این صفحه نحوه ساخت کتابخانه های LiteRT را برای رایانه های مبتنی بر ARM شرح می دهد.
LiteRT از دو سیستم ساخت پشتیبانی می کند و ویژگی های پشتیبانی شده از هر سیستم ساخت یکسان نیستند. جدول زیر را برای انتخاب یک سیستم ساخت مناسب بررسی کنید.
اگر یک پروژه CMake دارید یا اگر می خواهید از یک زنجیره ابزار سفارشی استفاده کنید، بهتر است از CMake برای کامپایل متقابل استفاده کنید. برای این کار یک صفحه کامپایل متقابل LiteRT با CMake جداگانه وجود دارد.
کامپایل متقابل برای ARM با Bazel
اگر پروژه Bazel دارید یا می خواهید از TF ops استفاده کنید، بهتر است از سیستم ساخت Bazel استفاده کنید. شما از زنجیره ابزار یکپارچه ARM GCC 8.3 با Bazel برای ساخت یک کتابخانه مشترک ARM32/64 استفاده خواهید کرد.
معماری هدف
پیکربندی Bazel
دستگاه های سازگار
armhf (ARM32)
--config=elinux_armhf
RPI3، RPI4 با سیستم عامل Raspberry Pi 32 بیتی
AArch64 (ARM64)
--config=elinux_aarch64
Coral، RPI4 با اوبونتو 64 بیتی
دستورالعمل‌های زیر روی رایانه شخصی ۶۴ بیتی اوبونتو 16.04.3 (AMD64) و تصویر docker توسعه‌دهنده TensorFlow tensorflow/tensorflow:devel آزمایش شده‌اند.
برای کامپایل متقابل LiteRT با Bazel، مراحل را دنبال کنید:
مرحله 1. Bazel را نصب کنید
Bazel سیستم ساخت اولیه برای TensorFlow است. آخرین نسخه سیستم ساخت Bazel را نصب کنید.
شما می توانید یک کتابخانه مشترک را در: bazel-bin/tensorflow/lite/libtensorflowlite.so بیابید.
در حال حاضر، هیچ راه ساده ای برای استخراج تمام فایل های هدر مورد نیاز وجود ندارد، بنابراین باید همه فایل های هدر را در tensorflow/lite/ از مخزن TensorFlow قرار دهید. علاوه بر این، به فایل‌های هدر FlatBuffers و Abseil نیاز دارید.
و غیره
شما همچنین می توانید سایر اهداف Bazel را با زنجیره ابزار بسازید. در اینجا چند هدف مفید آورده شده است.
تاریخ آخرین بهروزرسانی 2025-07-28 بهوقت ساعت هماهنگ جهانی.
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],["تاریخ آخرین بهروزرسانی 2025-07-28 بهوقت ساعت هماهنگ جهانی."],[],[],null,["# Build LiteRT for ARM boards\n\nThis page describes how to build the LiteRT libraries for ARM-based\ncomputers.\n\nLiteRT supports two build systems and supported features from each\nbuild system are not identical. Check the following table to pick a proper build\nsystem.\n\n| Feature | Bazel | CMake |\n|-------------------------------------------------------------------------------------------|------------------------------|------------------------------------------------------|\n| Predefined toolchains | armhf, aarch64 | armel, armhf, aarch64 |\n| Custom toolchains | harder to use | easy to use |\n| [Select TF ops](../models/ops_select) | supported | not supported |\n| [GPU delegate](../performance/gpu) | only available for Android | any platform that supports OpenCL |\n| XNNPack | supported | supported |\n| [Python Wheel](../build/cmake_pip) | supported | supported |\n| [C API](https://github.com/tensorflow/tensorflow/blob/master/tensorflow/lite/c/README.md) | supported | [supported](./cmake#build_tensorflow_lite_c_library) |\n| [C++ API](../inference#load_and_run_a_model_in_c) | supported for Bazel projects | supported for CMake projects |\n\nCross-compilation for ARM with CMake\n------------------------------------\n\nIf you have a CMake project or if you want to use a custom toolchain, you'd\nbetter use CMake for cross compilation. There is a separate\n[Cross compilation LiteRT with CMake](./cmake_arm)\npage available for this.\n\nCross-compilation for ARM with Bazel\n------------------------------------\n\nIf you have a Bazel project or if you want to use TF ops, you'd better use Bazel\nbuild system. You'll use the integrated\n[ARM GCC 8.3 toolchains](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/toolchains/embedded/arm-linux)\nwith Bazel to build an ARM32/64 shared library.\n\n| Target Architecture | Bazel Configuration | Compatible Devices |\n|---------------------|-------------------------|----------------------------------------|\n| armhf (ARM32) | --config=elinux_armhf | RPI3, RPI4 with 32 bit Raspberry Pi OS |\n| AArch64 (ARM64) | --config=elinux_aarch64 | Coral, RPI4 with Ubuntu 64 bit |\n\n| **Note:** The generated shared library requires glibc 2.28 or higher to run.\n\nThe following instructions have been tested on Ubuntu 16.04.3 64-bit PC (AMD64)\nand TensorFlow devel docker image\n[tensorflow/tensorflow:devel](https://hub.docker.com/r/tensorflow/tensorflow/tags/).\n\nTo cross compile LiteRT with Bazel, follow the steps:\n\n#### Step 1. Install Bazel\n\nBazel is the primary build system for TensorFlow. Install the latest version of\nthe [Bazel build system](https://bazel.build/versions/master/docs/install.html).\n| **Note:** If you're using the TensorFlow Docker image, Bazel is already available.\n\n#### Step 2. Clone TensorFlow repository\n\n git clone https://github.com/tensorflow/tensorflow.git tensorflow_src\n\n| **Note:** If you're using the TensorFlow Docker image, the repo is already provided in `/tensorflow_src/`.\n\n#### Step 3. Build ARM binary\n\n##### C library\n\n bazel build --config=elinux_aarch64 -c opt //tensorflow/lite/c:libtensorflowlite_c.so\n\nYou can find a shared library in:\n`bazel-bin/tensorflow/lite/c/libtensorflowlite_c.so`.\n| **Note:** Use `elinux_armhf` for [32bit ARM hard float](https://wiki.debian.org/ArmHardFloatPort) build.\n\nCheck\n[LiteRT C API](https://github.com/tensorflow/tensorflow/blob/master/tensorflow/lite/c/README.md)\npage for the detail.\n\n##### C++ library\n\n bazel build --config=elinux_aarch64 -c opt //tensorflow/lite:libtensorflowlite.so\n\nYou can find a shared library in:\n`bazel-bin/tensorflow/lite/libtensorflowlite.so`.\n\nCurrently, there is no straightforward way to extract all header files needed,\nso you must include all header files in tensorflow/lite/ from the TensorFlow\nrepository. Additionally, you will need header files from FlatBuffers and\nAbseil.\n\n##### Etc\n\nYou can also build other Bazel targets with the toolchain. Here are some useful\ntargets.\n\n- //tensorflow/lite/tools/benchmark:benchmark_model\n- //tensorflow/lite/examples/label_image:label_image"]]
