diff --git a/mxVision/YoloV3Infer/CMakeLists.txt b/mxVision/YoloV3Infer/CMakeLists.txt
index c6073352143d847534f734b151e82d3a8c4968c2..490cbfeff672f3662108938a00d699f735badf06 100644
--- a/mxVision/YoloV3Infer/CMakeLists.txt
+++ b/mxVision/YoloV3Infer/CMakeLists.txt
@@ -4,8 +4,9 @@ project(mxbaseV2_sample)
 set(CMAKE_RUNTIME_OUTPUT_DIRECTORY "${CMAKE_CURRENT_SOURCE_DIR}")
 
 set(TARGET mxbaseV2_sample)
-add_compile_options(-std=c++11 -fPIE -fstack-protector-all -fPIC -Wl,-z,relro,-z,now,-z,noexecstack -s -pie -Wall)
+add_compile_options(-std=c++14 -fPIE -fstack-protector-all -fPIC -Wl,-z,relro,-z,now,-z,noexecstack -s -pie -Wall)
 add_definitions(-D_GLIBCXX_USE_CXX11_ABI=0 -Dgoogle=mindxsdk_private)
+set(CMAKE_EXE_LINKER_FLAGS "${CMAKE_EXE_LINKER_FLAGS} -Wl,--copy-dt-needed-entries")
 
 set(MX_SDK_HOME ${SDK安装路径})
 
diff --git a/mxVision/YoloV3Infer/README.md b/mxVision/YoloV3Infer/README.md
index 2dac5f6157a7021d9bd2fb7a1fafcc4649f45ea1..585bd3c51c6342aec1dd108f5acaee4ea046f1be 100644
--- a/mxVision/YoloV3Infer/README.md
+++ b/mxVision/YoloV3Infer/README.md
@@ -1,37 +1,32 @@
 # 基于C++ V2接口的yoloV3推理
 
-## 1 简介
-
-基于C++ V2接口的yoloV3推理样例使用mxVision SDK进行开发，以昇腾Atlas310P/310B卡为主要的硬件平台，主要支持以下功能：
+## 1 介绍
+### 1.1 简介
+本开发样例基于MindX SDK实现了基于C++ V2接口的yoloV3推理样例，主要支持以下功能：
 
 1. 图片读取解码：本样例支持JPG及PNG格式图片，使用图像处理单元进行解码。
 2. 图片缩放/保存：使用图像处理单元相关接口进行图片的缩放，并输出一份缩放后的副本保存。
 3. 模型推理：使用yoloV3网络识别输入图片中对应的目标，并打印输出大小。
 4. 模型后处理：使用SDK中的模型后处理插件对推理结果进行计算，并输出相关结果，
 
-## 2 环境依赖
-
-- 支持的硬件形态和操作系统版本
+### 1.2 支持的产品
 
-| 硬件形态                             | 操作系统版本   |
-| ----------------------------------- | -------------- |
-| x86_64+Atlas 310P 推理卡（型号3010） | Ubuntu 18.04.1 |
-| ARM+Atlas 310P 推理卡 （型号3000）   | Ubuntu 18.04.1 |
-| ARM+Atlas 310B 推理卡 （型号A500 A2、200DK A2）   | openEuler |
+本项目支持昇腾Atlas 300I pro、 Atlas300V pro
 
-- 软件依赖
+### 1.3 支持的版本
+本样例配套的MxVision版本、CANN版本、Driver/Firmware版本如下所示：
 
-| 软件名称 | 版本   |
-| -------- | ------ |
-| cmake    | 3.10+ |
-| mxVision | 5.0RC3    |
-| Python   | 3.9.2+  |
+| MxVision版本  | CANN版本  | Driver/Firmware版本  |
+| --------- | ------------------ | -------------- |
+| 6.0.RC3   | 8.0.RC3   |  24.1.RC3  |
 
+### 1.4 三方依赖
+无
 
 
-## 3 代码主要目录介绍
+### 1.5 代码目录结构说明
 
-本代码仓名称为mxSdkReferenceApps，工程目录如下图所示：
+本代码仓名称为YoloV3Infer，工程目录如下图所示：
 
 ```
 |-- YOLOV3CPPV2
@@ -43,20 +38,11 @@
 |   |-- model
 |   |   |-- yolov3_tf_bs1_fp16.cfg
 |   |   |-- aipp_yolov3_416_416.aippconfig
-|   |   |-- yolov3_tf_bs1_fp16.OM       #OM模型需要自行下载转换
+|   |   |-- yolov3_tf_bs1_fp16.OM       #OM模型需要按照手册下载并转换
 |   |   |-- yolov3.names
 
 ```
-## 4 模型获取
-
-**步骤1** 在ModelZoo上下载YOLOv3模型。[下载地址](https://gitee.com/link?target=https%3A%2F%2Fobs-9be7.obs.cn-east-2.myhuaweicloud.com%2F003_Atc_Models%2Fmodelzoo%2Fyolov3_tf.pb)
-
-**步骤2** 将获取到的YOLOv3模型pb文件存放至`./model/`。
-
-**步骤3** 模型转换
-
-在`./model/`目录下执行一下命令
-
+## 2. 设置环境变量
 ```bash
 # 设置CANN环境变量（请确认install_path路径是否正确）
 # Set environment PATH (Please confirm that the install_path is correct).
@@ -67,14 +53,33 @@ export PYTHONPATH=${install_path}/atc/python/site-packages:${install_path}/atc/p
 export LD_LIBRARY_PATH=${install_path}/atc/lib64:$LD_LIBRARY_PATH
 export ASCEND_OPP_PATH=${install_path}/opp
 
+#设置CANN环境变量
+. ${install_path}/set_env.sh
+
+#设置MindX SDK 环境变量，SDK-path为mxVision SDK 安装路径
+. ${SDK-path}/set_env.sh
+```
+
+
+## 3. 准备模型
+
+**步骤1** 在ModelZoo上下载YOLOv3模型。[下载地址](https://gitee.com/link?target=https%3A%2F%2Fobs-9be7.obs.cn-east-2.myhuaweicloud.com%2F003_Atc_Models%2Fmodelzoo%2Fyolov3_tf.pb)
+
+**步骤2** 将获取到的YOLOv3模型文件内的.pb文件存放至`YoloV3Infer/model/`下。
+
+**步骤3** 模型转换
+
+在`./model/`目录下执行以下命令
+
+```bash
 # 执行，转换YOLOv3模型
-# Execute, transform YOLOv3 model. 310P
 
+# Execute, transform YOLOv3 model. 310P
 atc --model=./yolov3_tf.pb --framework=3 --output=./yolov3_tf_bs1_fp16 --soc_version=Ascend310P3 --insert_op_conf=./aipp_yolov3_416_416.aippconfig --input_shape="input:1,416,416,3" --out_nodes="yolov3/yolov3_head/Conv_6/BiasAdd:0;yolov3/yolov3_head/Conv_14/BiasAdd:0;yolov3/yolov3_head/Conv_22/BiasAdd:0"
 
 # Execute, transform YOLOv3 model. 310B
-
 atc --model=./yolov3_tf.pb --framework=3 --output=./yolov3_tf_bs1_fp16 --soc_version=Ascend310B2 --insert_op_conf=./aipp_yolov3_416_416.aippconfig --input_shape="input:1,416,416,3" --out_nodes="yolov3/yolov3_head/Conv_6/BiasAdd:0;yolov3/yolov3_head/Conv_14/BiasAdd:0;yolov3/yolov3_head/Conv_22/BiasAdd:0"
+
 # 说明：out_nodes制定了输出节点的顺序，需要与模型后处理适配。
 ```
 
@@ -83,36 +88,22 @@ atc --model=./yolov3_tf.pb --framework=3 --output=./yolov3_tf_bs1_fp16 --soc_ver
 ATC start working now, please wait for a moment.
 ATC run success, welcome to the next use.
 ```
+表示命令执行成功。
 
 
-## 5 准备
-
-**步骤1：** MindX SDK安装前准备可参考《用户指南》，[安装教程](https://www.hiascend.com/document/detail/zh/mind-sdk/50rc2/vision/mxvisionug/mxvisionug_0006.html)
-
-**步骤2：** 配置 mxVision SDK 环境变量。
-
-`bash ${安装路径}/set_env.sh `
-
-注：mxVision SDK安装路径一般建议使用 /home/{$username}/MindX_SDK。
-
-**步骤3：** 准备模型，根据本文档上一章节转换样例需要的OM模型,并将模型保存到./model/目录下。
-
-**步骤4：** 修改配置根目录下的配置文件./CMakeLists.txt文件和run.sh脚本：
-
+## 4 编译与运行  
+**步骤1：** 修改配置根目录下的配置文件./CMakeLists.txt：
 1. 将所有“MX_SDK_HOME”字段中未配置的值替换为实际使用安装路径
 
-2. 检查Cmkaelist.txt中对应的include_directories和link_directories是否正确，包含使用相对目录的SDK路径和绝对路径的CANN路径
+2. 检查对应的include_directories和link_directories是否正确，包含使用相对目录的SDK路径和绝对路径的CANN路径
 
-3. 检查run.sh中的路径和文件是否正确，包含使用相对目录的SDK路径和需要推理的图片名。
+**步骤2：** 准备测试图片，在根目录下放置待测试图片，修改命名为test.jpg
 
-**步骤5：** 准备测试图片，在根目录下放置待测试图片，并修改run.sh中的文件名。
+**步骤3：** 检查配置根目录下的run.sh脚本中的路径和文件是否正确，包含使用相对目录的SDK路径和需要推理的图片名。
 
-## 5 运行
+**步骤4：** 执行运行脚本：
 
-- 简易运行样例
 > `bash run.sh`
-- 完成运行样例
-> 完成编译后，以测试图片作为参数运行生成的mxbaseV2_sample即可
 
-## 6 其他
-对于需要自行开发后处理的用户，请修改YoloV3PostProcess函数完成对应功能
\ No newline at end of file
+**步骤4：** 查看运行结果 执行完毕后，以测试图片作为参数运行的结果会保存为result.jpg和resized_yolov3_416.jpg。 
+
diff --git a/tutorials/ImageDetectionSample/C++/CMakeLists.txt b/tutorials/ImageDetectionSample/C++/CMakeLists.txt
index 18220261062c176b5698b0bfa6cc4679f9ef90b2..e3e2495868f501a2a2f9116a2af95701addef357 100644
--- a/tutorials/ImageDetectionSample/C++/CMakeLists.txt
+++ b/tutorials/ImageDetectionSample/C++/CMakeLists.txt
@@ -6,6 +6,7 @@ add_definitions(-D_GLIBCXX_USE_CXX11_ABI=0 -Dgoogle=mindxsdk_private)
 
 set(MX_SDK_HOME ${SDK安装路径})
 set(CMAKE_RUNTIME_OUTPUT_DIRECTORY "${CMAKE_CURRENT_SOURCE_DIR}/")
+set(CMAKE_EXE_LINKER_FLAGS "${CMAKE_EXE_LINKER_FLAGS} -Wl,--copy-dt-needed-entries")
 
 include_directories(
         ${MX_SDK_HOME}/include
@@ -16,6 +17,7 @@ include_directories(
 link_directories(
         ${MX_SDK_HOME}/lib
         ${MX_SDK_HOME}/opensource/lib
+        /usr/local/Ascend/ascend-toolkit/latest/aarch64-linux/lib64/
 )
 
 add_executable(sample main.cpp)
diff --git a/tutorials/ImageDetectionSample/C++/README.md b/tutorials/ImageDetectionSample/C++/README.md
index 229a8ebb7f65023ea5b0a41295ceb739b507edb1..7068aa7fd2a3d678fb22fbd278a839081a17db28 100644
--- a/tutorials/ImageDetectionSample/C++/README.md
+++ b/tutorials/ImageDetectionSample/C++/README.md
@@ -1,32 +1,27 @@
-# 图像检测样例命令行运行
+# YOLOv3目标检测样例
 
-## 介绍
+## 1 介绍
+### 1.1 简介
+本开发样例基于MindX SDK实现了对本地图片进行YOLOv3目标检测，生成可视化结果。
 
-提供的sample样例，实现对本地图片进行YOLOv3目标检测，生成可视化结果。
+### 1.2 支持的产品
 
-### 支持的版本
+本项目支持昇腾Atlas 300I pro、 Atlas300V pro
 
+### 1.3 支持的版本
 本样例配套的MxVision版本、CANN版本、Driver/Firmware版本如下所示：
-| MxVision版本  | CANN版本  | Driver/Firmware版本  |
-| --------- | ------------------ | -------------- | 
-| 5.0.0 | 7.0.0   |  23.0.0  | 
-
-### 准备工作
-
-> 模型转换
-
-步骤1 在
-
-**步骤1** 在ModelZoo上下载YOLOv3模型。[下载地址](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/contrib/ActionRecognition/ATC%20YOLOv3%28FP16%29%20from%20TensorFlow%20-%20Ascend310.zip)
 
-**步骤2** 将获取到的YOLOv3模型pb文件存放至："样例项目所在目录/model/"。
+| MxVision版本  | CANN版本  | Driver/Firmware版本  |
+| --------- | ------------------ | -------------- |
+| 6.0.RC3   | 8.0.RC3   |  24.1.RC3  |
 
-**步骤3** 模型转换
+### 1.4 三方依赖
+无
 
-在pb文件所在目录下执行一下命令
+## 2. 设置环境变量
 
-```
-# 设置环境变量（请确认install_path路径是否正确）
+```bash
+# 设置CANN环境变量（请确认install_path路径是否正确）
 # Set environment PATH (Please confirm that the install_path is correct).
 
 export install_path=/usr/local/Ascend/ascend-toolkit/latest
@@ -35,23 +30,69 @@ export PYTHONPATH=${install_path}/atc/python/site-packages:${install_path}/atc/p
 export LD_LIBRARY_PATH=${install_path}/atc/lib64:$LD_LIBRARY_PATH
 export ASCEND_OPP_PATH=${install_path}/opp
 
-# 执行，转换YOLOv3模型
-# Execute, transform YOLOv3 model.
+#设置CANN环境变量
+. ${install_path}/set_env.sh
+
+#设置MindX SDK 环境变量，SDK-path为mxVision SDK 安装路径
+. ${SDK-path}/set_env.sh
+```
 
-atc --model=./yolov3_tf.pb --framework=3 --output=./yolov3_tf_bs1_fp16 --soc_version=Ascend310 --insert_op_conf=./aipp_yolov3_416_416.aippconfig --input_shape="input:1,416,416,3" --out_nodes="yolov3/yolov3_head/Conv_6/BiasAdd:0;yolov3/yolov3_head/Conv_14/BiasAdd:0;yolov3/yolov3_head/Conv_22/BiasAdd:0"
-# 说明：out_nodes制定了输出节点的顺序，需要与模型后处理适配。
 ```
+# 执行如下命令，打开.bashrc文件
+vi .bashrc
+# 在.bashrc文件中添加以下环境变量
+MX_SDK_HOME=${SDK安装路径}
+
+LD_LIBRARY_PATH=${MX_SDK_HOME}/lib:${MX_SDK_HOME}/opensource/lib:${MX_SDK_HOME}/opensource/lib64:/usr/local/Ascend/ascend-toolkit/latest/acllib/lib64:/usr/local/Ascend/driver/lib64/
+
+GST_PLUGIN_SCANNER=${MX_SDK_HOME}/opensource/libexec/gstreamer-1.0/gst-plugin-scanner
+
+GST_PLUGIN_PATH=${MX_SDK_HOME}/opensource/lib/gstreamer-1.0:${MX_SDK_HOME}/lib/plugins
+
+# 保存退出.bashrc文件
+# 执行如下命令使环境变量生效
+source ~/.bashrc
+
+#查看环境变量
+env
+```
+
+
+
+## 3. 准备模型
 
-执行完模型转换脚本后，会生成相应的.om模型文件。 执行完模型转换脚本后，会生成相应的.om模型文件。
+**步骤1** 在ModelZoo上下载YOLOv3模型。[下载地址](https://gitee.com/link?target=https%3A%2F%2Fobs-9be7.obs.cn-east-2.myhuaweicloud.com%2F003_Atc_Models%2Fmodelzoo%2Fyolov3_tf.pb)
 
-模型转换使用了ATC工具，如需更多信息请参考:
+**步骤2** 将获取到的YOLOv3模型文件内的.pb文件存放至`ImageDetectionSample/C++/model/`下。
 
- https://gitee.com/ascend/docs-openmind/blob/master/guide/mindx/sdk/tutorials/%E5%8F%82%E8%80%83%E8%B5%84%E6%96%99.md
+**步骤3** 使用ATC执行模型转换
 
-> 配置pipeline
+因为ATC在识别`--model`路径时无法识别`/C++/`中的`+`, 因此建议通过执行下面的指令先将路径更改为`/C/`:
+在`ImageDetectionSample/`下执行：
+```bash
+mv ./C++ ./C
+```
+
+在`model/`目录下执行以下命令
+
+```bash
+# 执行，转换YOLOv3模型
+# Execute, transform YOLOv3 model.
+
+atc --model=./yolov3_tf.pb --framework=3 --output=./yolov3_tf_bs1_fp16 --soc_version=Ascend310P3 --insert_op_conf=./aipp_yolov3_416_416.aippconfig --input_shape="input:1,416,416,3" --out_nodes="yolov3/yolov3_head/Conv_6/BiasAdd:0;yolov3/yolov3_head/Conv_14/BiasAdd:0;yolov3/yolov3_head/Conv_22/BiasAdd:0"
+# 说明：out_nodes制定了输出节点的顺序，需要与模型后处理适配。
+```
+执行完模型转换脚本后，会生成相应的.om模型文件。执行后终端输出为：
+```bash
+ATC start working now, please wait for a moment.
+ATC run success, welcome to the next use.
+```
+表示命令执行成功。
 
-配置mxpi_tensorinfer插件的模型加载路径`modelPath`
+## 4 编译与运行
+**步骤1：** 修改配置文件./test.pipeline：
 
+1. 配置mxpi_tensorinfer插件的模型加载路径`modelPath`:
 ```
 "mxpi_tensorinfer0": {
             "props": {
@@ -62,17 +103,17 @@ atc --model=./yolov3_tf.pb --framework=3 --output=./yolov3_tf_bs1_fp16 --soc_ver
             "next": "mxpi_objectpostprocessor0"
         },
 ```
-
 配置模型后处理插件mxpi_objectpostprocessor，`postProcessLibPath`的后处理库路径，路径根据SDK安装路径决定，可以通过`find -name libyolov3postprocess.so`搜索路径。
 
-- eg: SDK安装路径/mxVision/lib/modelpostprocessors/libyolov3pos
+2. 配置`coco.names`与 `libyolov3postprocess.so`路径:
 
+文件`coco.names`来源于下载的模型文件夹内。
 ```
 "mxpi_objectpostprocessor0": {
             "props": {
                 "dataSource": "mxpi_tensorinfer0",
                 "postProcessConfigPath": "model/yolov3_tf_bs1_fp16.cfg",
-                "labelPath": "${SDK安装路径}/samples/mxVision/models/yolov3/coco.names",
+                "labelPath": "${YOLOv3模型文件夹路径}/coco.names",
                 "postProcessLibPath": "${libyolov3postprocess.so路径}"
             },
             "factory": "mxpi_objectpostprocessor",
@@ -80,48 +121,33 @@ atc --model=./yolov3_tf.pb --framework=3 --output=./yolov3_tf_bs1_fp16 --soc_ver
         },
 ```
 
-### 配置环境变量
+**步骤2：** 配置CMakeLists.txt文件中的`MX_SDK_HOME`环境变量:
 
 ```
-# 执行如下命令，打开.bashrc文件
-vi .bashrc
-# 在.bashrc文件中添加以下环境变量
-MX_SDK_HOME=${SDK安装路径}
-
-LD_LIBRARY_PATH=${MX_SDK_HOME}/lib:${MX_SDK_HOME}/opensource/lib:${MX_SDK_HOME}/opensource/lib64:/usr/local/Ascend/ascend-toolkit/latest/acllib/lib64:/usr/local/Ascend/driver/lib64/
-
-GST_PLUGIN_SCANNER=${MX_SDK_HOME}/opensource/libexec/gstreamer-1.0/gst-plugin-scanner
-
-GST_PLUGIN_PATH=${MX_SDK_HOME}/opensource/lib/gstreamer-1.0:${MX_SDK_HOME}/lib/plugins
-
-# 保存退出.bashrc文件
-# 执行如下命令使环境变量生效
-source ~/.bashrc
-
-#查看环境变量
-env
+set(MX_SDK_HOME ${SDK安装路径})
 ```
 
-### 配置SDK路径
 
-配置CMakeLists.txt文件中的`MX_SDK_HOME`环境变量
-
-```
-set(MX_SDK_HOME ${SDK安装路径}/mxVision)
-```
+**步骤3：** 编译项目文件
 
-### 编译项目文件
 
 新建立build目录，进入build执行cmake ..（..代表包含CMakeLists.txt的源文件父目录），在build目录下生成了编译需要的Makefile和中间文件。执行make构建工程，构建成功后就会生成可执行文件。
 
 ```
+# 新建立build目录
 mkdir build
 
+#进入build
 cd build
 
+# 执行
 cmake ..
 
+# 执行make构建工程
 make
+```
+构建成功后就会生成可执行文件，回显为：
+```
 Scanning dependencies of target sample
 [ 50%] Building CXX object CMakeFiles/sample.dir/main.cpp.o
 [100%] Linking CXX executable ../sample
@@ -129,15 +155,18 @@ Scanning dependencies of target sample
 # sample就是CMakeLists文件中指定生成的可执行文件。
 ```
 
-### 执行脚本
+**步骤4：** 执行脚本
 
 执行run.sh脚本前请先确认可执行文件sample已生成。
 
 ```
-chmod +x run.sh
+# 添加执行权限
+chmod +x run.sh 
+
+#执行脚本
 bash run.sh
 ```
 
-### 查看结果
+**步骤5：** 查看结果
 
 执行run.sh完毕后，sample会将目标检测结果保存在工程目录下`result.jpg`中。
\ No newline at end of file