需要对转换的onnx模型进行验证，这个是yolov8官方的转换工具，相信官方无需onnx模型的推理验证。这部分可以基于yolov5的模型转转换进行修改，本人的测试就是将yolov5的复制出来一份进行的修改。当前的测试也是基于Python的yolov5版本修改的，模型和测试路径如下。当前的测试也是基于C++的yolov5版本修改的，模型和测试路径如下。使用的转换脚本是yolov8官方的转换脚本。

由于x3派支持的版本限制需要降低onnx版本,左侧原版，右侧是降低版本后的，将降低后的复制到onnx模型转x3派的路径下进行模型转换。左侧书输入的图像右侧是输出的解雇图片，白色的位置表示检测到的问题。配置上述上述步骤中生成的降低onnx版本后的onnx模型。配置上述上述步骤中生成的降低onnx版本后的onnx模型。修改配置文件04_inference.sh。配置输入输出的模型路径和模型的名称。配置

基于Ultra的车道线检测在地平线旭日X3派上的部署和测试（Python版本和C++版本）

代码和虚拟机百度网盘链接：链接：https://pan.baidu.com/s/1Y6YOZ2CkVyOGlf5xkN67Lw提取码：lry2参考：基于UltraFace的人脸检测在地平线旭日X3派上的部署和测试（Python版本和C++版本）---金书世界。

由于原模型的后处理部分存在在X3板端运行报错的问题需要修改源码，修改如下。将上述转换出来的onnx模型复制到X3的模型转换路径下。修改如下（使用一下代码替换原forward函数）模型转换运行脚本02_preprocess.sh。搭建模型转换的环境和修改配置文件完成模型转换。模型转换运行脚本01_check.sh。修改文件、配置模型路径（当前无需修改）模型转换运行脚本03_build.sh。将模型复

yolov11n的模型转换和在RV1126B板端的测试

摘要：该项目为跳一跳游戏AI辅助工具，包含模型训练和游戏操作两部分。通过YOLOv5s模型在自定义COCO数据集上进行训练（训练命令示例给出），样本存放在工程文件指定路径。使用时需先打开PC端跳一跳小程序，运行detect_TYT.py脚本即可实现自动游戏操作。工具通过网盘分享（含提取码），包含完整的工程文件和训练样本，适用于单GPU设备训练（device0）。

测试结果模型输出路径适配板端需要修改文件需要修改yolov5的检查头部分，以及模型导出部分，注意下面只是简单修改测试，只用于模型导出。export.py导出模型。

由于原模型的后处理部分存在在X3板端运行报错的问题需要修改源码，修改如下。将上述转换出来的onnx模型复制到X3的模型转换路径下。修改如下（使用一下代码替换原forward函数）模型转换运行脚本02_preprocess.sh。搭建模型转换的环境和修改配置文件完成模型转换。模型转换运行脚本01_check.sh。修改文件、配置模型路径（当前无需修改）模型转换运行脚本03_build.sh。将模型复

由于x3派支持的版本限制需要降低onnx版本,左侧原版，右侧是降低版本后的，将降低后的复制到onnx模型转x3派的路径下进行模型转换。左侧书输入的图像右侧是输出的解雇图片，白色的位置表示检测到的问题。配置上述上述步骤中生成的降低onnx版本后的onnx模型。配置上述上述步骤中生成的降低onnx版本后的onnx模型。修改配置文件04_inference.sh。配置输入输出的模型路径和模型的名称。配置