Rename and polish

docs/tutorials/pipelines/pipeline_deployment.md → docs/tutorials/pipelines/pipeline_deployment_with_fastdeploy.md

@@ -1,11 +1,11 @@
-# 模型产线部署
+# 基于FastDeploy的模型产线部署
 
-针对不同应用场景，PaddleX通过离线部署包提供2种模型产线本地部署方案：
+除了[模型产线推理 Python API 文档](./pipeline_inference_api.md)中介绍的模型产线部署方案外，PaddleX还提供基于全场景、多后端推理工具FastDeploy的部署方案。基于FastDeploy的部署方案支持更多后端，并且提供高性能推理和服务化部署两种部署方式，能够满足更多场景的需求：
 
 - **高性能推理**：运行脚本执行推理，或在程序中调用Python/C++的推理API。旨在实现测试样本的高效输入与模型预测结果的快速获取，特别适用于大规模批量刷库的场景，显著提升数据处理效率。
 - **服务化部署**：采用C/S架构，以服务形式提供推理能力，客户端可以通过网络请求访问服务，以获取推理结果。
 
-请注意，目前并非所有模型都支持基于离线部署包的部署，具体支持情况请参考[模型部署支持情况](#模型部署支持情况)。
+请注意，目前并非所有模型都支持基于FastDeploy的部署，具体支持情况请参考[模型部署支持情况](#模型部署支持情况)。
 
 ## 操作流程
 
@@ -19,7 +19,7 @@
 
 ## 模型部署支持情况
 
-| 模型名称 | 是否支持基于离线部署包的部署 |
+| 模型名称 | 是否支持基于FastDeploy的部署 |
 | :---: | :---: |
 | ResNet18 | 是 |
 | ResNet34 | 是 |

docs/tutorials/pipelines/pipeline_develop.md

@@ -7,7 +7,7 @@ PaddleX 提供了丰富的模型产线，模型产线由一个或多个模型组
 3. 【**选择模型**】（可选）对产线中效果不及预期的模块进行微调，首先根据模块参考文档[模型选择](./model_select.md)选择可替换的模型；
 4. 【**模型微调**】（可选）选择好对应的模型后，即可进行模型训练，具体参考[模型训练、评估和推理](../base/README.md)；
 5. 【**产线测试**】（可选）将产线中的模型替换为微调后的模型进行测试，具体参考[模型产线开发工具推理预测](./pipeline_inference_tools.md);
-6. 【**开发集成/部署**】使用 PaddleX Python API 将模型产线集成到个人项目中（具体参考[模型产线推理 Python API 文档](./pipeline_inference_api.md)），或使用离线部署包实现本地高性能推理/服务化部署（具体参考[模型产线部署](./pipeline_deployment.md)）。
+6. 【**开发集成/部署**】使用 PaddleX Python API 将模型产线集成到个人项目中（具体参考[模型产线推理 Python API 文档](./pipeline_inference_api.md)），或使用离线部署包实现基于 FastDeploy 的本地高性能推理/服务化部署（具体参考[基于FastDeploy的模型产线部署](./pipeline_deployment_with_fastdeploy.md)）。
 
 **PaddleX 模型产线开发流程图**