[Doc]Update keypointdetection result docs (#739)

Update keypointdetection result docs

docs/api/vision_results/keypointdetection_result.md

@@ -16,16 +16,13 @@ struct KeyPointDetectionResult {
 };
 ```
 
-- **keypoints**: 成员变量，表示识别到的目标行为的关键点坐标。`keypoints.size()= N * J * 2`，
+- **keypoints**: 成员变量，表示识别到的目标行为的关键点坐标。`keypoints.size()= N * J`，
     - `N`：图片中的目标数量
     - `J`：num_joints（一个目标的关键点数量）
-    - `3`:坐标信息[x, y]
 - **scores**: 成员变量，表示识别到的目标行为的关键点坐标的置信度。`scores.size()= N * J`
     - `N`：图片中的目标数量
     - `J`:num_joints（一个目标的关键点数量）
 - **num_joints**: 成员变量，一个目标的关键点数量
-
-- **num_joints**: 成员变量，一个目标的关键点数量
 - **Clear()**: 成员函数，用于清除结构体中存储的结果
 - **Str()**: 成员函数，将结构体中的信息以字符串形式输出（用于Debug）
 
@@ -34,10 +31,9 @@ struct KeyPointDetectionResult {
 `fastdeploy.vision.KeyPointDetectionResult`
 
 - **keypoints**(list of list(float)): 成员变量，表示识别到的目标行为的关键点坐标。
-                                      `keypoints.size()= N * J * 2`
+                                      `keypoints.size()= N * J`
                                       `N`:图片中的目标数量
                                       `J`:num_joints（关键点数量）
-                                     `3`:坐标信息[x, y, conf]
 - **scores**(list of float): 成员变量，表示识别到的目标行为的关键点坐标的置信度。
                              `scores.size()= N * J`
                              `N`:图片中的目标数量

docs/api_docs/python/vision_results_cn.md

@@ -46,10 +46,9 @@ API:`fastdeploy.vision.FaceDetectionResult` , 该结果返回:
 KeyPointDetectionResult 代码定义在`fastdeploy/vision/common/result.h`中，用于表明图像中目标行为的各个关键点坐标和置信度。
 
 API:`fastdeploy.vision.KeyPointDetectionResult` , 该结果返回:
-- **keypoints**(list of list(float)): 成员变量，表示识别到的目标行为的关键点坐标。`keypoints.size()= N * J * 2`，
+- **keypoints**(list of list(float)): 成员变量，表示识别到的目标行为的关键点坐标。`keypoints.size()= N * J`，
     - `N`：图片中的目标数量
     - `J`：num_joints（一个目标的关键点数量）
-    - `3`:坐标信息[x, y]
 - **scores**(list of float): 成员变量，表示识别到的目标行为的关键点坐标的置信度。`scores.size()= N * J`
     - `N`：图片中的目标数量
     - `J`:num_joints（一个目标的关键点数量）

docs/api_docs/python/vision_results_en.md

@@ -49,10 +49,9 @@ API: `fastdeploy.vision.FaceDetectionResult`, The FaceDetectionResult will retur
 The KeyPointDetectionResult code is defined in `fastdeploy/vision/common/result.h` and is used to indicate the coordinates and confidence of each keypoint of the target behavior in the image.
 
 API:`fastdeploy.vision.KeyPointDetectionResult`, The KeyPointDetectionResult will return:
-- **keypoints**(list of list(float)): Member variable, representing the key point coordinates of the identified target behavior. `keypoints.size()= N * J * 2`，
+- **keypoints**(list of list(float)): Member variable, representing the key point coordinates of the identified target behavior. `keypoints.size()= N * J`，
     - `N`: number of objects in the picture
     - `J`: num_joints（number of keypoints for a target）
-    - `3`: 坐标信息[x, y]
 - **scores**(list of float): Member variable, representing the confidence of the keypoint coordinates of the recognized target behavior. `scores.size()= N * J`
     - `N`: number of objects in the picture
     - `J`: num_joints（number of keypoints for a target）

tests/models/test_ppyoloe.py

@@ -60,6 +60,7 @@ def test_detection_ppyoloe():
         assert diff_label_ids[scores > score_threshold].max(
         ) < 1e-04, "There's diff in label_ids."
 
+
 def test_detection_ppyoloe1():
     model_url = "https://bj.bcebos.com/paddlehub/fastdeploy/ppyoloe_crn_l_300e_coco.tgz"
     input_url1 = "https://gitee.com/paddlepaddle/PaddleDetection/raw/release/2.4/demo/000000014439.jpg"
@@ -75,15 +76,18 @@ def test_detection_ppyoloe1():
 
     preprocessor = fd.vision.detection.PaddleDetPreprocessor(config_file)
     postprocessor = fd.vision.detection.PaddleDetPostprocessor()
-    
+
     rc.test_option.set_model_path(model_file, params_file)
-    runtime = fd.Runtime(rc.test_option);
+    runtime = fd.Runtime(rc.test_option)
 
     # compare diff
     im1 = cv2.imread("./resources/000000014439.jpg")
     for i in range(2):
         input_tensors = preprocessor.run([im1])
-        output_tensors = runtime.infer({"image": input_tensors[0], "scale_factor": input_tensors[1]})
+        output_tensors = runtime.infer({
+            "image": input_tensors[0],
+            "scale_factor": input_tensors[1]
+        })
         results = postprocessor.run(output_tensors)
         result = results[0]
         with open("resources/ppyoloe_baseline.pkl", "rb") as f: