Paddle-Lite 端侧 C++ Demo 完全指南：基于 adb 的 Android 模型验证与部署流程-创锋一号

Paddle-Lite 端侧 C++ Demo 完全指南：基于 adb 的 Android 模型验证与部署流程

【免费下载链接】Paddle-LitePaddlePaddle High Performance Deep Learning Inference Engine for Mobile and Edge (飞桨高性能深度学习端侧推理引擎）项目地址: https://gitcode.com/GitHub_Trending/pa/Paddle-Lite

本篇技术指南基于 Paddle-Lite 仓库 lite/demo/cxx/README.md 编写，完整讲解如何通过 shell 端（adb）在 Android 手机上编译、运行 Paddle-Lite 官方 C++ Demo，快速验证模型在端侧的正确性与性能。读完本文，你将掌握轻量级 API（Light API）与全量 API（Full API）两种预测方式的选型与调用、mobilenetv1 分类、SSD/YOLOv3 目标检测、人脸口罩检测、含 CV 预处理库单测共 6 类官方 Demo 的完整落地流程，并能结合仓库源码理解其底层实现原理，为后续在 Android App 中正式部署模型铺平道路。

1. 概述与前置准备

这些 C++ Demo 通过 shell 端（即电脑终端 + adb）在安卓手机上直接执行，核心目的是快速验证模型的正确性：在手机端跑通模型、确认输出符合预期之后，再在 Android App 中调用 Paddle-Lite 完成正式部署。这种"先命令行验证、后 App 集成"的方式可以极大缩短端侧调试周期，避免在 App 工程中反复折腾。

运行这些 Demo 需要准备两样东西：

一台可以编译 Paddle-Lite 的电脑：具体环境配置可参考 docs/source_compile/compile_env.rst，推荐使用 Docker 环境，可避免本机依赖污染。
一台 armv7 或 armv8 架构的安卓手机：安装好 adb，并确保电脑和手机可以通过 adb 正常连接（adb devices能看到设备）。

Paddle-Lite 预测库的获取有两种途径，任选其一：

自行编译：参考 docs/source_compile/linux_x86_compile_android.rst 编译 Android 版本预测库；
直接下载：从 Paddle-Lite release 界面下载已经编译好的 release 库文件包，并参考 docs/quick_start/release_lib.md 了解其目录结构与使用方式。

编译好的 release 包（如inference_lite_lib.android.armv8）内部包含demo/cxx目录，与仓库 lite/demo/cxx 下的结构一致，官方 Demo 源码、Makefile 均已内置，可直接进入对应目录编译。

下文涉及的 6 个 Demo 为：轻量 API 分类 Demo、全量 API 分类 Demo、物体分类 Demo、SSD 目标检测 Demo、YOLOv3 目标检测 Demo、人脸识别与口罩佩戴判断 Demo，以及含 CV 预处理库的模型单测 Demo。

2. 编译并运行轻量级 API（Light API）Demo

轻量级 API 是 Paddle-Lite 推荐的部署方式：先用 opt 工具把训练模型离线转换为 Paddle-Lite 专用格式（naive_buffer，.nb文件），再通过轻量 API 直接加载.nb文件进行预测。由于免去了运行时在线转换，加载与预测耗时均更优。

2.1 编译可执行文件

在inference_lite_lib.android.armv8/demo/cxx/mobile_light目录下执行：

cd inference_lite_lib.android.armv8/demo/cxx/mobile_light make -j

编译产出可执行文件mobilenetv1_light_api。对应的源码位于 lite/demo/cxx/mobile_light/mobilenetv1_light_api.cc，其核心流程为：构造MobileConfig→CreatePaddlePredictor<MobileConfig>(config)创建预测器 → 填充输入 →predictor->Run()→ 读取输出。测试代码中输入的是一张全 1 数据（input_data[i] = 1.f），仅用于验证流程正确性，实际部署时请替换为真实预处理后的图像数据。

2.2 下载模型并使用 opt 转换

下载原始 Paddle 模型（mobilenet_v1 分类模型）：

wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz tar zxf mobilenet_v1.tar.gz

使用 opt 工具进行模型转换（具体用法参考 docs/user_guides/model_optimize_tool.md）。推荐从 Paddle-Lite release 界面下载 opt 工具，注意 opt 工具版本必须与预测库版本保持一致。假定转换后的模型为mobilenet_v1.nb。

opt 工具同时也提供命令行二进制形式，转换命令可参考：

./opt --model_dir=mobilenet_v1 --optimize_out_type=naive_buffer --optimize_out=mobilenet_v1 # 优化后模型为 mobilenet_v1.nb

更多 opt 用法可查看仓库文档 docs/user_guides/opt/opt_bin.md 与 docs/user_guides/opt/opt_python.md。

2.3 通过 adb 推送并在手机端执行

adb push mobilenetv1_light_api /data/local/tmp/ adb push mobilenet_v1.nb /data/local/tmp/ adb push ../../../cxx/lib/libpaddle_light_api_shared.so /data/local/tmp/ adb shell chmod +x /data/local/tmp/mobilenetv1_light_api adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/local/tmp/mobilenetv1_light_api /data/local/tmp/mobilenet_v1.nb"

说明：

需要将动态库libpaddle_light_api_shared.so与可执行文件、模型一并 push 到手机，并通过LD_LIBRARY_PATH指定动态库搜索路径；
chmod +x赋予执行权限；
如果是在 Docker 中编译，而 Docker 无法直连手机，可将测试所需文件和库拷贝到 Docker 外部再执行上述命令。

运行成功后，控制台会输出预测结果前 10 个类别的预测概率。

2.4 从源码看 Light API 的可调参数

从 mobilenetv1_light_api.cc 的main函数可以看出，该可执行文件支持最多 8 个命令行参数，依次为：

参数	说明	默认值
`naive_buffer_model_dir`	`.nb`模型路径	必填
`raw_input_shapes`	输入 shape，如`1,3,224,224`；多输入用`:`分隔	`1,3,224,224`
`repeats`	重复推理次数	10
`warmup`	预热次数	10
`power_mode`	0：大核高性能；1：小核；2：全部核；3：不绑定	0
`thread_num`	线程数	1
`accelerate_opencl`	仅当模型可在 OpenCL 后端运行时生效，1 开启 OpenCL kernel 缓存与调优	1
`print_output`	1 表示将输出张量逐元素打印到 stdout	0

源码还展示了 OpenCL 后端相关的进阶配置：IsOpenCLBackendValid检查 GPU 后端是否可用，set_opencl_binary_path_name指定 kernel 二进制缓存路径，set_opencl_tune(CL_TUNE_NORMAL, ...)选择调优级别，set_opencl_precision(CL_PRECISION_FP16)指定 FP16 精度。若 OpenCL 不可用，程序会输出*** nb model will be running on cpu. ***提示并回退到 CPU 执行。完整 OpenCL 部署可参考 docs/demo_guides/opencl.md。

3. 编译并运行全量 API（Full API）Demo

全量 API（CxxConfig+CreatePaddlePredictor<CxxConfig>）支持在线对原始模型进行转换：直接加载 Paddle 原始模型（__model__/__params__或合并格式），在运行时完成优化后再预测。由于在线转换耗时较久，Paddle-Lite 推荐首选 opt 工具离线转换 + 轻量 API 部署的组合。全量 API 更多用于调试或需要动态改变模型结构的场景。

注：当编译模式为tiny_publish时，release 包中将不包含该 Demo，需使用full_publish编译模式才会产出。

3.1 编译与运行

cd inference_lite_lib.android.armv8/demo/cxx/mobile_full wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz tar zxvf mobilenet_v1.tar.gz make adb push mobilenet_v1 /data/local/tmp/ adb push mobilenetv1_full_api /data/local/tmp/ adb push ../../../cxx/lib/libpaddle_full_api_shared.so /data/local/tmp/ adb shell chmod +x /data/local/tmp/mobilenetv1_full_api adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/local/tmp/mobilenetv1_full_api --model_dir=/data/local/tmp/mobilenet_v1 --optimized_model_dir=/data/local/tmp/mobilenet_v1.opt"

运行成功后在控制台输出预测结果前 10 个类别的预测概率。同样地，测试文件中输入数据为全 1，实际部署请替换为真实数据；Docker 编译无法连手机时，将所需文件和库拷贝到 Docker 外部再测试。

3.2 从源码看 Full API 的命令行参数

对应源码 lite/demo/cxx/mobile_full/mobilenetv1_full_api.cc 基于 gflags 解析参数：

参数	类型	说明
`--model_dir`	string	未合并（uncombined）格式的模型目录路径
`--model_file`/`--param_file`	string	合并（combined）格式的模型文件与参数文件
`--optimized_model_dir`	string	优化后模型的输出目录
`--prefer_int8_kernel`	bool	是否优先使用 int8 kernel（默认 false）
`--power_mode`	int32	0：POWER_HIGH；1：POWER_LOW；2：POWER_FULL；3：NO_BIND（默认 3）
`--threads`	int32	线程数（默认 1）
`--warmup`	int32	预热次数（默认 10）
`--repeats`	int32	重复次数（默认 100）
`--use_gpu`	bool	是否使用 OpenCL 后端（默认 false）

源码中的关键点：

通过config.set_valid_places(valid_places)声明候选执行后端列表，开启 GPU 时会依次放入多组 OpenCLPlace（含TARGET(kOpenCL)、FP16/FP32 精度、kImageDefault/kImageFolder/kNCHW数据布局），否则仅放入TARGET(kARM)；
predictor->SaveOptimizedModel(FLAGS_optimized_model_dir, LiteModelType::kNaiveBuffer)会在线把优化后的模型保存为.nb文件——这正是 Full API 相比 Light API 的差异点：它把 opt 的转换能力内置到了运行时。源码注释特别警告：SaveOptimizedModel必须在Run()之前调用，因为部分 kernel 的PrepareForRun可能修改参数值。

4. 编译并运行物体分类 Demo（mobile_classify）

与前两个 Demo 不同，物体分类 Demo 是面向真实图像的：它会用 OpenCV 读取图片、做完整预处理，并输出带类别名的 Top-K 结果，最贴近实际业务场景。

4.1 编译

cd inference_lite_lib.android.armv8/demo/cxx/mobile_classify make

编译产出mobile_classify可执行文件。

4.2 下载模型与测试数据

wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz tar zxf mobilenet_v1.tar.gz wget https://paddle-inference-dist.cdn.bcebos.com/PaddleLite/cxx_demo/test_data.tgz tar zxf test_data.tgz

test_data.tgz内含测试图片test.jpg与类别标签文件label.txt。

4.3 模型转换

./opt --model_dir=mobilenet_v1 --optimize_out_type=naive_buffer --optimize_out=mobilenet_v1 # 优化后模型为 mobilenet_v1.nb

--optimize_out_type=naive_buffer即产出轻量 API 所需的.nb格式。

4.4 推送并执行

adb push ../../../cxx/lib/libpaddle_light_api_shared.so /data/local/tmp/ adb push mobile_classify /data/local/tmp/ adb shell chmod +x /data/local/tmp/mobile_classify adb push test_data /data/local/tmp/ adb push mobilenet_v1.nb /data/local/tmp/ adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/local/tmp/mobile_classify /data/local/tmp/mobilenet_v1.nb /data/local/tmp/test_data/test.jpg /data/local/tmp/test_data/label.txt"

运行成功后输出预测结果前 5 个类别的概率。

4.5 可选参数：topk 与输入尺寸

查看前 10 个类别：在命令末尾追加topk值即可：

adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/local/tmp/mobile_classify /data/local/tmp/mobilenet_v1.nb /data/local/tmp/test_data/test.jpg /data/local/tmp/test_data/label.txt 10"

切换其他模型并指定输入尺寸：追加model_dir及其模型输入大小，格式为topk 宽高：

adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/local/tmp/mobile_classify /data/local/tmp/mobilenet_v1.nb /data/local/tmp/test_data/test.jpg /data/local/tmp/test_data/label.txt 10 224 224"

4.6 从源码看图像预处理链路

对应源码 lite/demo/cxx/mobile_classify/mobile_classify.cc 展示了完整的"图像 → 张量"预处理流程，这部分是端侧视觉类应用的通用范式：

cv::cvtColor将 BGR 图转为 RGB；
cv::resize缩放到模型输入尺寸；
convertTo(CV_32FC3, 1/255.f)归一化到[0,1]；
调用neon_mean_scale完成减均值、除方差，并通过 NEON 内联汇编（float32x4_t、vld3q_f32、vst1q_f32等）将 NHWC 布局转换为 NCHW 布局，同时做 4 路向量化加速。默认均值means = {0.485f, 0.456f, 0.406f}、方差scales = {0.229f, 0.224f, 0.225f}（ImageNet 统计值）；
print_topk使用std::partial_sort计算 Top-K，并配合label.txt输出类别名与置信度。

该 Demo 同时展示了MobileConfig的最小用法：set_model_from_file指定.nb模型 →CreatePaddlePredictor<MobileConfig>→GetInput(0)/Resize/mutable_data<float>→Run()→GetOutput(0)。

5. 编译并运行 SSD 目标检测 Demo

SSD Demo 将检测框、类别、置信度直接绘制到测试图片上并保存结果图，可直观验证检测模型的正确性。

cd inference_lite_lib.android.armv8/demo/cxx/ssd_detection make -j adb push ../../../cxx/lib/libpaddle_light_api_shared.so /data/local/tmp/ adb push ssd_detection /data/local/tmp/ adb shell chmod +x /data/local/tmp/ssd_detection wget https://paddle-inference-dist.bj.bcebos.com/mobilenetv1-ssd.tar.gz tar zxvf mobilenetv1-ssd.tar.gz adb push mobilenetv1-ssd /data/local/tmp adb push test.jpg /data/local/tmp/ # 请自己准备ssd模型的测试图片 adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/local/tmp/ssd_detection /data/local/tmp/mobilenetv1-ssd /data/local/tmp/test.jpg" adb pull /data/local/tmp/test_ssd_detection_result.jpg ./

运行成功后，ssd_detection目录下会生成目标检测结果图像test_ssd_detection_result.jpg。

从源码看检测输出后处理

对应源码 lite/demo/cxx/ssd_detection/ssd_detection.cc 展示了端侧目标检测的标准后处理：

SSD 模型的输出按每 6 个 float 为一组（data += 6）组织，依次为：class_id（类别索引）、prob（置信度）、以及归一化后的x, y, w, h（data[2]..data[5]，需乘以原图宽高还原为像素坐标）；
阈值0.6f用于过滤低置信度框，detect_object中还会用cv::Rect(0,0,cols,rows)对检测框做越界裁剪；
内置 VOC 20 类 + background 共 21 个类别名（class_names[]）；
使用cv::rectangle、cv::putText将结果绘制到图上，最终cv::imwrite保存为<图片名>_ssd_detection_result.jpg。

预处理方面该 Demo 使用均值/方差{0.5f, 0.5f, 0.5f}，输入尺寸固定为300×300，同样基于 NEON 完成 NHWC→NCHW 转换。

6. 编译并运行 YOLOv3 目标检测 Demo

YOLOv3 Demo 与 SSD Demo 流程一致，仅模型与后处理不同：

cd inference_lite_lib.android.armv8/demo/cxx/yolov3_detection make -j adb push ../../../cxx/lib/libpaddle_light_api_shared.so /data/local/tmp/ adb push yolov3_detection /data/local/tmp/ adb shell chmod +x /data/local/tmp/yolov3_detection wget https://paddle-inference-dist.bj.bcebos.com/mobilenetv1-yolov3.tar.gz tar zxvf mobilenetv1-yolov3.tar.gz adb push mobilenetv1-yolov3 /data/local/tmp adb push test.jpg /data/local/tmp/ # 请自己准备yolov3模型的测试图片 adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/local/tmp/yolov3_detection /data/local/tmp/mobilenetv1-yolov3 /data/local/tmp/test.jpg" adb pull /data/local/tmp/test_yolov3_detection_result.jpg ./

运行成功后，yolov3_detection目录下会生成目标检测结果图像test_yolov3_detection_result.jpg。

从源码 lite/demo/cxx/yolov3_detection/yolov3_detection.cc 可以看到，其内置了 COCO 80 类类别名（person、bicycle、car、dog…），后处理同样按固定步长解析输出并进行阈值过滤与坐标还原，最后将结果绘制并保存。

7. 人脸识别与佩戴口罩判断 Demo（mask_detection）

该 Demo 串联了人脸检测 + 口罩佩戴判断两个模型：先用pyramidbox_lite人脸检测模型定位人脸，再用人脸区域作为输入交给mask_detector口罩判断模型分类。官方已提供两种使用方式：直接下载编译好的 Demo 包，或从源码编译。

7.1 方式一：下载编译好的 Demo 包直接执行

下载压缩包mask_demo_v2.6.tgz（Paddle-Lite 2.6 版本，内含编译好的可执行文件、模型文件、测试图片、Paddle-Lite 2.6 版本动态库），解压到本地。官方声明该 Demo 已在 Paddle-Lite 2.6 和 2.8 版本上验证可准确执行。

电脑连接安卓手机后，在电脑 shell 端进入mask_demo目录，执行：

sh run.sh

脚本会自动完成：push 文件到手机端 → 执行口罩检测 → pull 结果图片。执行后在电脑端查看test_img_result.jpg即为口罩检测结果。

7.2 方式二：从源码编译 Demo 并执行

第一步：准备编译环境。参考 docs/source_compile/compile_env.rst。

第二步：拉取 Paddle-Lite 代码并切换到 2.6 版本分支：

git clone https://github.com/PaddlePaddle/Paddle-Lite.git cd Paddle-Lite git fetch origin release/v2.6:release/v2.6 git checkout release/v2.6

第三步：编译预测库。进入 Paddle-Lite 根目录，执行（详细编译方法参考 docs/source_compile/linux_x86_compile_android.rst）：

./lite/tools/build.sh \ --arm_os=android \ --arm_abi=armv8 \ --arm_lang=gcc \ --android_stl=c++_static \ --build_extra=ON \ --with_log=ON \ full_publish

第四步：编译 Demo 可执行文件。进入 Demo 编译目录执行脚本，脚本会编译可执行文件，并将可执行文件、预测库、模型、图片统一收集到mask_demo目录：

cd build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/demo/cxx/mask_detection sh prepare.sh

仓库中对应脚本为 lite/demo/cxx/mask_detection/prepare.sh，其工作内容一目了然：设置NDK_ROOT环境变量 →make -j编译 → 创建mask_demo目录并拷贝run.sh、mask_detection可执行文件、libpaddle_light_api_shared.so→ 自动下载mask_models_img.tar.gz及两个模型的.nb文件（pyramidbox_lite_fp32_for_cpu_v2_10_rc.tar.gz、mask_detector_fp32_128_128_for_cpu_v2_10_rc.tar.gz）并重命名。

第五步：运行。手机连接电脑后进入mask_demo目录执行sh run.sh，查看生成的test_img_result.jpg。lite/demo/cxx/mask_detection/run.sh 的核心命令为：

adb push ../mask_demo /data/local/tmp/ adb shell "cd /data/local/tmp/mask_demo && export LD_LIBRARY_PATH=...:${LD_LIBRARY_PATH} && \ ./mask_detection pyramidbox_lite_v2_10_rc_opt2.nb mask_detector_v2_10_rc_opt2.nb mask_models_img/test_img.jpg" adb pull /data/local/tmp/mask_demo/test_img_result.jpg .

7.3 使用 PaddleHub 模型替换

除了官方模型，也可以通过 PaddleHub 下载人脸检测与口罩佩戴判断模型，再经 opt 转换后替换mask_demo目录下的模型文件：

import paddlehub as hub pyramidbox_lite_mobile_mask = hub.Module(name="pyramidbox_lite_mobile_mask") pyramidbox_lite_mobile_mask.processor.save_inference_model(dirname="test_program")

上述代码会将模型保存在test_program目录：人脸检测与口罩佩戴判断模型分别存储在pyramidbox_lite和mask_detector子目录中，其中的__model__是模型结构文件、__param__是权重文件。从 PaddleHub 下载的是预测模型，需使用 Paddle-Lite 的 opt 工具转换为.nb格式后再替换。

7.4 关键超参数：shrink 与 detect_threshold

源码 lite/demo/cxx/mask_detection/mask_detection.cc 中暴露了两个可自由配置的常量，位于人脸检测与口罩判断的推理循环里：

缩放因子shrink（默认 0.4）：用于把输入图片按比例缩小后再送入人脸检测模型（s_width = width * shrink）。缩放因子越大，模型运行速度越慢，检测准确率越高；反之速度更快但可能漏检小脸。
检测阈值detect_threshold（默认 0.7）：人脸框置信度阈值（if (outptr[1] >= detect_threshold)）。阈值越高，人脸筛选越严格，检测出的人脸框可能越少；调低可召回更多人脸，但可能引入误检。

实际调优时应根据目标设备算力与场景（如人流密度、口罩合规率）在精度与速度之间权衡。

8. 编译含 CV 预处理库的模型单测 Demo（test_cv）

test_cvDemo 用于验证Paddle-Lite CV 图像预处理库（图像缩放、颜色转换、旋转等）与模型的联合推理，其独立说明见 lite/demo/cxx/test_cv/README.md。

cd ../test_cv wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz tar zxvf mobilenet_v1.tar.gz ./model_optimize_tool optimize model make adb push test_model_cv /data/local/tmp/ adb push test.jpg /data/local/tmp/ adb push labels.txt /data/local/tmp/ adb push ../../../cxx/lib/libpaddle_full_api_shared.so /data/local/tmp/ adb shell chmod +x /data/local/tmp/test_model_cv adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/local/tmp/test_model_cv /data/local/tmp/mobilenetv1opt2 /data/local/tmp/test.jpg /data/local/tmp/labels.txt"

注意此处使用libpaddle_full_api_shared.so全量库，且模型需经本地工具转换为mobilenetv1opt2目录格式。运行成功后在控制台输出预测结果前 10 个类别的预测概率。该目录下的源码 lite/demo/cxx/test_cv/test_model_cv.cc 与 lite/demo/cxx/test_cv/test_img_prepross.cc 演示了 CV 库预处理与 Full API 推理的组合调用方式，可作为"带图像预处理的完整推理流水线"参考模板。

9. 通用编译机制：Makefile 体系说明

上述所有 Android Demo 共用的编译基础设施在 lite/demo/cxx/Makefile.def 与 lite/demo/cxx/makefiles 目录中：

每个 Demo 均提供Makefile.android.armv7与Makefile.android.armv8两份 Makefile（如 makefiles/mobile_light/Makefile.android.armv8），通过ARM_ABI = arm8或arm7切换目标架构；
Makefile.def会根据NDK_ROOT环境变量自动探测 NDK 版本（grep -Eo "android-ndk-r[0-9]{2}"），并据此选择编译器：NDK r18 及以下使用aarch64-linux-android-g++/arm-linux-androideabi-g++（gcc 工具链），r19+ 使用 clang（aarch64-linux-android21-clang++/armv7a-linux-androideabi16-clang++）；
链接选项默认使用共享库-lpaddle_light_api_shared，Makefile 注释中同时说明了如何切换到静态库libpaddle_api_light_bundled.a（需在源码中放开paddle_use_ops.h/paddle_use_kernels.h的 include，以避免unsupport ops or kernels链接错误）；
armv7 编译默认开启-mfpu=neon -mfloat-abi=softfp，所有目标默认-fopenmp多线程、-fPIE（Android 要求 PIE 可执行文件）。

10. 小结：从 Demo 验证到 App 部署

结合 lite/demo/cxx/README.md 与上述源码分析，可以总结出一条清晰的端侧部署路径：

准备环境：搭建可编译 Paddle-Lite 的环境（推荐 Docker），准备 armv7/armv8 安卓手机并通过 adb 连接；
获取预测库：自行编译（docs/source_compile/linux_x86_compile_android.rst）或直接下载 release 包；
转换模型：使用与预测库同版本的 opt 工具，将原始 Paddle 模型转换为.nb格式（docs/user_guides/model_optimize_tool.md）；
验证正确性：编译并运行上述任一 C++ Demo，在 shell 端确认预测结果（Top-K 概率、检测框、口罩结果等）符合预期；
App 集成：验证通过后，将 Light API 调用逻辑迁移到 Android App 中，正式部署。

对于有更复杂交互诉求（如图像实时采集、OpenGL 渲染）的移动端场景，可进一步参考仓库的 docs/demo_guides/android_app_demo.md 与 docs/demo_guides/arm_cpu.md，这些文档展示了 Android App 级别的集成方案，与本文的 shell 端验证 Demo 形成互补。总体而言，lite/demo/cxx 目录下的这 6 类 Demo 覆盖了分类、检测、人脸/口罩识别等最常见端侧任务，是学习 Paddle-Lite 双 API 用法、验证模型正确性、快速原型验证的"第一手教材"。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析