Linux(ARM) 工程示例

    Paddle-Lite提供的图像分类demo ，在移动端上提供了实时的物体识别能力，可以应用到生产线自动分拣或质检、识别医疗图像、辅助医生肉眼诊断等场景。在移动端预测的效果图如下：

         Linux(ARM) 工程示例 - 图2

    2. 物体检测

    Paddle-Lite提供的物体检测demo ，在移动端上提供了检测多个物体的位置、名称、位置及数量的能力。可以应用到视频监控（是否有违规物体或行为）、工业质检（微小瑕疵的数量和位置）、医疗诊断（细胞计数、中药识别）等场景。在移动端预测的效果图如下：

         Linux(ARM) 工程示例 - 图4

    目的：将基于Paddle-Lite的预测库部署到Linux(ARM)设备，实现物体检测的目标。

    需要的环境：Linux(ARM)设备、下载到本地的工程

    部署步骤：

    1、 目标检测的Linux(ARM)示例位于

    下载完成后会出现提示：

    3、终端中执行 脚本自动下载模型和Paddle-Lite预测库

    demo结果如下:

    Linux(ARM) demo 示例基于C++ API 开发，调用Paddle-Lite C++ API包括以下五步。更详细的API 描述参考： Paddle-Lite C++ API。

    1. Python预测库编译参考，建议在开发版上编译。
    2. Paddle-Lite Python API。