[Docs] Fix links in Chinese doc

docs/zh_cn/build.md

@@ -80,11 +80,11 @@
 
 您可以根据自身需求，构建和安装如下推理引擎：
 
-- [ONNX Runtime](../en/backends/onnxruntime.md)
-- [TensorRT](../en/backends/tensorrt.md)
-- [ncnn](../en/backends/ncnn.md)
-- [PPLNN](../en/backends/pplnn.md)
-- [OpenVINO](../en/backends/openvino.md)
+- [ONNX Runtime](https://mmdeploy.readthedocs.io/en/latest/backends/onnxruntime.html)
+- [TensorRT](https://mmdeploy.readthedocs.io/en/latest/backends/tensorrt.html)
+- [ncnn](https://mmdeploy.readthedocs.io/en/latest/backends/ncnn.html)
+- [PPLNN](https://mmdeploy.readthedocs.io/en/latest/backends/pplnn.html)
+- [OpenVINO](https://mmdeploy.readthedocs.io/en/latest/backends/openvino.html)
 
 ### 安装 MMDeploy
 

docs/zh_cn/get_started.md

@@ -6,11 +6,11 @@ MMDeploy提供了一系列工具，帮助你更轻松的将OpenMMLab下的算法
 
 首先我们需要根据[安装指南](./build.md)正确安装MMDeploy。**注意！** 不同推理后端的安装方式略有不同。可以根据下面的介绍选择最适合你的推理后端：
 
-- [ONNXRuntime](../en/backends/onnxruntime.md): ONNX Runtime 是一个跨平台的机器学习训练推理加速器，通过图形优化和变换以及硬件加速器提供优秀的推理性能。<span style="color:red">拥有完善的对ONNX的支持</span>。
-- [TensorRT](../en/backends/tensorrt.md): NVIDIA® TensorRT™ 是一个用于高性能深度学习推理的开发工具包（SDK）。借助Nvidia的设备特性，TensorRT可以优化模型的推理，提供更低的推理延迟以及更高的吞吐量。如果你希望将模型部署在<span style="color:red">NVIDIA硬件设备</span>上，那么TensorRT就是一个合适的选择。
-- [ncnn](../en/backends/ncnn.md): ncnn 是一个<span style="color:red">为手机端极致优化</span>的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部署和使用。无第三方依赖，跨平台。基于 ncnn，开发者能够将深度学习算法轻松移植到手机端高效执行，开发出人工智能 APP，将 AI 带到你的指尖。
-- [PPLNN](../en/backends/pplnn.md): PPLNN是一个为高效AI推理所开发的高性能深度学习推理引擎。可以用于各种ONNX模型的推理。并且<span style="color:red">对OpenMMLab有非常强的支持</span>。
-- [OpenVINO](../en/backends/openvino.md): OpenVINO™ 是一个为优化与部署AI推理开发的开源工具集。该工具集<span style="color:red">可无缝集成到 Intel 硬件平台</span>，包括最新的神经网络加速芯片，Intel计算棒，边缘设备等。
+- [ONNXRuntime](https://mmdeploy.readthedocs.io/en/latest/backends/onnxruntime.html): ONNX Runtime 是一个跨平台的机器学习训练推理加速器，通过图形优化和变换以及硬件加速器提供优秀的推理性能。<span style="color:red">拥有完善的对ONNX的支持</span>。
+- [TensorRT](https://mmdeploy.readthedocs.io/en/latest/backends/tensorrt.html): NVIDIA® TensorRT™ 是一个用于高性能深度学习推理的开发工具包（SDK）。借助Nvidia的设备特性，TensorRT可以优化模型的推理，提供更低的推理延迟以及更高的吞吐量。如果你希望将模型部署在<span style="color:red">NVIDIA硬件设备</span>上，那么TensorRT就是一个合适的选择。
+- [ncnn](https://mmdeploy.readthedocs.io/en/latest/backends/ncnn.html): ncnn 是一个<span style="color:red">为手机端极致优化</span>的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部署和使用。无第三方依赖，跨平台。基于 ncnn，开发者能够将深度学习算法轻松移植到手机端高效执行，开发出人工智能 APP，将 AI 带到你的指尖。
+- [PPLNN](https://mmdeploy.readthedocs.io/en/latest/backends/pplnn.html): PPLNN是一个为高效AI推理所开发的高性能深度学习推理引擎。可以用于各种ONNX模型的推理。并且<span style="color:red">对OpenMMLab有非常强的支持</span>。
+- [OpenVINO](https://mmdeploy.readthedocs.io/en/latest/backends/openvino.html): OpenVINO™ 是一个为优化与部署AI推理开发的开源工具集。该工具集<span style="color:red">可无缝集成到 Intel 硬件平台</span>，包括最新的神经网络加速芯片，Intel计算棒，边缘设备等。
 
 选择最适合你的推理后端，点击对应的连接查看具体安装细节
 
@@ -32,15 +32,15 @@ python ${MMDEPLOY_DIR}/tools/deploy.py \
     --dump-info
 ```
 
-`${MMDEPLOY_DIR}/tools/deploy.py` 是一个方便模型转换的工具。可以阅读 [如何转换模型](../en/tutorials/how_to_convert_model.md) 了解更多细节。转换后的模型以及一些其他的信息将会被保存在 `${WORK_DIR}` 中。MMDeploy SDK 可以使用这些信息进行模型推理。
+`${MMDEPLOY_DIR}/tools/deploy.py` 是一个方便模型转换的工具。可以阅读 [如何转换模型](./tutorials/how_to_convert_model.md) 了解更多细节。转换后的模型以及一些其他的信息将会被保存在 `${WORK_DIR}` 中。MMDeploy SDK 可以使用这些信息进行模型推理。
 
 `detection_tensorrt_dynamic-320x320-1344x1344.py` 是一个包含所有转换需要的可配置参数的配置文件。该文件的命名遵循如下规则：
 
 ```bash
 <任务名>_<推理后端>-[后端特性]_<动态模型支持>.py
 ```
 
-可以很容易的通过文件名来确定最适合的那个配置文件。如果你希望定制自己的转换配置，可以修改配置文件中的具体条目。我们提供了 [如何编写配置文件](../en/tutorials/how_to_write_config.md) 来指导你如何进行编辑。
+可以很容易的通过文件名来确定最适合的那个配置文件。如果你希望定制自己的转换配置，可以修改配置文件中的具体条目。我们提供了 [如何编写配置文件](https://mmdeploy.readthedocs.io/en/latest/tutorials/how_to_write_config.html) 来指导你如何进行编辑。
 
 ### 模型推理
 
@@ -67,7 +67,7 @@ python ${MMDEPLOY_DIR}/tools/test.py \
     --device cuda:0
 ```
 
-请阅读 [如何进行模型评估](../en/tutorials/how_to_evaluate_a_model.md) 了解关于 `tools/test.py` 的使用细节。
+请阅读 [如何进行模型评估](https://mmdeploy.readthedocs.io/en/latest/tutorials/how_to_evaluate_a_model.html) 了解关于 `tools/test.py` 的使用细节。
 
 ### 整合 MMDeploy SDK
 
@@ -130,7 +130,7 @@ git submodule update --init --recursive
 pip install -e .
 ```
 
-一旦我们完成MMDeploy的安装，我们需要选择一个模型的推理引擎。这里我们以ONNX Runtime为例。运行下面命令来[安装ONNX Runtime](../en/backends/onnxruntime.md)：
+一旦我们完成MMDeploy的安装，我们需要选择一个模型的推理引擎。这里我们以ONNX Runtime为例。运行下面命令来[安装ONNX Runtime](https://mmdeploy.readthedocs.io/en/latest/backends/onnxruntime.html)：
 
 ```bash
 pip install onnxruntime==1.8.1
@@ -210,6 +210,6 @@ export SPDLOG_LEVEL=warn
 ### 新模型的支持？
 
 如果你希望使用的模型尚未被 MMDeploy 所支持，你可以尝试自己添加对应的支持。我们准备了如下的文档：
-- 请阅读[如何支持新模型](../en/tutorials/how_to_support_new_models.md)了解我们的模型重写机制。
+- 请阅读[如何支持新模型](https://mmdeploy.readthedocs.io/en/latest/tutorials/how_to_support_new_models.html)了解我们的模型重写机制。
 
 最后，欢迎大家踊跃提PR。

docs/zh_cn/tutorials/how_to_convert_model.md

@@ -20,14 +20,14 @@
 
 注意:
 
-- 现在已支持的后端包括 [ONNX Runtime](../../en/backends/onnxruntime.md) ，[TensorRT](../../en/backends/tensorrt.md) ，[NCNN](../../en/backends/ncnn.md) ，[PPLNN](../../en/backends/pplnn.md)。
-- 现在已支持的代码库包括 [MMClassification](../../en/codebases/mmcls.md) ，[MMDetection](../../en/codebases/mmdet.md) ，[MMSegmentation](../../en/codebases/mmseg.md) ，[MMOCR](../../en/codebases/mmocr.md) ，[MMEditing](../../codebases/mmedit.md)。
+- 现在已支持的后端包括 [ONNX Runtime](https://mmdeploy.readthedocs.io/en/latest/backends/onnxruntime.html) ，[TensorRT](https://mmdeploy.readthedocs.io/en/latest/backends/tensorrt.html) ，[NCNN](https://mmdeploy.readthedocs.io/en/latest/backends/ncnn.html) ，[PPLNN](https://mmdeploy.readthedocs.io/en/latest/backends/pplnn.html), [OpenVINO](https://mmdeploy.readthedocs.io/en/latest/backends/openvino.html)。
+- 现在已支持的代码库包括 [MMClassification](https://mmdeploy.readthedocs.io/en/latest/codebases/mmcls.html) ，[MMDetection](https://mmdeploy.readthedocs.io/en/latest/codebases/mmdet.html) ，[MMSegmentation](https://mmdeploy.readthedocs.io/en/latest/codebases/mmseg.html) ，[MMOCR](https://mmdeploy.readthedocs.io/en/latest/codebases/mmocr.html) ，[MMEditing](https://mmdeploy.readthedocs.io/en/latest/codebases/mmedit.html)。
 
 ### 如何将模型从pytorch形式转换成其他后端形式
 
 #### 准备工作
 
-1. 安装你的目标后端。 你可以参考 [ONNXRuntime-install](../../en/backends/onnxruntime.md) ，[TensorRT-install](../../en/backends/tensorrt.md) ，[NCNN-install](../../en/backends/ncnn.md) ，[PPLNN-install](../../en/backends/pplnn.md)。
+1. 安装你的目标后端。 你可以参考 [ONNXRuntime-install](https://mmdeploy.readthedocs.io/en/latest/backends/onnxruntime.html) ，[TensorRT-install](https://mmdeploy.readthedocs.io/en/latest/backends/tensorrt.html) ，[NCNN-install](https://mmdeploy.readthedocs.io/en/latest/backends/ncnn.html) ，[PPLNN-install](https://mmdeploy.readthedocs.io/en/latest/backends/pplnn.html), [OpenVINO-install](https://mmdeploy.readthedocs.io/en/latest/backends/openvino.html)。
 2. 安装你的目标代码库。 你可以参考 [MMClassification-install](https://github.com/open-mmlab/mmclassification/blob/master/docs/zh_CN/install.md)， [MMDetection-install](https://github.com/open-mmlab/mmdetection/blob/master/docs/zh_cn/get_started.md)， [MMSegmentation-install](https://github.com/open-mmlab/mmsegmentation/blob/master/docs/zh_cn/get_started.md#installation)， [MMOCR-install](https://mmocr.readthedocs.io/en/latest/install.html)， [MMEditing-install](https://github.com/open-mmlab/mmediting/blob/master/docs/zh_cn/install.md)。
 
 #### 使用方法
@@ -86,7 +86,7 @@ python ./tools/deploy.py \
 
 ### 各后端已支持导出的模型列表
 
-参考[已支持的模型列表](../../en/supported_models.md)。
+参考[已支持的模型列表](https://mmdeploy.readthedocs.io/en/latest/supported_models.html)。
 
 ### 注意事项