diff --git a/mindocr/models/2024-10-14-14-22-14.png b/mindocr/models/2024-10-14-14-22-14.png
new file mode 100644
index 0000000000000000000000000000000000000000..0ee4d73adeb4881db03992602a50a5ddd3824024
Binary files /dev/null and b/mindocr/models/2024-10-14-14-22-14.png differ
diff --git "a/mindocr/models/\346\250\241\345\236\213\350\277\201\347\247\273\351\200\211\345\236\213\350\257\264\346\230\216\344\271\246.md" "b/mindocr/models/\346\250\241\345\236\213\350\277\201\347\247\273\351\200\211\345\236\213\350\257\264\346\230\216\344\271\246.md"
new file mode 100644
index 0000000000000000000000000000000000000000..d33e7aa41afc39ddaadd10f8cdb4fc7cf5f5d890
--- /dev/null
+++ "b/mindocr/models/\346\250\241\345\236\213\350\277\201\347\247\273\351\200\211\345\236\213\350\257\264\346\230\216\344\271\246.md"
@@ -0,0 +1,59 @@
+# 前言
+MindOCR是一个基于MindSpore 框架开发的OCR开源工具箱，集成系列主流文字检测识别的算法、模型，并提供易用的训练和推理工具，可以帮助用户快速开发和应用业界SoTA文本检测、文本识别模型，如DBNet/DBNet++和CRNN/SVTR，满足图像文档理解的需求。
+
+针对MindOCR的产品定位，本人目前的具体任务为：**迁移并整合1至2个具有关键影响力的模型至MindOCR平台，简化迁移操作的复杂度，有效降低模型迁移的技术门槛，最终实现MindOCR模型库的显著丰富与提升。**
+# 内容
+## 1.迁移目标 
+1. **洞察业界已有领域模型，选取并迁移2个关键模型至MindOCR框架；**
+2. **确保迁移模型的精度与性能均不低于原论文所描述精度与性能。**
+
+## 2.模型洞察
+通过对OCR套件领域模型丰富度的洞察，当前MindOCR共支持检测与识别模型14+，其支持的模型种类包括：文本检测模型、文本识别模型、表格识别模型、关键信息抽取模型，相对业界缺失模型种类包括：**公式识别模型、文本超分模型、端到端模型、一模多语模型、版面矫正预测模型、文档图片方向分类模型。** 业界OCR套件领域模型种类分析如下表所示（由于业界OCR套件支持的文本检测、文本模型较多，该文只取三个为例）。
+
+![](2024-10-14-14-22-14.png)
+## 3. 模型选型
+### 端到端模型——PGNet
+OCR算法可以分为两阶段算法（文本检测+文本识别）和端到端算法。端到端算法指**在一个算法中完成文本检测和文本识别，模型更小，速度更快**，在文本分布密集的业务场景中效率更较高，比如工业仪表识别、车牌识别等。
+
+**MindOCR目前并未支持端到端模型**，因此本人选取业界端到端模型精度和性能较优的PGNet模型进行迁移。
+
+### 版面区域检测模型--PicoDet
+在文档图像识别以及文档还原的过程中，版面区域检测是核心步骤。普通的OCR技术只能提取图像中的文字，但无法提取图像中的图片、表格、印章等其他元素，以及各个元素之间的位置关系。而**版面区域检测技术可以对输入的文档图像进行内容解析和区域划分，识别图像中的文字、图表、图片，并将其归类为纯文本区、标题区、表格去、图片区，并确定这些区域在文档中的位置和大小**，从而确保文档在电子化过程中能够保持原有的排版和格式。
+
+由于MindOCR仅支持YoloV8这一个版面区域检测模型，而PicoDet优化了YoloV8的网络结构，在移动设备上达到较好的帧率（150FPS），且在各种场景下的模板检测任务中取得了较好的结果，**有助于提高智能文档分析的版本区域检测效率与精度**，因此选取该模型进行迁移。
+
+# 实现方式
+## 1.环境配置
+openEuler: >= 20.3 CentOS：>= 7.6 Ubuntu：>= 18.04 Windows 10 MacOS：10.15/11.3；
+
+Ascend：910A、910B GPU：支持cuda10.1以上 CPU。
+
+## 2.模型转换
+利用MindOCR框架提供的模型转换工具或API，将所选模型转换为MindOCR框架支持的格式；
+
+对转换后的模型进行必要的调整和优化，以确保其与MindOCR框架的兼容性。
+
+## 3.训练与调优
+使用MindOCR框架提供的训练工具和数据集，对迁移后的模型进行训练和调优；
+
+通过调整学习率、批量大小等超参数，优化模型的训练过程和性能；
+
+利用MindOCR框架的模型评估工具，对训练后的模型进行精度和性能评估，确保其不低于原论文所述。
+
+## 4.代码集成与测试
+将迁移后的模型代码集成到MindOCR框架中，并进行必要的代码优化和重构；
+
+对集成后的MindOCR框架进行全面的测试，包括单元测试、集成测试和性能测试等，以确保其稳定性和可靠性。
+
+## 5.精度与性能评估
+使用与原论文相同的测试数据集和评估指标，对迁移后的模型进行精度评估，对比迁移前后模型的精度指标，确保其不低于原论文所述；
+
+使用MindOCR框架提供的性能测试工具，对迁移后的模型进行性能测试，评估模型的推理速度、内存占用等性能指标，确保其满足实际应用场景的需求。
+
+  
+
+
+
+
+   
+