Baike.dev
All toolsOnline toolsAI codingTrendingOpen sourceNewsSubmit
Log in
< Back to tools
P

Paddle-Lite-Demo

> 编程语言
Open source

lib, demo, model, data

798 stars0 likes0 views
WebsiteGitHub

About

lib, demo, model, data

Paddle-Lite-Demo

Paddle-Lite 提供了多个应用场景的 demo，并支持 Android、iOS 和 ArmLinux 三个平台：

  • 图像分类
    • 基于 mobilenet_v1 模型
      • Android 示例
      • iOS 示例
      • ArmLinux 示例
  • 目标检测
    • 基于 ssd_mobilenetv1 模型
      • Android 示例
      • iOS 示例
    • 基于 yolov3_mobilenet_v3 模型
      • Android 示例
      • iOS 示例
    • 基于 yolov5 模型
      • Android 示例
      • iOS 示例
    • 基于 pp_picodet 模型
      • Android 示例
      • iOS 示例
  • 文字识别
    • 基于 pp_ocr_det、pp_ocr_rec 和 pp_ocr_cls 模型
      • Android 示例
      • iOS 示例
  • 人脸检测
    • 基于 face-detection 模型
      • Android 示例
      • iOS 示例
  • 人脸关键点检测
    • 基于 face-detection 和 face-keypoint 模型
      • Android 示例
      • iOS 示例
  • 姿态检测
    • 基于 pp_tinypose 模型
      • ArmLinux 示例
  • 口罩识别
    • 基于 pyramidbox + mask_detect 模型
      • Android 示例
  • 人像分割
    • 基于 DeeplabV3 模型
      • Android 示例
      • iOS 示例
  • PP 识图
    • 基于 PPLCNet 两个模型模型
      • Android 示例
      • iOS 示例

关于 Paddle-Lite 更多示例，请参考如下文档链接：

  • 文档官网
  • Android apps [图像分类] [目标检测] [口罩检测] [人脸关键点] [人像分割]
  • iOS apps
  • Linux apps
  • Arm
  • x86
  • OpenCL
  • Metal
  • 华为麒麟 NPU
  • 华为昇腾 NPU
  • 昆仑芯 XPU
  • 昆仑芯 XTCL
  • 高通 QNN
  • 寒武纪 MLU
  • (瑞芯微/晶晨/恩智浦) 芯原 TIM-VX
  • Android NNAPI
  • 联发科 APU
  • 颖脉 NNA
  • Intel OpenVINO
  • 亿智 NPU

要求

  • iOS

    • macOS+Xcode，已验证的环境：Xcode Version 11.5 (11E608c) on macOS Catalina(10.15.5)
    • Xcode 11.3会报"Invalid bitcode version ..."的编译错误，请将Xcode升级到11.4及以上的版本后重新编译
    • 对于ios 12.x版本，如果提示“xxx. which may not be supported by this version of Xcode”，请下载对应的工具包, 下载完成后解压放到/Applications/Xcode.app/Contents/Developer/Platforms/iPhoneOS.platform/DeviceSupport目录，重启xcode

  • Android

    • Android Studio 4.2；
    • adb调试工具；
    • Android手机或开发版；
    • 华为手机支持NPU的 Demo（NPU的功能暂时只在nova5、mate30和mate30 5G上进行了测试，用户可自行尝试其它搭载了麒麟810和990芯片的华为手机（如nova5i pro、mate30 pro、荣耀v30，mate40或p40，且需要将系统更新到最新版）

  • ARMLinux

    • RK3399（Ubuntu 18.04） 或 树莓派3B（Raspbian Buster with desktop），暂时验证了这两个软、硬件环境，其它平台用户可自行尝试；
    • 支持树莓派 3B 摄像头采集图像，具体参考树莓派 3B 摄像头安装与测试
    • gcc g++ opencv cmake的安装（以下所有命令均在设备上操作）
    bash
    $ sudo apt-get update
$ sudo apt-get install gcc g++ make wget unzip libopencv-dev pkg-config
$ wget https://www.cmake.org/files/v3.10/cmake-3.10.3.tar.gz
$ tar -zxvf cmake-3.10.3.tar.gz
$ cd cmake-3.10.3
$ ./configure
$ make
$ sudo make install

安装

$ git clone https://github.com/PaddlePaddle/Paddle-Lite-Demo

  • iOS

    • 在PaddleLite-ios-demo目录下执行download_dependencies.sh脚本，该脚本会离线下载并解压ios demo所需要的依赖， 包括paddle-lite 预测库，demo所需要的模型，opencv framework
    bash
    $ chmod +x download_dependencies.sh
$ ./download_dependencies.sh
    • 打开xcode，点击“Open another project…”打开Paddle-Lite-Demo/PaddleLite-ios-demo/ios-xxx_demo/目录下的xcode工程；
    • 在选中左上角“project navigator”，选择“classification_demo”，修改“General”信息；
    • 插入ios真机（已验证：iphone8， iphonexr），选择Device为插入的真机；
    • 点击左上角“build and run”按钮；

  • Android

    • 打开Android Studio，在"Welcome to Android Studio"窗口点击"Open an existing Android Studio project"，在弹出的路径选择窗口中进入"image_classification_demo"目录，然后点击右下角的"Open"按钮即可导入工程
    • 通过USB连接Android手机或开发板；
    • 载入工程后，点击菜单栏的Run->Run 'App'按钮，在弹出的"Select Deployment Target"窗口选择已经连接的Android设备（连接失败请检查本机adb工具是否正常），然后点击"OK"按钮；
    • 由于Demo所用到的库和模型均通过app/build.gradle脚本在线下载，因此，第一次编译耗时较长（取决于网络下载速度），请耐心等待；
    • 对于图像分类Demo，如果库和模型下载失败，建议手动下载并拷贝到相应目录下：
      1. paddle_lite_libs.tar.gz：解压后将 inference_*/cxx 拷贝至 Paddle-Lite-Demo/image_classification/android/app/cxx/image_classification/app/PaddleLite/cxx，将 inference_*/java 拷贝至 Paddle-Lite-Demo/image_classification/android/app/cxx/image_classification/app/PaddleLite/java
      2. mobilenet_v1_for_cpu.tar.gz：解压至 Paddle-Lite-Demo/image_classification/android/app/cxx/image_classification/app/app/src/main/assets/models/mobilenet_v1_for_cpu 目录
    • 在图像分类Demo中，你还可以通过上方的"Gallery"和"Take Photo"按钮从相册或相机中加载测试图像；

  • ARMLinux or Shell

    • 预测库下载
    bash
    $ cd Paddle-Lite-Demo/libs
$ ./download.sh # 下载预测库
    • 图像分类Demo的编译与运行（以下所有命令均在设备上操作）
    bash
    $ cd Paddle-Lite-Demo/image_classification/assets
$ ./download.sh # 下载模型、测试图片和标签文件
$ cd Paddle-Lite-Demo/image_classification/android/shell/cxx/image_classification
$ ./build.sh armv8 # 编译可执行文件，并运行程序

    在终端打印预测结果和性能数据。

    • 目标检测Demo的编译与运行（以下所有命令均在设备上操作）
    bash
    $ cd Paddle-Lite-Demo/object_detection/assets
$ ./download.sh # 下载模型、测试图片和标签文件
$ cd Paddle-Lite-Demo/object_detection/android/shell/cxx/yolov3_mobilenet_v3
$ ./build.sh armv8 # 编译可执行文件，并运行程序

    在终端打印预测结果和性能数据，同时在build目录中生成dog_yolo_v3_mobilenetv3_detection_result.jpg.jpg。

效果展示

  • 图像分类

    Android iOS Armlinux

  • 目标检测

    Android iOS

  • OCR

    Android iOS

  • 人脸检测

    Android iOS
    补充中

  • 人脸关键点检测

    Android iOS
    补充中

  • 口罩识别

    Android iOS
    补充中

  • 人像分割

    Android iOS

  • PP 识图

    Android iOS

性能优化

  • 多线程设置：
    • demo 中线程数默认是1，用户可以根据手机大核个数，设置最大线程数。如小米9，它有4个A76 大核，线程数最大设置为4；
    • 设置方法：可以通过界面的setting 按钮进行更新，也可以通过修改源码（config.set_threads()）的线程数进行更新。
  • FP16 推理：
    • demo 中模型默认是FP32 模型，如果你是在armv8.2 架构以上的手机运行如小米9，则可选用FP16 模型进行推理；否则，不能使用FP16 模型进行推理。
    • FP16 推理方法：如果 APP 中 assets/model 目录下提供了FP16 模型（nb 模型以_fp16结尾），用户只需更新源码模型路径就行；否则，用户需要下载 OPT 可执行文件，并参考 OPT 使用文档重新转换模型(将 enable_fp16 设置为 true，如 --enable_fp16=1），然后更新源码中模型路径即可。
    • 如果提供的预测库没有包含FP16 kernel 算子话，用户需要从 release 仓库中下载含有FP16 kernel新的预测库。
  • Int8/稀疏推理：
    • 用户可以使用 PaddleSlim 工具 完成模型量化/稀疏化处理，进一步提升模型性能。
    • 使用方法：用 PaddleSlim 生成新模型，然后参考 FP16 推理方法，更新 demo 中预测模型即可。

Issues· 26 open

View all issuesOpen on GitHub

No open issues yet, or sync has not completed.

> Tags

C++

No comments yet. Be the first to share.

> Details

PublishedAug 1, 2026
UpdatedSep 17, 2026
Category编程语言
PricingOpen source

> Related tools

T
TypeScript
JavaScript 的超集，为前端与全栈提供静态类型
P
Python
通用编程语言，广泛用于 Web、数据与 AI
G
Go
Google 推出的简洁高效系统语言