diff --git a/utils/tal.py b/utils/tal.py
index cc76287..88d869c 100644
--- a/utils/tal.py
+++ b/utils/tal.py
@@ -18,8 +18,8 @@ def select_candidates_in_gts(xy_centers, gt_bboxes, eps=1e-9, roll_out=False):
     Return:
         (Tensor): shape(b, n_boxes, h*w)
     """  
-    """该函数的作用是通过码头坐标和真实框的位置信息，在所有anchor中选择位于真实框内部或者与其IoU大于阈值的anchor点，并返回一个(b, n_boxes, h*w)的张量表示所选择的anchor点。
-    下面对该函数的每句话代码进行注释和讲解："""
+    """该函数的作用是通过bbox坐标和真实框的位置信息，在所有anchor中选择位于真实框内部或者与其IoU大于阈值的anchor点，并返回一个(b, n_boxes, h*w)的张量表示所选择的anchor点"""
+    
     n_anchors = xy_centers.shape[0]
     bs, n_boxes, _ = gt_bboxes.shape  # 每个GT有多少个Anchor
     if roll_out:
@@ -103,7 +103,7 @@ def forward(self, pd_scores, pd_bboxes, anc_points, gt_labels, gt_bboxes, mask_g
             return (torch.full_like(pd_scores[..., 0], self.bg_idx).to(device), torch.zeros_like(pd_bboxes).to(device),
                     torch.zeros_like(pd_scores).to(device), torch.zeros_like(pd_scores[..., 0]).to(device),
                     torch.zeros_like(pd_scores[..., 0]).to(device))
-        # 获取正样本掩码，、匹配度、重叠度
+        # 获取正样本掩码、匹配度、重叠度
         mask_pos, align_metric, overlaps = self.get_pos_mask(pd_scores, pd_bboxes, gt_labels, gt_bboxes, anc_points,
                                                              mask_gt)
         # get target IOU match：解决一个anchor和多个GT框匹配问题
@@ -141,8 +141,8 @@ def get_box_metrics(self, pd_scores, pd_bboxes, gt_labels, gt_bboxes):
             overlaps = torch.empty((self.bs, self.n_max_boxes, pd_scores.shape[1]), device=pd_scores.device)
             ind_0 = torch.empty(self.n_max_boxes, dtype=torch.long)
             for b in range(self.bs):
-                """ gt_labes info --->improve (使用 roll_out 策略时，只计算那些被标签所覆盖的边框与 GT 之间的 CIoU,减少了计算量
-                而对于那些不被 ground truth 标签所覆盖的边框，将被舍弃，避免了计算冗余和过多内存消耗)   """
+                """ gt_labes info - (使用roll_out 策略时，只计算那些被标签所覆盖的边框与 GT 之间的 CIoU,减少了计算量
+                而对于那些不被 ground truth 标签所覆盖的边框，将被舍弃，避免计算冗余和过多内存消耗)   """
                 # form gt_label    
                 ind_0[:], ind_2 = b, gt_labels[b].squeeze(-1).long()   
                 # get the scores of each grid for each gt cls