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

## 部署为原生应用程序

`label_image` 示例应用程序是 TensorFlow 仓库的一部分，已使用 LiteRT 库交叉编译并安装在目标设备上。它加载一个 LiteRT 分类模型，并使用 delegate 对图片执行推理。

**使用 XNNPACK delegate 在 CPU 上运行：**

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

**使用 GPU delegate 在 GPU 上运行：**

```shell theme={null}
label_image -l /etc/artifacts/labels.txt \
            -i /etc/artifacts/grace_hopper.bmp \
            -m /etc/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)。

## 部署为 C++ 应用程序

下图显示了创建 C++ 应用程序以运行 LiteRT 模型的步骤：

<Frame caption="创建 C++ 应用程序并运行 LiteRT 模型的工作流">
  <img src="https://mintcdn.com/qualcomm-prod/L-jqwrTTz49ZAgVX/Key-Documents/AI-Developer-Workflow/_images/litert-create-app-workflow.png?fit=max&auto=format&n=L-jqwrTTz49ZAgVX&q=85&s=4e4709c64ca51119457234faf3226072" alt="创建 C++ 应用程序并运行 LiteRT 模型的工作流" width="1390" height="113" data-path="Key-Documents/AI-Developer-Workflow/_images/litert-create-app-workflow.png" />
</Frame>

### 加载 LiteRT 模型

LiteRT 模型是一个包含模型算子、权重和偏置的 FlatBuffers 文件。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

解释器配置模型在所选 delegate 上的执行，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 delegate 准备模型

以下示例创建 XNNPACK delegate，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，以匹配模型期望的格式。常见的预处理步骤包括：

* 将输入图像缩放到模型期望的分辨率
* 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 Qualcomm 开发套件上以硬件加速方式运行 LiteRT 分类模型。

管道接收来自摄像头的视频流，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://mintcdn.com/qualcomm-prod/L-jqwrTTz49ZAgVX/Key-Documents/AI-Developer-Workflow/_images/litert-imsdk-workflow.jpeg?fit=max&auto=format&n=L-jqwrTTz49ZAgVX&q=85&s=a3b33920706ed6d2ad035d4a24ac3853" alt="在 Qualcomm Linux 上使用 Qualcomm IM SDK 的 LiteRT 模型管道" width="1433" height="446" data-path="Key-Documents/AI-Developer-Workflow/_images/litert-imsdk-workflow.jpeg" />
</Frame>

`gst-ai-classification` 应用程序：

1. 以指定的分辨率和帧率（例如 1080p、30 fps）打开 IMX577 摄像头。
2. 对每个摄像头帧进行预处理——缩小到 224×224 并根据模型要求进行归一化。
3. 加载 LiteRT 分类模型，并使用 `qtimltflite` 插件运行推理。
4. 从输出张量中提取预测概率最高的标签。
5. 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。

### 下载模型和标签文件

1. 前往 [Qualcomm AI Hub](https://aihub.qualcomm.com/models/inception_v3?searchTerm=ince\&chipsets=qualcomm-qcs6490-proxy) 并下载 Inception-v3 量化模型。

2. 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
   ```

3. 在目标设备上，创建所需目录：

   ```shell theme={null}
   ssh root@<IP_ADDRESS_OF_TARGET_DEVICE>
   ```

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

   ```shell theme={null}
   exit
   ```

4. 将模型和标签文件复制到设备：

   ```shell theme={null}
   scp classification.json root@<IP_ADDRESS_OF_TARGET_DEVICE>:/etc/labels
   ```

   ```shell theme={null}
   scp inception_v3-inception-v3-w8a8.tflite root@<IP_ADDRESS_OF_TARGET_DEVICE>:/etc/models
   ```

### 运行示例应用程序

1. 使用 SSH 登录目标设备：

   ```shell theme={null}
   ssh root@<IP_ADDRESS_OF_TARGET_DEVICE>
   ```

2. 编辑 `/etc/configs/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"
   }
   ```

3. 将一个视频文件复制到设备上的 `/etc/media/video.mp4`。

4. 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`。

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。