> ## 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.

# 将 ONNX 模型导出为 LiteRT

> 使用 ONNX → TensorFlow → LiteRT 转换路径,将 ONNX 模型转换为 LiteRT 格式,以便在 Qualcomm Dragonwing IoT 平台上部署。

您可以将 ONNX 模型转换为 LiteRT 格式,并针对设备端推理进行优化。将 ONNX 模型转换为 LiteRT 是一个两步过程:

**ONNX → TensorFlow (SavedModel) → LiteRT**

## 将 ONNX 模型转换为 TensorFlow

使用 `onnx-tf` 模块将 ONNX 模型转换为 TensorFlow SavedModel。这是常用且稳定的方法。

<Steps>
  <Step title="安装所需依赖">
    ```shell theme={null}
    pip install onnx onnx-tf tensorflow
    ```
  </Step>

  <Step title="将 ONNX 模型转换为 TensorFlow SavedModel 格式">
    ```shell theme={null}
    onnx_model_path=my_model.onnx
    tf_model_path=tf_model
    onnx-tf convert -i ${onnx_model_path} -o ${tf_model_path}
    ```
  </Step>
</Steps>

## 将 TensorFlow 转换为 LiteRT

将 TensorFlow SavedModel 转换为 LiteRT 格式:

```python theme={null}
import tensorflow as tf

converter = tf.lite.TFLiteConverter.from_saved_model("tf_model")
tflite_model = converter.convert()

with open("model.tflite", "wb") as f:
    f.write(tflite_model)
```

## 量化模型

要量化转换后的 LiteRT 模型以提升 NPU 上的性能,请参阅[使用全整数量化对模型进行量化](../topic/export-tf-model-litert#full-integer-quantization)。