استفاده از LiteRT با پایتون برای دستگاه‌های تعبیه‌شده مبتنی بر لینوکس، مانند دستگاه‌های Raspberry Pi و Coral با Edge TPU و بسیاری دیگر، عالی است.
این صفحه نشان می دهد که چگونه می توانید مدل های LiteRT را با پایتون تنها در چند دقیقه شروع کنید. تنها چیزی که نیاز دارید یک مدل TensorFlow است که به TensorFlow Lite تبدیل شده است . (اگر هنوز مدلی تبدیل نکرده اید، می توانید با استفاده از مدل ارائه شده با مثال پیوند زیر آزمایش کنید.)
درباره بسته اجرای LiteRT
برای شروع سریع اجرای مدل‌های LiteRT با پایتون، می‌توانید به جای همه بسته‌های TensorFlow، فقط مفسر LiteRT را نصب کنید. ما این بسته پایتون ساده شده را tflite_runtime می نامیم.
بسته tflite_runtime کسری به اندازه بسته tensorflow کامل است و شامل حداقل کد مورد نیاز برای اجرای استنتاج‌ها با LiteRT است – در درجه اول کلاس Interpreter Python. این بسته کوچک زمانی ایده آل است که تنها کاری که می خواهید انجام دهید اجرای مدل های .tflite و جلوگیری از هدر رفتن فضای دیسک با کتابخانه بزرگ TensorFlow است.
LiteRT را برای پایتون نصب کنید
می توانید با pip روی لینوکس نصب کنید:
python3 -m pip install tflite-runtime
پلتفرم های پشتیبانی شده
چرخ‌های پایتون tflite-runtime برای این پلتفرم‌ها از پیش ساخته و ارائه شده‌اند:
Linux armv7l (به عنوان مثال Raspberry Pi 2، 3، 4 و Zero 2 با سیستم عامل Raspberry Pi 32 بیتی)
Linux aarch64 (به عنوان مثال Raspberry Pi 3, 4 در حال اجرا Debian ARM64)
اگر از TensorFlow با Coral Edge TPU استفاده می‌کنید، در عوض باید از مستندات راه‌اندازی Coral مناسب پیروی کنید.
یک استنتاج را با استفاده از tflite_runtime اجرا کنید
به جای وارد کردن Interpreter از ماژول tensorflow ، اکنون باید آن را از tflite_runtime وارد کنید.
به عنوان مثال، پس از نصب بسته بالا، فایل label_image.py کپی و اجرا کنید. (احتمالا) به دلیل اینکه کتابخانه tensorflow نصب نکرده اید، شکست خواهد خورد. برای رفع آن، این خط فایل را ویرایش کنید:
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,["# Quickstart for Linux-based devices with Python\n\nUsing LiteRT with Python is great for embedded devices based on Linux,\nsuch as [Raspberry Pi](https://www.raspberrypi.org/) and\n[Coral devices with Edge TPU](https://coral.withgoogle.com/),\namong many others.\n\nThis page shows how you can start running LiteRT models with Python in\njust a few minutes. All you need is a TensorFlow model [converted to TensorFlow\nLite](../models/convert). (If you don't have a model converted yet, you can\nexperiment using the model provided with the example linked below.)\n\nAbout the LiteRT runtime package\n--------------------------------\n\nTo quickly start executing LiteRT models with Python, you can install\njust the LiteRT interpreter, instead of all TensorFlow packages. We\ncall this simplified Python package `tflite_runtime`.\n\nThe `tflite_runtime` package is a fraction the size of the full `tensorflow`\npackage and includes the bare minimum code required to run inferences with\nLiteRT---primarily the\n[`Interpreter`](../../api/tflite/python/tf/lite/Interpreter)\nPython class. This small package is ideal when all you want to do is execute\n`.tflite` models and avoid wasting disk space with the large TensorFlow library.\n| **Note:** If you need access to other Python APIs, such as the [LiteRT Converter](../models/convert), you must install the [full TensorFlow package](https://www.tensorflow.org/install/). For example, the [Select TF ops](../models/ops_select) are not included in the `tflite_runtime` package. If your models have any dependencies to the Select TF ops, you need to use the full TensorFlow package instead.\n\nInstall LiteRT for Python\n-------------------------\n\nYou can install on Linux with pip: \n\n```\npython3 -m pip install tflite-runtime\n```\n\nSupported platforms\n-------------------\n\nThe `tflite-runtime` Python wheels are pre-built and provided for these\nplatforms:\n\n- Linux armv7l (e.g. Raspberry Pi 2, 3, 4 and Zero 2 running Raspberry Pi OS 32-bit)\n- Linux aarch64 (e.g. Raspberry Pi 3, 4 running Debian ARM64)\n- Linux x86_64\n\nIf you want to run LiteRT models on other platforms, you should either\nuse the [full TensorFlow package](https://www.tensorflow.org/install/), or\n[build the tflite-runtime package from source](../build/cmake_pip).\n\nIf you're using TensorFlow with the Coral Edge TPU, you should\ninstead follow the appropriate [Coral setup documentation](https://coral.ai/docs/setup).\n| **Note:** We no longer update the Debian package `python3-tflite-runtime`. The latest Debian package is for TF version 2.5, which you can install by following [these older instructions](https://github.com/tensorflow/tensorflow/blob/v2.5.0/tensorflow/lite/g3doc/guide/python.md#install-tensorflow-lite-for-python).\n| **Note:** We no longer release pre-built `tflite-runtime` wheels for Windows and macOS. For these platforms, you should use the [full TensorFlow package](https://www.tensorflow.org/install/), or [build the tflite-runtime package from source](../build/cmake_pip).\n\nRun an inference using tflite_runtime\n-------------------------------------\n\nInstead of importing `Interpreter` from the `tensorflow` module, you now need to\nimport it from `tflite_runtime`.\n\nFor example, after you install the package above, copy and run the\n[`label_image.py`](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/lite/examples/python/)\nfile. It will (probably) fail because you don't have the `tensorflow` library\ninstalled. To fix it, edit this line of the file: \n\n import tensorflow as tf\n\nSo it instead reads: \n\n import tflite_runtime.interpreter as tflite\n\nAnd then change this line: \n\n interpreter = tf.lite.Interpreter(model_path=args.model_file)\n\nSo it reads: \n\n interpreter = tflite.Interpreter(model_path=args.model_file)\n\nNow run `label_image.py` again. That's it! You're now executing LiteRT\nmodels.\n\nLearn more\n----------\n\n- For more details about the `Interpreter` API, read\n [Load and run a model in Python](../inference#load_and_run_a_model_in_python).\n\n- If you have a Raspberry Pi, check out a [video series](https://www.youtube.com/watch?v=mNjXEybFn98&list=PLQY2H8rRoyvz_anznBg6y3VhuSMcpN9oe)\n about how to run object detection on Raspberry Pi using LiteRT.\n\n- If you're using a Coral ML accelerator, check out the\n [Coral examples on GitHub](https://github.com/google-coral/tflite/tree/master/python/examples).\n\n- To convert other TensorFlow models to LiteRT, read about the\n [LiteRT Converter](../models/convert).\n\n- If you want to build `tflite_runtime` wheel, read\n [Build LiteRT Python Wheel Package](../build/cmake_pip)"]]
