> ## Documentation Index
> Fetch the complete documentation index at: https://dragonwingdocs.qualcomm.com/llms.txt
> Use this file to discover all available pages before exploring further.

# 部署 LiteRT 模型

> 使用 label_image 示例应用程序、C++ API 或 Qualcomm IM SDK 部署 LiteRT 模型。

您可以使用预编译的 `label_image` 示例应用程序、LiteRT C++ API 或 Qualcomm IM SDK 的 `gst-ai-classification` 管道，在 Qualcomm 开发套件上运行 LiteRT 模型。

<Note>
  部署之前，请确保您已完成[前提条件和模型设置](../topic/benchmark-a-litert-model#prerequisites)。
</Note>

## 作为原生应用程序部署

`label_image` 示例应用程序是 TensorFlow 仓库的一部分，与 LiteRT 库交叉编译并安装在目标设备上。它加载一个分类 LiteRT 模型，并使用委托（delegate）对图像执行推理。

**使用 XNNPACK 委托在 CPU 上运行：**

```shell theme={null}
label_image -l /home/ubuntu/artifacts/labels.txt \
            -i /home/ubuntu/artifacts/grace_hopper.bmp \
            -m /home/ubuntu/artifacts/mobilenet_v1_1.0_224_quant.tflite \
            -c 10 \
            -p 1 \
            --xnnpack_delegate 1
```

**使用 GPU 委托在 GPU 上运行：**

```shell theme={null}
label_image -l /home/ubuntu/artifacts/labels.txt \
            -i /home/ubuntu/artifacts/grace_hopper.bmp \
            -m /home/ubuntu/artifacts/mobilenet_v1_1.0_224.tflite \
            -c 10 \
            -p 1 \
            --gl_backend 1
```

有关源代码，请参阅 [TensorFlow GitHub 仓库中的 label\_image 示例](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/lite/examples/label_image)。

## 作为 C++ 应用程序部署

下图显示了创建 C++ 应用程序以运行 LiteRT 模型所涉及的步骤：

<Frame caption="创建 C++ 应用程序并运行 LiteRT 模型的工作流">
  <img src="https://mintlify.s3.us-west-1.amazonaws.com/qualcomm-prod/zh/AI-Developer-Workflow-Ubuntu/_images/litert-create-app-workflow.png" alt="创建 C++ 应用程序并运行 LiteRT 模型的工作流" />
</Frame>

### 加载 LiteRT 模型

LiteRT 模型是一个 FlatBuffers 文件，包含模型算子、权重和偏置。使用以下 API 加载模型以进行推理：

```cpp theme={null}
#include <cstdio>
#include <iostream>
#include "tensorflow/lite/interpreter.h"
#include "tensorflow/lite/kernels/register.h"
#include "tensorflow/lite/model.h"
#include "tensorflow/lite/optional_debug_tools.h"

std::unique_ptr<tflite::FlatBufferModel> model;

model = tflite::FlatBufferModel::BuildFromFile(model_name.c_str());

if (!model) {
    std::cerr << "Failed to mmap model " << model_name << std::endl;
    exit(-1);
}
```

### 创建 LiteRT 解释器

解释器在所选委托上配置模型执行，并为前向传播分配内存：

```cpp theme={null}
tflite::ops::builtin::BuiltinOpResolver resolver;
tflite::InterpreterBuilder builder(*model, resolver);
std::unique_ptr<tflite::Interpreter> interpreter;
builder(&interpreter);

if (!interpreter) {
    std::cerr << "Failed to construct interpreter on provided tflite model" << std::endl;
}
if (interpreter->AllocateTensors() != kTfLiteOk) {
    std::cerr << "Failed to allocate tensors!" << std::endl;
    exit(-1);
}
```

### 使用委托准备模型

以下示例创建 XNNPACK 委托，用于在 Arm® CPU 上运行 LiteRT 模型：

```cpp theme={null}
TfLiteXNNPackDelegateOptions xnnpack_options = TfLiteXNNPackDelegateOptionsDefault();
xnnpack_options.num_threads = num_threads;

TfLiteDelegate* xnnpack_delegate = TfLiteXNNPackDelegateCreate(&xnnpack_options);
if (interpreter->ModifyGraphWithDelegate(xnnpack_delegate) != kTfLiteOk) {
    // Report error and fall back to another delegate, or the default backend
}
```

### 准备输入/输出缓冲区

在运行推理之前，请对输入数据（例如摄像头帧）进行预处理，使其符合模型期望的格式。常见的预处理步骤包括：

* 将输入图像调整为模型期望的分辨率
* 归一化
* 均值减除

### 运行推理

使用 `Invoke()` API 运行推理。完成后，从解释器中解析输出张量：

```cpp theme={null}
interpreter->Invoke();
```

有关完整示例，请参阅 [TensorFlow GitHub 仓库中的 label\_image 示例](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/lite/examples/label_image)。

有关更多信息，请参阅 [LiteRT 文档](https://ai.google.dev/edge/litert)。

## 使用 Qualcomm IM SDK 部署

`gst-ai-classification` 示例应用程序使用 Qualcomm IM SDK 插件，在具备硬件加速的 Qualcomm 开发套件上运行 LiteRT 分类模型。

该管道从摄像头接收视频流，执行预处理，在 AI 硬件上运行推理，并显示结果：

<Frame caption="使用 Qualcomm IM SDK 的 LiteRT 模型管道">
  <img src="https://mintlify.s3.us-west-1.amazonaws.com/qualcomm-prod/zh/AI-Developer-Workflow-Ubuntu/_images/litert-imsdk-workflow.jpeg" alt="Qualcomm Linux 上使用 Qualcomm IM SDK 的 LiteRT 模型管道" />
</Frame>

`gst-ai-classification` 应用程序会：

<Steps>
  <Step title="打开 IMX577 摄像头">
    以指定的分辨率和帧率（例如 1080p、30 fps）打开 IMX577 摄像头。
  </Step>

  <Step title="预处理每一帧摄像头图像">
    对每一帧摄像头图像进行预处理——缩小到 224×224，并根据模型要求进行归一化。
  </Step>

  <Step title="加载模型并运行推理">
    加载 LiteRT 分类模型，并使用 `qtimltflite` 插件运行推理。
  </Step>

  <Step title="提取预测得分最高的标签">
    从输出张量中提取预测概率最高的标签。
  </Step>

  <Step title="叠加并显示结果">
    将推理结果叠加在原始摄像头帧上，并显示在连接的显示器上。
  </Step>
</Steps>

### 下载模型和标签文件

<Steps>
  <Step title="下载 Inception-v3 量化模型">
    访问 [Qualcomm AI Hub](https://aihub.qualcomm.com/models/inception_v3?searchTerm=ince\&chipsets=qualcomm-qcs6490-proxy)，下载 Inception-v3 量化模型。
  </Step>

  <Step title="下载标签文件">
    ```shell theme={null}
    curl -L -O https://raw.githubusercontent.com/qualcomm/sample-apps-for-qualcomm-linux/refs/heads/main/artifacts/json_labels/classification.json
    ```
  </Step>

  <Step title="在目标设备上创建所需的目录">
    ```shell theme={null}
    ssh ubuntu@<IP_ADDRESS_OF_TARGET_DEVICE>
    ```

    ```shell theme={null}
    sudo mkdir -p /etc/models /etc/labels /etc/media
    ```

    ```shell theme={null}
    exit
    ```
  </Step>

  <Step title="将模型和标签文件复制到设备">
    ```shell theme={null}
    scp classification.json ubuntu@<IP_ADDRESS_OF_TARGET_DEVICE>:/home/ubuntu/
    ssh ubuntu@<ip-address>
    cp /home/ubuntu/classification.json /etc/labels/
    exit
    ```

    ```shell theme={null}
    scp inception_v3-inception-v3-w8a8.tflite ubuntu@<IP_ADDRESS_OF_TARGET_DEVICE>:/home/ubuntu/
    ssh ubuntu@<ip-address>
    cp inception_v3-inception-v3-w8a8.tflite /etc/models/
    exit
    ```
  </Step>
</Steps>

### 运行示例应用程序

<Steps>
  <Step title="使用 SSH 登录目标设备">
    ```shell theme={null}
    ssh ubuntu@<IP_ADDRESS_OF_TARGET_DEVICE>
    ```
  </Step>

  <Step title="编辑 config_classification.json 配置文件">
    ```json theme={null}
    {
      "file-path": "/etc/media/video.mp4",
      "ml-framework": "tflite",
      "model": "/etc/models/inception_v3-inception-v3-w8a8.tflite",
      "labels": "/etc/labels/classification.json",
      "threshold": 40,
      "runtime": "dsp",
      "output-type": "waylandsink"
    }
    ```
  </Step>

  <Step title="下载视频文件并复制到设备">
    下载[视频文件](https://github.com/qualcomm/sample-apps-for-qualcomm-linux/raw/refs/heads/main/qualcomm-linux/artifacts/videos/video.mp4)，并将其复制到设备上的 `/etc/media/video.mp4`。
  </Step>

  <Step title="运行分类示例应用程序">
    ```shell theme={null}
    gst-ai-classification --config-file=/etc/configs/config_classification.json
    ```

    要停止应用程序，请按 `Ctrl+C`。
  </Step>
</Steps>

运行时，应用程序会在连接的显示器上显示视频流，并在每一帧上叠加推理结果。