以人像分割在安卓端的部署为例，介绍如何使用Paddle-Lite对分割模型进行移动端的部署。文档第二节介绍如何使用人像分割安卓端的demo，后面几章节介绍如何将PaddleSeg的Model部署到安卓设备。
- Android Studio 3.4；
- Android手机或开发板；
- git clone https://github.com/PaddlePaddle/PaddleSeg.git ;
- 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"/PaddleSeg/lite/humanseg_android_demo/"目录，然后点击右下角的"Open"按钮即可导入工程，构建工程的过程中会下载demo需要的模型和Lite预测库；
- 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，然后点击"OK"按钮；
- 在人像分割Demo中，默认会载入一张人像图像，并会在图像下方给出CPU的预测结果；
- 在人像分割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；
此安卓demo基于Paddle-Lite-Demo开发，更多的细节请参考该repo。
注意：demo中拍照时照片会自动压缩，想测试拍照原图效果，可使用手机相机拍照后从相册中打开进行预测。
此demo的人像分割模型为下载链接，是基于Deeplab_v3+mobileNet_v2的humanseg模型，关于humanseg的介绍移步特色垂类分割模型，更多的分割模型导出可参考：模型导出
准备好PaddleSeg导出来的模型和参数文件后，需要使用Paddle-Lite提供的model_optimize_tool对模型进行优化，并转换成Paddle-Lite支持的文件格式，这里有两种方式来实现：
-
手动编译model_optimize_tool 详细的模型转换方法参考paddlelite提供的官方文档：模型转化方法，从PaddleSeg里面导出来的模型使用model_optimize_tool即可导出model.nb和param.nb文件。
-
使用预编译版本的model_optimize_tool，最新的预编译文件参考release，此demo使用的版本为model_optimize_tool ；
注意：如果运行失败，请在Paddle-Lite源码编译的开发环境中使用model_optimize_tool
将优化好的model.nb和param.nb文件，替换app/src/main/assets/image_segmentation/ models/deeplab_mobilenet_for_cpu下面的文件即可。
Paddle-Lite的编译目前支持Docker，Linux和Mac OS开发环境，建议使用Docker开发环境，以免存在各种依赖问题，同时也提供了预编译版本的预测库。准备Paddle-Lite在安卓端的预测库，主要包括三个文件：
- PaddlePredictor.jar；
- arm64-v8a/libpaddle_lite_jni.so；
- armeabi-v7a/libpaddle_lite_jni.so；
下面分别介绍两种方法：
-
使用预编译版本的预测库，最新的预编译文件参考：release，此demo使用的版本：
-
arm64-v8a: inference_lite_lib.android.armv8 ；
-
armeabi-v7a: inference_lite_lib.android.armv7 ；
解压上面两个文件，PaddlePredictor.jar位于任一文件夹：inference_lite_lib.android.xxx/java/jar/PaddlePredictor.jar；
解压上述inference_lite_lib.android.armv8文件，arm64-v8a/libpaddle_lite_jni.so位于：inference_lite_lib.android.armv8/java/so/libpaddle_lite_jni.so；
解压上述inference_lite_lib.android.armv7文件，armeabi-v7a/libpaddle_lite_jni.so位于：inference_lite_lib.android.armv7/java/so/libpaddle_lite_jni.so；
-
-
手动编译Paddle-Lite预测库 开发环境的准备和编译方法参考：Paddle-Lite源码编译。
准备好上述文件，即可参考java_api在安卓端进行推理。具体使用预测库的方法可参考Paddle-Lite-Demo中更新预测库部分的文档。