通俗大白话总结先打个比方 你买了地平线 RDK X5 开发板有自己写好的模型或开源的模型如YOLO想在目标板上跑YOLO、目标检测这类 AI 模型。注意与PC端不同可以自己利用YOLO的工程直接在通用的CPU和GPU上运行YOLO模型。然而在嵌入式开发板上就不能这么顺利了YOLO的ONNX模型无法在专用硬件平台上运行没有 RDK Model Zoo你相当于拿到一堆零散零件没有说明书。你得自己到处查资料搞清楚模型怎么转、用什么命令、图片要什么格式、代码怎么写到处踩坑反复试错。有 RDK Model Zoo相当于厂商给你一套装好配件、能直接开机的标准样板套件。里面模型、转换脚本、运行代码全套配齐拿来就能跑你照着样板改一改就能换成自己的算法。它核心解决 4 大类现实痛点附带真实踩坑示例1. 痛点 1整条 AI 部署链路太长到处是坑没人给标准答案完整流程训练模型 → 导出 ONNX →PC 量化编译→ 开发板加载推理 → 图像预处理 → 后处理解析结果举例新手导出 ONNX随便丢给工具转换结果编译报错就算编译出 bin放到板子上推理识别结果完全错乱。原因不知道导出时要固定维度、不知道校准集怎么选、分不清归一化该写在 CPU 还是模型内部。✅ Model Zoo 怎么解决 每个算法YOLOv8、分割、姿态估计自带一套完整流水线 导出示范脚本 量化配置 yaml 板端推理代码。 你不用盲猜参数直接复制模板修改。2. 痛点 2地平线硬件不互通极易拿错模型、代码前面重点研究过 RDK X3 的.bin不能在 X5 运行X5 只用.bin不能跑车载.hbmX3 和 X5 推理 API 还不一样。举例有人从网上下载 X3 的 YOLO 模型直接拷贝到 X5 开发板运行直接报错模型解析失败折腾半天找不到原因。✅ Model Zoo 怎么解决 用 Git 分支严格分开rdk_x3、rdk_x5切 X5 分支配套 X5 代码、X5 专用预编译 bin切 X3 分支配套 X3 代码、X3 专用预编译 bin还提供 download.sh 脚本自动下载适配当前硬件的模型从源头避免模型混用。3. 痛点 3图像格式、前后处理不匹配精度对不齐最常见地平线摄像头原生输出 NV12 图像。很多人直接用RGB 格式喂模型画面还要额外转换速度变慢更麻烦PC 上模型识别正常放到开发板识别效果变差、框歪。大多是预处理逻辑不一致。举例 训练代码里归一化x/255部署时忘记加上或者缩放图像用了不同插值方式最终检测效果大打折扣。✅ Model Zoo 怎么解决 所有 Demo 统一规范 图片色域缩放、变换在 CPU 处理量化参数封进模型YOLO 解码、NMS 后处理提供标准实现。 形成一套对齐基准你只需要跟着这套规范写代码大幅减少精度调优时间。4. 痛点 4新手没有 “可运行样板”无从下手刚拿到开发板环境装好了但是不知道写什么代码验证 BPU 能不能正常工作。网上片段代码残缺不全缺模型、缺配置复制下来根本跑不通。✅ Model Zoo 怎么解决 极简上手路径plaintext克隆仓库 → 切换对应硬件分支 → 运行脚本下载预编译好的.bin模型 → 一行命令启动推理不用自己编译模型几分钟就能看到 AI 检测画面快速验证硬件环境是否正常。补充Model Zoo 解决不了什么避免期望过高不能把 X3 模型一键转换成 X5 模型仍然需要原始 ONNX 重新编译不提供网络训练代码只管【训练完成之后的部署环节】只支持主流开源模型极度自定义的特殊网络仍需要自己改造转换脚本RDK X5 版本不支持车载.hbm模型。概括RDK Model Zoo 是地平线为 RDK 系列开发板提供的标准化 AI 部署样例仓库。它解决开发者缺少完整工程样板、模型转换参数无参考、不同硬件平台代码与模型混用、前后处理逻辑难以对齐等一系列落地难题。 开发者可以直接运行仓库内现成算法案例验证硬件平台也可以复用仓库里的模型转换配置、推理代码模板快速迁移自研 AI 算法到开发板上减少大量重复试错工作。