diff --git a/README.md b/README.md
index e4e2af685f5440099defcd4a1acf08295ecb550f..99329c95e4f2359bbe8c4085dee96ca5540c55f0 100644
--- a/README.md
+++ b/README.md
@@ -1,7 +1,7 @@
 ## YOLOV3：You Only Look Once目标检测模型在Pytorch当中的实现
 ---
 
-### 目录
+## 目录
 1. [性能情况 Performance](#性能情况)
 2. [所需环境 Environment](#所需环境)
 3. [文件下载 Download](#文件下载)
@@ -9,30 +9,29 @@
 5. [训练步骤 How2train](#训练步骤)
 6. [参考资料 Reference](#Reference)
 
-### 性能情况
+## 性能情况
 | 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mAP 0.5:0.95 | mAP 0.5 |
 | :-----: | :-----: | :------: | :------: | :------: | :-----: |
 | COCO-Train2017 | [yolo_weights.pth](https://github.com/bubbliiiing/yolo3-pytorch/releases/download/v1.0/yolo_weights.pth) | COCO-Val2017 | 416x416 | 38.0 | 67.2
 
-### 所需环境
+## 所需环境
 torch == 1.2.0
 
-### 文件下载
+## 文件下载
 训练所需的yolo_weights.pth可以在百度云下载。  
 链接: https://pan.baidu.com/s/1ncREw6Na9ycZptdxiVMApw   
 提取码: appk
 
-### 预测步骤
-#### 1、使用预训练权重
-a、下载完库后解压，在百度网盘下载yolo_weights.pth，放入model_data，运行predict.py，输入  
+## 预测步骤
+### a、使用预训练权重
+1. 下载完库后解压，在百度网盘下载yolo_weights.pth，放入model_data，运行predict.py，输入  
 ```python
 img/street.jpg
 ```
-可完成预测。  
-b、利用video.py可进行摄像头检测。  
-#### 2、使用自己训练的权重
-a、按照训练步骤训练。  
-b、在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类**。  
+2. 利用video.py可进行摄像头检测。  
+### b、使用自己训练的权重
+1. 按照训练步骤训练。  
+2. 在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类**。  
 ```python
 _defaults = {
     "model_path": 'model_data/yolo_weights.pth',
@@ -46,39 +45,38 @@ _defaults = {
 }
 
 ```
-c、运行predict.py，输入  
+3. 运行predict.py，输入  
 ```python
 img/street.jpg
 ```
-可完成预测。  
-d、利用video.py可进行摄像头检测。  
+4. 利用video.py可进行摄像头检测。  
 
-### 训练步骤
-1、本文使用VOC格式进行训练。  
-2、训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。  
-3、训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。  
-4、在训练前利用voc2yolo3.py文件生成对应的txt。  
-5、再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。**注意不要使用中文标签，文件夹中不要有空格！**   
+## 训练步骤
+1. 本文使用VOC格式进行训练。  
+2. 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。  
+3. 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。  
+4. 在训练前利用voc2yolo3.py文件生成对应的txt。  
+5. 再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。**注意不要使用中文标签，文件夹中不要有空格！**   
 ```python
 classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
 ```
-6、此时会生成对应的2007_train.txt，每一行对应其**图片位置**及其**真实框的位置**。  
-7、**在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类**，示例如下：   
+6. 此时会生成对应的2007_train.txt，每一行对应其**图片位置**及其**真实框的位置**。  
+7. **在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类**，示例如下：   
 model_data/new_classes.txt文件内容为：   
 ```python
 cat
 dog
 ...
 ```
-8、**修改utils/config.py里面的classes，使其为要检测的类的个数**。   
-9、运行train.py即可开始训练。
+8. **修改utils/config.py里面的classes，使其为要检测的类的个数**。   
+9. 运行train.py即可开始训练。
 
-### mAP目标检测精度计算更新
+## mAP目标检测精度计算更新
 更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。  
 get_map文件克隆自https://github.com/Cartucho/mAP  
 具体mAP计算过程可参考：https://www.bilibili.com/video/BV1zE411u7Vw
 
-### Reference
+## Reference
 https://github.com/qqwweee/keras-yolo3  
 https://github.com/eriklindernoren/PyTorch-YOLOv3   
 https://github.com/BobLiu20/YOLOv3_PyTorch