mobilenetv3_fp16_288x512_rk3588_fp16_v20260416.rknn` | 9.3MB | 288×512 | FP16 | 0.25 | 早期板端实验 | §3 |
 | **1080p FP16 (dsr=0.25)** | `rvm_mobilenetv3_fp16_1080x1920_rk3588_fp16.rknn` | 12MB | 1080×1920 | FP16 | 0.25 | **当前默认模型** | §12-§13, §20 |
 | **1080p FP16 (dsr=0.5)** | `rvm_mobilenetv3_fp16_1080x1920_0.5-dsr_rk3588_fp16.rknn` | 16MB | 1080×1920 | FP16 | 0.5 | **最佳质量模型** | §21 |
 | **256×256 INT8** | `rvm_mobilenetv3_int8_256x256_rk3588_int8_v20260416.rknn` | 5.5MB | 256×256 | INT8 | 0.25 | Phase-4 量化实验 | §4 |
 | **288×512 INT8** | `rvm_mobilenetv3_int8_288x512_rk3588_int8_v20260416.rknn` | 5.7MB | 288×512 | INT8 | 0.25 | Phase-4 量化实验 | §4 |
 
-**Conversion tool**: [ArcFoundry](https://github.com/PotterWhite/ArcFoundry.git) v0.14.0
-- Config directory: `ArcFoundry.git/configs/rvm/`
-- Target platform: RK3588
-- Normalization: `mean=[0,0,0], std=[255,255,255]` (RKNN runtime applies `/255.0`)
+**转换工具**：[ArcFoundry](https://github.com/PotterWhite/ArcFoundry.git) v0.14.0
+- 配置目录：`ArcFoundry.git/configs/rvm/`
+- 目标平台：RK3588
+- 归一化：`mean=[0,0,0], std=[255,255,255]`（RKNN 运行时执行 `/255.0`）
 
-### 7.3 Quality Summary (s14/s20/s21 board experiments)
+### 7.3 质量总结（s14/s20/s21 板端实验）
 
-| Model | dsr | mean_diff vs PyTorch | bg_ratio | Speed (infer+composite) | Notes |
-|-------|-----|---------------------|----------|------------------------|-------|
-| 1080p FP16 (s14) | 0.25 | 2.30 | 86.6% | ~485ms | NCHW→NHWC transpose fix |
+| 模型 | dsr | 与 PyTorch 的 mean_diff | bg_ratio | 速度（推理+合成） | 备注 |
+|------|-----|------------------------|----------|------------------|------|
+| 1080p FP16 (s14) | 0.25 | 2.30 | 86.6% | ~485ms | NCHW→NHWC 转置修复 |
 | 1080p FP16 (s20) | 0.25 | 2.30 | 86.6% | ~485ms | r2o stride padding: OK |
-| 1080p FP16 (s21) | 0.5 | **2.18** | **86.5%** | ~691ms | **Best quality** |
+| 1080p FP16 (s21) | 0.5 | **2.18** | **86.5%** | ~691ms | **最佳质量** |
+
+- PyTorch 基线 bg_ratio：86.6%（dsr=0.25）、86.5%（dsr=0.5）
+- 所有模型在 `dance.mp4` 上测试（363 帧，1920×1080）
+- 板端：RK3588S，NPU0=40%，NPU1&2=10%
 
-- PyTorch baseline bg_ratio: 86.6% (dsr=0.25), 86.5% (dsr=0.5)
-- All models tested on `dance.mp4` (363 frames, 1920×1080)
-- Board: RK3588S, NPU0=40%, NPU1&2=10%
+### 7.4 推荐模型选择
 
-### 7.4 Recommended Model Selection
+| 使用场景 | 推荐模型 | 理由 |
+|----------|---------|------|
+| **质量优先** | `rvm_mobilenetv3_fp16_1080x1920_0.5-dsr_rk3588_fp16.rknn` | mean_diff=2.18，最佳 alpha 边缘 |
+| **速度优先** | `rvm_mobilenetv3_fp16_1080x1920_rk3588_fp16.rknn` | 比 dsr=0.5 快 1.43 倍 |
+| **低内存** | `rvm_mobilenetv3_fp16_288x512_rk3588_fp16_v20260416.rknn` | 最小 r-state 占用 |
 
-| Use Case | Recommended Model | Reason |
-|----------|------------------|--------|
-| **Quality-first** | `rvm_mobilenetv3_fp16_1080x1920_0.5-dsr_rk3588_fp16.rknn` | mean_diff=2.18, best alpha edges |
-| **Speed-first** | `rvm_mobilenetv3_fp16_1080x1920_rk3588_fp16.rknn` | 1.43× faster than dsr=0.5 |
-| **Low memory** | `rvm_mobilenetv3_fp16_288x512_rk3588_fp16_v20260416.rknn` | Smallest r-state footprint |
+---
 
-## 8. Related Documentation
+## 8. 相关文档（Related Documentation）
 
-- **Training Script**: `helmsman.git/third-party/scripts/modnet/train_modnet_block1_2.py`
-- **ONNX Export Script**: `helmsman.git/third-party/scripts/modnet/onnx/export_onnx_pureBN.py`
-- **C++ Inference**: `helmsman.git/runtime/cpp/apps/matting/client/`
-- **Python Golden Reference**: `helmsman.git/third-party/scripts/modnet/onnx/generate_golden_files.py`
-- **Verification**: `helmsman.git/tools/MODNet/verify_golden_tensor.py`
-- **RVM PKB**: `/volumes_pkb_helmsman/model/round2-rvm/log-MR2-P5-rknn-inference.md`
-- **RVM ArcFoundry configs**: `ArcFoundry.git/configs/rvm/`
+- **训练脚本**：`helmsman.git/third-party/scripts/modnet/train_modnet_block1_2.py`
+- **ONNX 导出脚本**：`helmsman.git/third-party/scripts/modnet/onnx/export_onnx_pureBN.py`
+- **C++ 推理**：`helmsman.git/runtime/cpp/apps/matting/client/`
+- **Python 黄金参考**：`helmsman.git/third-party/scripts/modnet/onnx/generate_golden_files.py`
+- **验证工具**：`helmsman.git/tools/MODNet/verify_golden_tensor.py`
+- **RVM PKB**：`/volumes_pkb_helmsman/model/round2-rvm/log-MR2-P5-rknn-inference.md`
+- **RVM ArcFoundry 配置**：`ArcFoundry.git/configs/rvm/`
 
 ---
 
-## Appendix: Training Log Summary
+## 附录：训练日志摘要
 
 ```
 [Config] Device: cuda
@@ -454,6 +478,6 @@ Overfitting: ✓ No significant degradation, clean convergence
 
 ---
 
-**Document Version**: 1.0  
-**Last Updated**: 2026-03-31 by Claude Code (AI Agent)  
-**Commit History**: Will be tracked via Git commit message  
+**文档版本**：1.1
+**最后更新**：2026-05-06 by Claude Code (AI Agent)
+**提交历史**：通过 Git commit message 追踪