"
+ }
+ ```
+
+ body中参数详情：
+
+| 参数 | 是否必选 | 类型 | 可选值范围 | 说明 |
+| --------- | ---- | ------ | ----- | ----------------------------------------------------------------------------------- |
+| image | 是 | string | - | 图像数据，base64编码，要求base64图片编码后大小不超过4M,最短边至少15px，最长边最大4096px，支持jpg/png/bmp格式 **注意去掉头部** |
+| threshold | 否 | number | - | 默认为推荐阈值，也可自行根据需要进行设置 |
+
+Python请求示例：
+
+```Python
+import base64
+import requests
+def main():
+ with open("图像路径", 'rb') as f:
+ result = requests.post("http://{服务ip地址}:24401/", json={
+ "image": base64.b64encode(f.read()).decode("utf8")
+ })
+ # print(result.request.body)
+ # print(result.request.headers)
+ print(result.content)
+
+if __name__ == '__main__':
+ main()
+```
+
+## 3. http返回数据
+
+| 字段 | 类型说明 | 其他 |
+| ---------- | ------ | ------------------------------------ |
+| error_code | Number | 0为成功,非0参考message获得具体错误信息 |
+| results | Array | 内容为具体的识别结果。其中字段的具体含义请参考`预测图像-返回格式`一节 |
+| cost_ms | Number | 预测耗时ms，不含网络交互时间 |
+
+返回示例
+
+```json
+{
+ "cost_ms": 52,
+ "error_code": 0,
+ "results": [
+ {
+ "confidence": 0.94482421875,
+ "index": 1,
+ "label": "IronMan",
+ "x1": 0.059185408055782318,
+ "x2": 0.18795496225357056,
+ "y1": 0.14762254059314728,
+ "y2": 0.52510076761245728,
+ "mask": "...", // 图像分割模型字段
+ "trackId": 0, // 目标追踪模型字段
+ },
+
+ ]
+}
+```
+
+*** 关于矩形坐标 ***
+
+x1 * 图片宽度 = 检测框的左上角的横坐标
+
+y1 * 图片高度 = 检测框的左上角的纵坐标
+
+x2 * 图片宽度 = 检测框的右下角的横坐标
+
+y2 * 图片高度 = 检测框的右下角的纵坐标
+
+*** 关于图像分割mask ***
+
+```
+cv::Mat mask为图像掩码的二维数组
+{
+ {0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
+}
+其中1代表为目标区域，0代表非目标区域
+```
+
+# FAQ
+
+1. 如何处理一些 undefined reference / error while loading shared libraries?
+
+ > 如：./easyedge_demo: error while loading shared libraries: libeasyedge.so.1: cannot open shared object file: No such file or directory
+
+ 遇到该问题时，请找到具体的库的位置，设置LD_LIBRARY_PATH；或者安装缺少的库。
+
+ > 示例一：libverify.so.1: cannot open shared object file: No such file or directory
+ > 链接找不到libveirfy.so文件，一般可通过 export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:../../lib 解决(实际冒号后面添加的路径以libverify.so文件所在的路径为准)
+
+ > 示例二：libopencv_videoio.so.4.5: cannot open shared object file: No such file or directory
+ > 链接找不到libopencv_videoio.so文件，一般可通过 export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:../../thirdparty/opencv/lib 解决(实际冒号后面添加的路径以libopencv_videoio.so所在路径为准)
+
+ > 示例三：GLIBCXX_X.X.X not found
+ > 链接无法找到glibc版本，请确保系统gcc版本>=SDK的gcc版本。升级gcc/glibc可以百度搜索相关文献。
+
+2. 使用libcurl请求http服务时，速度明显变慢
+
+ 这是因为libcurl请求continue导致server等待数据的问题，添加空的header即可
+
+ ```bash
+ headers = curl_slist_append(headers, "Expect:");
+ ```
+
+3. 运行二进制时，提示 libverify.so cannot open shared object file
+
+ 可能cmake没有正确设置rpath, 可以设置LD_LIBRARY_PATH为sdk的lib文件夹后，再运行：
+
+ ```bash
+ LD_LIBRARY_PATH=$LD_LIBRARY_PATH:../lib ./easyedge_demo
+ ```
+
+4. 编译时报错：file format not recognized
+
+ 可能是因为在复制SDK时文件信息丢失。请将整个压缩包复制到目标设备中，再解压缩、编译。
diff --git a/docs/ARM-CPU/ARM-Linux-Python-SDK-Inference.md b/docs/ARM-CPU/ARM-Linux-Python-SDK-Inference.md
new file mode 100644
index 0000000000..260be108dd
--- /dev/null
+++ b/docs/ARM-CPU/ARM-Linux-Python-SDK-Inference.md
@@ -0,0 +1,371 @@
+# 简介
+
+本文档以[千分类模型_MobileNetV3](https://ai.baidu.com/easyedge/app/openSource)为例，介绍FastDeploy中的模型SDK， 在**ARM Linux Python** 环境下:（1)图像推理部署步骤； （2）介绍模型推流全流程API，方便开发者了解项目后二次开发。其中ARM Linux C++请参考[ARM Linux C++环境下的推理部署](./ARM-Linux-CPP-SDK-Inference.md)文档。
+
+**注意**：部分模型（如Tinypose、OCR等）仅支持图像推理，不支持视频推理。
+
+
+
+* [简介](#简介)
+
+* [环境准备](#环境准备)
+
+ * [1.SDK下载](#1sdk下载)
+ * [2.硬件支持](#2硬件支持)
+ * [3.python环境](#3python环境)
+ * [4.安装依赖](#4安装依赖)
+ * [4.1.安装paddlepaddle](#41安装paddlepaddle)
+ * [4.2.安装EasyEdge Python Wheel 包](#42安装easyedge-python-wheel-包)
+
+* [快速开始](#快速开始)
+
+ * [1.文件结构说明](#1文件结构说明)
+ * [2.测试Demo](#2测试demo)
+ * [2.1预测图像](#21预测图像)
+
+* [Demo API介绍](#demo-api介绍)
+
+ * [1.基础流程](#1基础流程)
+ * [2.初始化](#2初始化)
+ * [3.SDK参数配置](#3sdk参数配置)
+ * [4.预测图像](#4预测图像)
+
+* [FAQ](#faq)
+
+
+
+# 环境准备
+
+## 1.SDK下载
+
+根据开发者模型、部署芯片、操作系统需要，在图像界面[飞桨开源模型](https://ai.baidu.com/easyedge/app/openSource)或[GIthub](https://github.com/PaddlePaddle/FastDeploy)中选择对应的SDK进行下载。
+
+```shell
+EasyEdge-Linux-x86--[部署芯片]
+├──...
+├──python # Linux Python SDK
+ ├── # 特定Python版本的EasyEdge Wheel包, 二次开发可使用
+ ├── BaiduAI_EasyEdge_SDK-1.3.1-cp36-cp36m-linux_aarch64.whl
+ ├── infer_demo # demo体验完整文件
+ │ ├── demo_xxx.py # 包含前后处理的端到端推理demo文件
+ │ └── demo_serving.py # 提供http服务的demo文件
+ ├── tensor_demo # 学习自定义算法前后处理时使用
+ │ └── demo_xxx.py
+```
+
+## 2.硬件支持
+
+目前支持的ARM架构：aarch64 、armv7hf
+
+## 3.python环境
+
+> ARM Linux SDK仅支持Python 3.6
+
+使用如下命令获取已安装的Python版本号。如果本机的版本不匹配，建议使用[pyenv](https://github.com/pyenv/pyenv)、[anaconda](https://www.anaconda.com/)等Python版本管理工具对SDK所在目录进行配置。
+
+```shell
+$python3 --version
+```
+
+接着使用如下命令确认pip的版本是否满足要求，要求pip版本为20.2.2或更高版本。详细的pip安装过程可以参考[官网教程](https://pip.pypa.io/en/stable/installation/)。
+
+```shell
+$python3 -m pip --version
+```
+
+## 4.安装依赖
+
+### 4.1.安装paddlepaddle
+
+根据具体的部署芯片（CPU/GPU）安装对应的PaddlePaddle的whl包。
+
+`armv8 CPU平台`可以使用如下命令进行安装：
+
+```shell
+python3 -m pip install http://aipe-easyedge-public.bj.bcebos.com/easydeploy/paddlelite-2.11-cp36-cp36m-linux_aarch64.whl
+```
+
+### 4.2.安装EasyEdge Python Wheel 包
+
+在`python`目录下，安装特定Python版本的EasyEdge Wheel包。`armv8 CPU平台`可以使用如下命令进行安装：
+
+```shell
+python3 -m pip install -U BaiduAI_EasyEdge_SDK-1.3.1-cp36-cp36m-linux_aarch64.whl
+```
+
+# 快速开始
+
+## 1.文件结构说明
+
+Python SDK文件结构如下：
+
+```shell
+.EasyEdge-Linux-x86--[部署芯片]
+├── RES # 模型资源文件夹，一套模型适配不同硬件、OS和部署方式
+│ ├── conf.json # Android、iOS系统APP名字需要
+│ ├── label_list.txt # 模型标签文件
+│ ├── model # 模型结构文件
+│ ├── params # 模型参数文件
+│ └── infer_cfg.json # 模型前后处理等配置文件
+├── ReadMe.txt
+├── cpp # C++ SDK 文件结构
+└── python # Python SDK 文件
+ ├── BaiduAI_EasyEdge_SDK-1.3.1-cp36-cp36m-linux_aarch64.whl #EasyEdge Python Wheel 包
+ ├── infer_demo
+ ├── demo_armv8_cpu.py # 图像推理
+ ├── demo_serving.py # HTTP服务化推理
+ └── tensor_demo # 学习自定义算法前后处理时使用
+ ├── demo_armv8_cpu.py
+```
+
+## 2.测试Demo
+
+> 模型资源文件默认已经打包在开发者下载的SDK包中， 默认为`RES`目录。
+
+### 2.1预测图像
+
+使用infer_demo文件夹下的demo文件。
+
+```bash
+python3 demo_x86_cpu.py {模型RES文件夹} {测试图片路径}
+```
+
+运行效果示例：
+
+
+
+```shell
+2022-06-14 14:40:16 INFO [EasyEdge] [demo_nvidia_gpu.py:38] 140518522509120: Init paddlefluid engine...
+2022-06-14 14:40:20 INFO [EasyEdge] [demo_nvidia_gpu.py:38] 140518522509120: Paddle version: 2.2.2
+{'confidence': 0.9012349843978882, 'index': 8, 'label': 'n01514859 hen'}
+```
+
+可以看到，运行结果为`index：8，label：hen`，通过imagenet [类别映射表](https://gist.github.com/yrevar/942d3a0ac09ec9e5eb3a)，可以找到对应的类别，即 'hen'，由此说明我们的预测结果正确。
+
+# Demo API介绍
+
+本章节主要结合[测试Demo](#2测试Demo)的Demo示例介绍推理API，方便开发者学习后二次开发。
+
+## 1.基础流程
+
+> ❗注意，请优先参考SDK中自带demo的使用流程和说明。遇到错误，请优先参考文件中的注释、解释、日志说明。
+
+`infer_demo/demo_xx_xx.py`
+
+```python
+# 引入EasyEdge运行库
+import BaiduAI.EasyEdge as edge
+
+# 创建并初始化一个预测Progam；选择合适的引擎
+pred = edge.Program()
+pred.init(model_dir={RES文件夹路径}, device=edge.Device.CPU, engine=edge.Engine.PADDLE_FLUID) # x86_64 CPU
+# pred.init(model_dir=_model_dir, device=edge.Device.GPU, engine=edge.Engine.PADDLE_FLUID) # x86_64 Nvidia GPU
+# pred.init(model_dir=_model_dir, device=edge.Device.CPU, engine=edge.Engine.PADDLE_LITE) # armv8 CPU
+
+# 预测图像
+res = pred.infer_image({numpy.ndarray的图片})
+
+# 关闭结束预测Progam
+pred.close()
+```
+
+`infer_demo/demo_serving.py`
+
+```python
+import BaiduAI.EasyEdge as edge
+from BaiduAI.EasyEdge.serving import Serving
+
+# 创建并初始化Http服务
+server = Serving(model_dir={RES文件夹路径}, license=serial_key)
+
+# 运行Http服务
+# 请参考同级目录下demo_xx_xx.py里:
+# pred.init(model_dir=xx, device=xx, engine=xx, device_id=xx)
+# 对以下参数device\device_id和engine进行修改
+server.run(host=host, port=port, device=edge.Device.CPU, engine=edge.Engine.PADDLE_FLUID) # x86_64 CPU
+# server.run(host=host, port=port, device=edge.Device.GPU, engine=edge.Engine.PADDLE_FLUID) # x86_64 Nvidia GPU
+# server.run(host=host, port=port, device=edge.Device.CPU, engine=edge.Engine.PADDLE_LITE) # armv8 CPU
+```
+
+## 2.初始化
+
+* 接口
+
+ ```python
+ def init(self,
+ model_dir,
+ device=Device.CPU,
+ engine=Engine.PADDLE_FLUID,
+ config_file='conf.json',
+ preprocess_file='preprocess_args.json',
+ model_file='model',
+ params_file='params',
+ label_file='label_list.txt',
+ infer_cfg_file='infer_cfg.json',
+ device_id=0,
+ thread_num=1
+ ):
+ """
+ Args:
+ model_dir: str
+ device: BaiduAI.EasyEdge.Device，比如：Device.CPU
+ engine: BaiduAI.EasyEdge.Engine， 比如： Engine.PADDLE_FLUID
+ config_file: str
+ preprocess_file: str
+ model_file: str
+ params_file: str
+ label_file: str 标签文件
+ infer_cfg_file: 包含预处理、后处理信息的文件
+ device_id: int 设备ID
+ thread_num: int CPU的线程数
+
+ Raises:
+ RuntimeError, IOError
+ Returns:
+ bool: True if success
+ """
+ ```
+
+若返回不是True，请查看输出日志排查错误原因。
+
+## 3.SDK参数配置
+
+使用 CPU 预测时，可以通过在 init 中设置 thread_num 使用多线程预测。如：
+
+```python
+pred.init(model_dir=_model_dir, device=edge.Device.CPU, engine=edge.Engine.PADDLE_FLUID, thread_num=4)
+```
+
+使用 GPU 预测时，可以通过在 init 中设置 device_id 指定需要的GPU device id。如：
+
+```python
+pred.init(model_dir=_model_dir, device=edge.Device.GPU, engine=edge.Engine.PADDLE_FLUID, device_id=0)
+```
+
+## 4.预测图像
+
+* 接口
+
+ ```python
+ def infer_image(self, img,
+ threshold=0.3,
+ channel_order='HWC',
+ color_format='BGR',
+ data_type='numpy'):
+ """
+
+ Args:
+ img: np.ndarray or bytes
+ threshold: float
+ only return result with confidence larger than threshold
+ channel_order: string
+ channel order HWC or CHW
+ color_format: string
+ color format order RGB or BGR
+ data_type: string
+ 仅在图像分割时有意义。 'numpy' or 'string'
+ 'numpy': 返回已解析的mask
+ 'string': 返回未解析的mask游程编码
+
+ Returns:
+ list
+
+ """
+ ```
+
+* 返回格式: `[dict1, dict2, ...]`
+
+| 字段 | 类型 | 取值 | 说明 |
+| ---------- | -------------------- | --------- | ------------------------ |
+| confidence | float | 0~1 | 分类或检测的置信度 |
+| label | string | | 分类或检测的类别 |
+| index | number | | 分类或检测的类别 |
+| x1, y1 | float | 0~1 | 物体检测，矩形的左上角坐标 (相对长宽的比例值) |
+| x2, y2 | float | 0~1 | 物体检测，矩形的右下角坐标（相对长宽的比例值） |
+| mask | string/numpy.ndarray | 图像分割的mask | |
+
+***关于矩形坐标***
+
+x1 * 图片宽度 = 检测框的左上角的横坐标
+
+y1 * 图片高度 = 检测框的左上角的纵坐标
+
+x2 * 图片宽度 = 检测框的右下角的横坐标
+
+y2 * 图片高度 = 检测框的右下角的纵坐标
+
+可以参考 demo 文件中使用 opencv 绘制矩形的逻辑。
+
+***结果示例***
+
+ i) 图像分类
+
+```json
+{
+ "index": 736,
+ "label": "table",
+ "confidence": 0.9
+}
+```
+
+ ii) 物体检测
+
+```json
+{
+ "index": 8,
+ "label": "cat",
+ "confidence": 1.0,
+ "x1": 0.21289,
+ "y1": 0.12671,
+ "x2": 0.91504,
+ "y2": 0.91211,
+}
+```
+
+ iii) 图像分割
+
+```json
+{
+ "name": "cat",
+ "score": 1.0,
+ "location": {
+ "left": ...,
+ "top": ...,
+ "width": ...,
+ "height": ...,
+ },
+ "mask": ...
+}
+```
+
+mask字段中，data_type为`numpy`时，返回图像掩码的二维数组
+
+```
+{
+ {0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
+}
+其中1代表为目标区域，0代表非目标区域
+```
+
+data_type为`string`时，mask的游程编码，解析方式可参考 [demo](https://github.com/Baidu-AIP/EasyDL-Segmentation-Demo)
+
+# FAQ
+
+1.执行infer_demo文件时，提示your generated code is out of date and must be regenerated with protoc >= 3.19.0
+
+ 进入当前项目，首先卸载protobuf
+
+ ```shell
+ python3 -m pip uninstall protobuf
+ ```
+
+ 安装低版本protobuf
+
+ ```shell
+ python3 -m pip install protobuf==3.19.0
+ ```
diff --git a/docs/ARM-CPU/ARM-Linux-Python-SDK-Serving.md b/docs/ARM-CPU/ARM-Linux-Python-SDK-Serving.md
new file mode 100644
index 0000000000..aa37e7e405
--- /dev/null
+++ b/docs/ARM-CPU/ARM-Linux-Python-SDK-Serving.md
@@ -0,0 +1,266 @@
+# 简介
+
+本文档以[千分类模型_MobileNetV3](https://ai.baidu.com/easyedge/app/openSource)为例，介绍FastDeploy中的模型SDK， 在**ARM Linux Python** 环境下： （1)**服务化**推理部署步骤； （2）介绍模型推流全流程API，方便开发者了解项目后二次开发。其中ARM Linux Python请参考[ARM Linux C++环境下的HTTP推理部署](./ARM-Linux-CPP-SDK-Serving.md)文档。
+
+**注意**：部分模型（如OCR等）不支持服务化推理。
+
+
+
+* [简介](#简介)
+
+* [环境准备](#环境准备)
+
+ * [1.SDK下载](#1sdk下载)
+ * [2.硬件支持](#2硬件支持)
+ * [3.Python环境](#3python环境)
+ * [4.安装依赖](#4安装依赖)
+ * [4.1.安装paddlepaddle](#41安装paddlepaddle)
+ * [4.2.安装EasyEdge Python Wheel 包](#42安装easyedge-python-wheel-包)
+
+* [快速开始](#快速开始)
+
+ * [1.文件结构说明](#1文件结构说明)
+ * [2.测试Serving服务](#2测试serving服务)
+ * [2.1 启动HTTP预测服务](#21-启动http预测服务)
+
+* [HTTP API流程详解](#http-api流程详解)
+
+ * [1. 开启http服务](#1-开启http服务)
+ * [2. 请求http服务](#2-请求http服务)
+ * [2.1 http 请求方式：不使用图片base64格式](#21-http-请求方式不使用图片base64格式)
+ * [3. http返回数据](#3-http返回数据)
+
+* [FAQ](#faq)
+
+
+
+# 环境准备
+
+## 1.SDK下载
+
+根据开发者模型、部署芯片、操作系统需要，在图像界面[飞桨开源模型](https://ai.baidu.com/easyedge/app/openSource)或[GIthub](https://github.com/PaddlePaddle/FastDeploy)中选择对应的SDK进行下载。解压缩后的文件结构如下。
+
+```shell
+EasyEdge-Linux-x86-[部署芯片]
+├── RES # 模型文件资源文件夹，可替换为其他模型
+├── README.md
+├── cpp # C++ SDK
+└── python # Python SDK
+```
+
+## 2.硬件支持
+
+目前支持的ARM架构：aarch64 、armv7hf
+
+## 3.Python环境
+
+> ARM Linux SDK仅支持Python 3.6
+
+使用如下命令获取已安装的Python版本号。如果本机的版本不匹配，需要根据ARM Linux下Python安装方式进行安装。（不建议在ARM Linux下使用conda，因为ARM Linux场景通常资源很有限）
+
+```shell
+$python3 --version
+```
+
+接着使用如下命令确认pip的版本是否满足要求，要求pip版本为20.2.2或更高版本。详细的pip安装过程可以参考[官网教程](https://pip.pypa.io/en/stable/installation/)。
+
+```shell
+$python3 -m pip --version
+```
+
+## 4.安装依赖
+
+### 4.1.安装paddlepaddle
+
+根据具体的部署芯片（CPU/GPU）安装对应的PaddlePaddle的whl包。
+
+`armv8 CPU平台`可以使用如下命令进行安装：
+
+```shell
+python3 -m pip install http://aipe-easyedge-public.bj.bcebos.com/easydeploy/paddlelite-2.11-cp36-cp36m-linux_aarch64.whl
+```
+
+### 4.2.安装EasyEdge Python Wheel 包
+
+在`python`目录下，安装特定Python版本的EasyEdge Wheel包。`armv8 CPU平台`可以使用如下命令进行安装：
+
+```shell
+python3 -m pip install -U BaiduAI_EasyEdge_SDK-1.3.1-cp36-cp36m-linux_aarch64.whl
+```
+
+# 二.快速开始
+
+## 1.文件结构说明
+
+Python SDK文件结构如下：
+
+```shell
+EasyEdge-Linux-x86--[部署芯片]
+├──...
+├──python # Linux Python SDK
+ ├── # 特定Python版本的EasyEdge Wheel包, 二次开发可使用
+ ├── BBaiduAI_EasyEdge_SDK-1.3.1-cp36-cp36m-linux_aarch64.whl
+ ├── infer_demo # demo体验完整文件
+ │ ├── demo_xxx.py # 包含前后处理的端到端推理demo文件
+ │ └── demo_serving.py # 提供http服务的demo文件
+ ├── tensor_demo # 学习自定义算法前后处理时使用
+ │ └── demo_xxx.py
+```
+
+## 2.测试Serving服务
+
+> 模型资源文件默认已经打包在开发者下载的SDK包中， 默认为`RES`目录。
+
+### 2.1 启动HTTP预测服务
+
+指定对应的模型文件夹（默认为`RES`）、设备ip和指定端口号，运行如下命令。
+
+```shell
+python3 demo_serving.py {模型RES文件夹} {host, default 0.0.0.0} {port, default 24401}
+```
+
+成功启动后，终端中会显示如下字样。
+
+```shell
+...
+* Running on {host ip}:24401
+```
+
+如果是在局域网内的机器上部署，开发者此时可以打开浏览器，输入`http://{host ip}:24401`，选择图片来进行测试，运行效果如下。
+
+
+
+如果是在远程机器上部署，那么可以参考`demo_serving.py`中的 `http_client_test()函数`请求http服务来执行推理。
+
+# 三. HTTP API流程详解
+
+## 1. 开启http服务
+
+http服务的启动使用`demo_serving.py`文件
+
+```python
+class Serving(object):
+ """
+ SDK local serving
+ """
+
+ def __init__(self, model_dir, license='', model_filename='model', params_filename='params'):
+
+ self.program = None
+ self.model_dir = model_dir
+ self.model_filename = model_filename
+ self.params_filename = params_filename
+ self.program_lock = threading.Lock()
+ self.license_key = license
+ # 只有ObjectTracking会初始化video_processor
+ self.video_processor = None
+
+ def run(self, host, port, device, engine=Engine.PADDLE_FLUID, service_id=0, device_id=0, **kwargs):
+ """
+ Args:
+ host : str
+ port : str
+ device : BaiduAI.EasyEdge.Device，比如：Device.CPU
+ engine : BaiduAI.EasyEdge.Engine， 比如： Engine.PADDLE_FLUID
+ """
+ self.run_serving_with_flask(host, port, device, engine, service_id, device_id, **kwargs)
+```
+
+## 2. 请求http服务
+
+> 开发者可以打开浏览器，`http://{设备ip}:24401`，选择图片来进行测试。
+
+### 2.1 http 请求方式：不使用图片base64格式
+
+URL中的get参数：
+
+| 参数 | 说明 | 默认值 |
+| --------- | --------- | ---------------- |
+| threshold | 阈值过滤， 0~1 | 如不提供，则会使用模型的推荐阈值 |
+
+HTTP POST Body即为图片的二进制内容
+
+Python请求示例
+
+```python
+import requests
+
+with open('./1.jpg', 'rb') as f:
+ img = f.read()
+ result = requests.post(
+ 'http://127.0.0.1:24401/',
+ params={'threshold': 0.1},
+ data=img).json()
+```
+
+## 3. http返回数据
+
+| 字段 | 类型说明 | 其他 |
+| ---------- | ------ | ------------------------------------ |
+| error_code | Number | 0为成功,非0参考message获得具体错误信息 |
+| results | Array | 内容为具体的识别结果。其中字段的具体含义请参考`预测图像-返回格式`一节 |
+| cost_ms | Number | 预测耗时ms，不含网络交互时间 |
+
+返回示例
+
+```json
+{
+ "cost_ms": 52,
+ "error_code": 0,
+ "results": [
+ {
+ "confidence": 0.94482421875,
+ "index": 1,
+ "label": "IronMan",
+ "x1": 0.059185408055782318,
+ "x2": 0.18795496225357056,
+ "y1": 0.14762254059314728,
+ "y2": 0.52510076761245728,
+ "mask": "...", // 图像分割模型字段
+ "trackId": 0, // 目标追踪模型字段
+ },
+
+ ]
+}
+```
+
+***关于矩形坐标***
+
+x1 * 图片宽度 = 检测框的左上角的横坐标
+
+y1 * 图片高度 = 检测框的左上角的纵坐标
+
+x2 * 图片宽度 = 检测框的右下角的横坐标
+
+y2 * 图片高度 = 检测框的右下角的纵坐标
+
+*** 关于图像分割mask ***
+
+```
+cv::Mat mask为图像掩码的二维数组
+{
+ {0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 1, 1, 1, 0, 0, 0, 0},
+ {0, 0, 0, 0, 0, 0, 0, 0, 0, 0},
+}
+其中1代表为目标区域，0代表非目标区域
+```
+
+# FAQ
+
+1.执行infer_demo文件时，提示your generated code is out of date and must be regenerated with protoc >= 3.19.0
+
+ 进入当前项目，首先卸载protobuf
+
+ ```shell
+ python3 -m pip uninstall protobuf
+ ```
+
+ 安装低版本protobuf
+
+ ```shell
+ python3 -m pip install protobuf==3.19.0
+ ```
diff --git a/docs/ARM-CPU/Android-SDK.md b/docs/ARM-CPU/Android-SDK.md
new file mode 100644
index 0000000000..2a2abbc560
--- /dev/null
+++ b/docs/ARM-CPU/Android-SDK.md
@@ -0,0 +1,404 @@
+# 简介
+
+本文档介绍FastDeploy中的模型SDK，在Android环境下：（1）推理操作步骤；（2）介绍模型SDK使用说明，方便开发者了解项目后二次开发。
+
+
+
+* [简介](#简介)
+
+* [系统支持说明](#系统支持说明)
+
+* [快速开始](#快速开始)
+
+ * [1. 项目结构说明](#1-项目结构说明)
+ * [2. APP 标准版测试](#2-app-标准版测试)
+ * [2.1 扫码体验](#21-扫码体验)
+ * [2.2 源码运行](#22-源码运行)
+ * [3. 精简版测试](#3-精简版测试)
+
+* [SDK使用说明](#sdk使用说明)
+
+ * [1. 集成指南](#1-集成指南)
+ * [1.1 依赖库集成](#11-依赖库集成)
+ * [1.2 添加权限](#12-添加权限)
+ * [1.3 混淆规则（可选）](#13-混淆规则可选)
+ * [2. API调用流程示例](#2-api调用流程示例)
+ * [2.1 初始化](#21-初始化)
+ * [2.2 预测图像](#22-预测图像)
+
+* [错误码](#错误码)
+
+
+
+# 系统支持说明
+
+1. Android 版本支持范围：Android 5.0（API21）<= Android < Android 10（API 29）。
+
+2. 硬件支持情况：支持 arm64-v8a 和 armeabi-v7a，暂不支持模拟器。
+* 官网测试机型：红米k30，Vivo v1981a，华为oxp-an00，华为cdy-an90，华为pct-al10，荣耀yal-al00，OPPO Reno5 Pro 5G
+3. 其他说明
+* 【图像分割类算法】（1）图像分割类算法，暂未提供实时摄像头推理功能，开发者可根据自己需要，进行安卓开发；（2）PP-Humanseg-Lite模型设计初衷为横屏视频会议等场景，本次安卓SDK仅支持竖屏场景，开发者可根据自己需要，开发横屏功能。
+* 【OCR模型】OCR任务第一次启动任务，第一张推理时间久，属于正常情况（因为涉及到模型加载、预处理等工作）。
+
+> 预测图像时运行内存不能过小，一般大于模型资源文件夹大小的3倍。
+
+# 快速开始
+
+## 1. 项目结构说明
+
+根据开发者模型、部署芯片、操作系统需要，在图像界面[飞桨开源模型](https://ai.baidu.com/easyedge/app/openSource)或[GIthub](https://github.com/PaddlePaddle/FastDeploy)中选择对应的SDK进行下载。SDK目录结构如下：
+
+```
+.EasyEdge-Android-SDK
+├── app
+│ ├── src/main
+│ │ ├── assets
+│ │ │ ├── demo
+│ │ │ │ └── conf.json # APP名字
+│ │ │ ├── infer # 模型资源文件夹，一套模型适配不同硬件、OS和部署方式
+│ │ │ │ ├── model # 模型结构文件
+│ │ │ │ ├── params # 模型参数文件
+│ │ │ │ ├── label_list.txt # 模型标签文件
+│ │ │ │ └── infer_cfg.json # 模型前后处理等配置文件
+│ │ ├── java/com.baidu.ai.edge/demo
+│ │ │ ├── infertest # 通用ARM精简版测试
+│ │ │ │ ├── TestInferClassifyTask.java # 图像分类
+│ │ │ │ ├── TestInferDetectionTask.java # 物体检测
+│ │ │ │ ├── TestInferSegmentTask.java # 实例分割
+│ │ │ │ ├── TestInferPoseTask.java # 姿态估计
+│ │ │ │ ├── TestInferOcrTask.java # OCR
+│ │ │ │ └── MainActivity.java # 精简版启动 Activity
+│ │ │ ├── MainActivity.java # Demo APP 启动 Activity
+│ │ │ ├── CameraActivity.java # 摄像头UI逻辑
+│ │ │ └── ...
+│ │ └── ...
+│ ├── libs
+│ │ ├── armeabi-v7a # v7a的依赖库
+│ │ ├── arm64-v8a # v8a的依赖库
+│ │ └── easyedge-sdk.jar # jar文件
+│ └── ...
+├── camera_ui # UI模块，包含相机逻辑
+├── README.md
+└── ... # 其他 gradle 等工程文件
+```
+
+## 2. APP 标准版测试
+
+考虑部分Android开发板没有摄像头，因此本项目开发了标准版和精简版两种。标准版会调用Android系统的摄像头，采集摄像头来进行AI模型推理；精简版在没有摄像头的开发板上运行，需要开发者准备图像。开发者根据硬件情况，选择对应的版本。
+
+### 2.1 扫码体验
+
+扫描二维码（二维码见下载网页`体验Demo`），无需任何依赖，手机上下载即可直接体验。
+
+
+
+### 2.2 源码运行
+
+（1）下载对应的SDK，解压工程。
+
+（2）打开Android Studio， 点击 "Import Project..."，即：File->New-> "Import Project...", 选择解压后的目录。
+（3）手机链接Android Studio，并打开开发者模式。（不了解开发者模式的开发者，可浏览器搜索）
+（4）此时点击运行按钮，手机上会有新app安装完毕，运行效果和二维码扫描的一样。
+
+
+
+## 3. 精简版测试
+
+* 考虑部分Android开发板没有摄像头，本项目提供了精简版本，精简版忽略摄像头等UI逻辑，可兼容如无摄像头的开发板测试。
+
+* 精简版对应的测试图像路径，在代码`src/main/java/com.baidu.ai.edge/demo/TestInfer*.java`中进行了设置，开发者可以准备图像到对应路径测试，也可以修改java代码测试。
+
+* 支持以下硬件环境的精简版测试：通用ARM：图像分类、物体检测、实例分割、姿态估计、文字识别。
+
+示例代码位于 app 模块下 infertest 目录，修改 app/src/main/AndroidManifest.xml 中的启动 Activity 开启测试。
+修改前：
+
+```
+
+
+
+ infertest.MainActivity
+
+
+
+
+
+```
+
+修改后：
+
+```
+
+
+
+
+
+
+
+```
+
+注意：修改后，因为没有测试数据，需要开发者准备一张测试图像，放到 `app/src/main/asserts/` 路径下，并按照`app/src/main/java/com/baidu/ai/edge/demo/infertest/TestInfer*.java`中的图像命名要求对图像进行命名。
+
+
+
+| Demo APP 检测模型运行示例 | 精简版检测模型运行示例 |
+| --------------------------------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------- |
+|  |  |
+
+
+# SDK使用说明
+
+本节介绍如何将 SDK 接入开发者的项目中使用。
+
+## 1. 集成指南
+
+步骤一：依赖库集成
+步骤二：添加必要权限
+步骤三：混淆配置（可选）
+
+### 1.1 依赖库集成
+
+A. 项目中未集成其他 jar 包和 so 文件：
+
+```
+// 1. 复制 app/libs 至项目的 app/libs 目录
+// 2. 参考 app/build.gradle 配置 NDK 可用架构和 so 依赖库目录
+
+android {
+ ...
+ defaultConfig {
+ ndk {
+ abiFilters 'armeabi-v7a', 'arm64-v8a'
+ }
+ }
+ sourceSets {
+ main {
+ jniLibs.srcDirs = ['libs']
+ }
+ }
+}
+```
+
+B. 项目中已集成其他 jar 包，未集成 so 文件：
+
+```
+// 1. 复制 app/libs/easyedge-sdk.jar 与其他 jar 包同目录
+// 2. 复制 app/libs 下 armeabi-v7a 和 arm64-v8a 目录至 app/src/main/jniLibs 目录下
+// 3. 参考 app/build.gradle 配置 NDK 可用架构
+
+android {
+ ...
+ defaultConfig {
+ ndk {
+ abiFilters 'armeabi-v7a', 'arm64-v8a'
+ }
+ }
+}
+```
+
+C. 项目中已集成其他 jar 包和 so 文件：
+
+```
+// 1. 复制 app/libs/easyedge-sdk.jar 与其他 jar 包同目录
+// 2. 融合 app/libs 下 armeabi-v7a 和 arm64-v8a 下的 so 文件与其他同架构 so 文件同目录
+// 3. 参考 app/build.gradle 配置 NDK 可用架构
+
+android {
+ ...
+ defaultConfig {
+ ndk {
+ abiFilters 'armeabi-v7a', 'arm64-v8a' // 只支持 v7a 和 v8a 两种架构，有其他架构需删除
+ }
+ }
+}
+```
+
+### 1.2 添加权限
+
+参考 app/src/main/AndroidManifest.xml 中配置的权限。
+
+```
+
+
+
+```
+
+### 1.3 混淆规则（可选）
+
+请不要混淆 jar 包文件，参考 app/proguard-rules.pro 配置。
+
+```
+-keep class com.baidu.ai.edge.core.*.*{ *; }
+```
+
+## 2. API调用流程示例
+
+以通用ARM的图像分类预测流程为例，详细说明请参考后续章节：
+
+```
+try {
+ // step 1-1: 准备配置类
+ InferConfig config = new InferConfig(context.getAssets(), "infer");
+
+ // step 1-2: 准备预测 Manager
+ InferManager manager = new InferManager(context, config, "");
+
+ // step 2-1: 准备待预测的图像，必须为 Bitmap.Config.ARGB_8888 格式，一般为默认格式
+ Bitmap image = getFromSomeWhere();
+
+ // step 2-2: 预测图像
+ List results = manager.classify(image, 0.3f);
+
+ // step 3: 解析结果
+ for (ClassificationResultModel resultModel : results) {
+ Log.i(TAG, "labelIndex=" + resultModel.getLabelIndex()
+ + ", labelName=" + resultModel.getLabel()
+ + ", confidence=" + resultModel.getConfidence());
+ }
+
+ // step 4: 释放资源。预测完毕请及时释放资源
+ manager.destroy();
+} catch (Exception e) {
+ Log.e(TAG, e.getMessage());
+}
+```
+
+### 2.1 初始化
+
+**准备配置类**
+芯片与配置类对应关系：
+
+- 通用ARM：InferConfig
+
+```
+// 示例
+// 参数二为芯片对应的模型资源文件夹名称
+InferConfig config = new InferConfig(context.getAssets(), "infer");
+```
+
+**准备预测 Manager**
+芯片与 Manager 对应关系：
+
+- 通用ARM：InferManager
+
+```
+// 示例
+// 参数二为配置类对象
+// 参数三保持空字符串即可
+InferManager manager = new InferManager(context, config, "");
+```
+
+> **注意**
+>
+> 1. 同一时刻只能有且唯一有效的 Manager，若要新建一个 Manager，之前创建的 Manager 需先调用 destroy() 销毁；
+> 2. Manager 的任何方法都不能在 UI 线程调用；
+> 3. Manager 的任何成员变量及方法由于线程同步问题，都必须在同一个线程中执行；
+
+### 2.2 预测图像
+
+本节介绍各种模型类型的预测函数及结果解析。
+
+> **注意**
+> 预测函数可以多次调用，但必须在同一个线程中，不支持并发
+> 预测函数中的 confidence 非必需，默认使用模型推荐值。填 0 可返回所有结果
+> 待预测的图像必须为 Bitmap.Config.ARGB_8888 格式的 Bitmap
+
+**图像分类**
+
+```
+// 预测函数
+List classify(Bitmap bitmap) throws BaseException;
+List classify(Bitmap bitmap, float confidence) throws BaseException;
+
+// 返回结果
+ClassificationResultModel
+- label: 分类标签，定义在label_list.txt中
+- labelIndex: 分类标签对应的序号
+- confidence: 置信度，0-1
+```
+
+**物体检测**
+
+```
+// 预测函数
+List detect(Bitmap bitmap) throws BaseException;
+List detect(Bitmap bitmap, float confidence) throws BaseException;
+
+// 返回结果
+DetectionResultModel
+- label: 标签，定义在label_list.txt中
+- confidence: 置信度，0-1
+- bounds: Rect，包含左上角和右下角坐标，指示物体在图像中的位置
+```
+
+**实例分割**
+
+```
+// 预测函数
+List segment(Bitmap bitmap) throws BaseException;
+List segment(Bitmap bitmap, float confidence) throws BaseException;
+
+// 返回结果
+SegmentationResultModel
+- label: 标签，定义在label_list.txt中
+- confidence: 置信度，0-1
+- lableIndex: 标签对应的序号
+- box: Rect，指示物体在图像中的位置
+- mask: byte[]，表示原图大小的0，1掩码，绘制1的像素即可得到当前对象区域
+- maskLEcode: mask的游程编码
+```
+
+> 关于 maskLEcode 的解析方式可参考 [http demo](https://github.com/Baidu-AIP/EasyDL-Segmentation-Demo)
+
+**姿态估计**
+
+```
+// 预测函数
+List pose(Bitmap bitmap) throws BaseException;
+
+// 返回结果
+PoseResultModel
+- label: 标签，定义在label_list.txt中
+- confidence: 置信度，0-1
+- points: Pair, 2个点构成一条线
+```
+
+**文字识别**
+
+```
+// 预测函数
+List ocr(Bitmap bitmap) throws BaseException;
+List ocr(Bitmap bitmap, float confidence) throws BaseException;
+
+// 返回结果
+OcrResultModel
+- label: 识别出的文字
+- confidence: 置信度，0-1
+- points: List, 文字所在区域的点位
+```
+
+# 错误码
+
+| 错误码 | 错误描述 | 详细描述及解决方法 |
+| ---- | ------------------------------ | ------------------------------------------------------------------------------------ |
+| 1001 | assets 目录下用户指定的配置文件不存在 | SDK可以使用assets目录下config.json作为配置文件。如果传入的config.json不在assets目录下，则有此报错 |
+| 1002 | 用户传入的配置文件作为json解析格式不准确，如缺少某些字段 | 正常情况下，demo中的config.json不要修改 |
+| 19xx | Sdk内部错误 | 请与百度人员联系 |
+| 2001 | XxxxMANAGER 只允许一个实例 | 如已有XxxxMANAGER对象，请调用destory方法 |
+| 2002 | XxxxMANAGER 已经调用过destory方法 | 在一个已经调用destory方法的DETECT_MANAGER对象上，不允许再调用任何方法 |
+| 2003 | 传入的assets下模型文件路径为null | XxxxConfig.getModelFileAssetPath() 返回为null。由setModelFileAssetPath(null）导致 |
+| 2011 | libedge-xxxx.so 加载失败 | System.loadLibrary("edge-xxxx"); libedge-xxxx.so 没有在apk中。CPU架构仅支持armeabi-v7a arm-v8a |
+| 2012 | JNI内存错误 | heap的内存不够 |
+| 2103 | license过期 | license失效或者系统时间有异常 |
+| 2601 | assets 目录下模型文件打开失败 | 请根据报错信息检查模型文件是否存在 |
+| 2611 | 检测图片时，传递至引擎的图片二进制与长宽不符合 | 具体见报错信息 |
+| 27xx | Sdk内部错误 | 请与百度人员联系 |
+| 28xx | 引擎内部错误 | 请与百度人员联系 |
+| 29xx | Sdk内部错误 | 请与百度人员联系 |
+| 3000 | so加载错误 | 请确认所有so文件存在于apk中 |
+| 3001 | 模型加载错误 | 请确认模型放置于能被加载到的合法路径中，并确保config.json配置正确 |
+| 3002 | 模型卸载错误 | 请与百度人员联系 |
+| 3003 | 调用模型错误 | 在模型未加载正确或者so库未加载正确的情况下调用了分类接口 |
+| 50xx | 在线模式调用异常 | 请与百度人员联系 |
diff --git a/docs/ARM-CPU/Replace-Model-With-Anther-One.md b/docs/ARM-CPU/Replace-Model-With-Anther-One.md
new file mode 100644
index 0000000000..1e6f7436a1
--- /dev/null
+++ b/docs/ARM-CPU/Replace-Model-With-Anther-One.md
@@ -0,0 +1,266 @@
+
+# 简介
+
+本文档介绍如何将FastDeploy的Demo模型，替换成开发者自己训练的AI模型。（**注意**：FastDeploy下载的SDK和Demo仅支持相同算法模型的替换）。本文档要求开发者已经将Demo和SDK运行跑通，如果要了解运行跑通Demo和SDK指导文档，可以参考[SDK使用文档](https://github.com/PaddlePaddle/FastDeploy/blob/develop/README.md#sdk使用)
+
+* [简介](#0)
+* [模型替换](#1)
+ * [1.模型准备](#2)
+ * [1.1 Paddle模型](#3)
+ * [1.2 Paddle OCR模型增加一步特殊转换](#4)
+ * [1.2.1 下载模型转换工具](#5)
+ * [1.2.2 下载模型转换工具](#6)
+ * [1.3 其他框架模型](#7)
+ * [2.模型名修改和label文件准备](#8)
+ * [2.1 非OCR模型名修改](#9)
+ * [2.2 OCR模型名修改](#10)
+ * [2.3 模型label文件](#11)
+ * [3.修改配置文件](#12)
+* [测试效果](#13)
+* [完整配置文件说明](#14)
+ * [1.配置文件字段含义](#15)
+ * [2.预处理顺序](#16)
+* [FAQ](#17)
+
+**注意事项：**
+
+1. PP-PicoDet模型： 在FastDeploy中，支持PP-Picodet模型，是将后处理写到网络里面的方式（即后处理+NMS都在网络结构里面）。Paddle Detection导出静态模型时，有3种方法，选择将后处理和NMS导入到网络里面即可（参考[导出部分](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/picodet#%E5%AF%BC%E5%87%BA%E5%8F%8A%E8%BD%AC%E6%8D%A2%E6%A8%A1%E5%9E%8B)）。详细网络区别，可以通过netron工具对比。
+
+2. PP-Picodet模型：在FastDeploy中，支持PP-Picodet模型，是将前处理写在网络外面的方式。Paddle Detection中的TinyPose算法中，会将PP-PicoDet模型的前处理写入网络中。如果要使用FastDeploy的SDK进行模型替换，需要将前处理写到网络外面。（参考[Detection中的导出命令](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/keypoint/tiny_pose#%E5%B0%86%E8%AE%AD%E7%BB%83%E7%9A%84%E6%A8%A1%E5%9E%8B%E5%AE%9E%E7%8E%B0%E7%AB%AF%E4%BE%A7%E9%83%A8%E7%BD%B2)，将TestReader.fuse_normalize=False即可）。
+
+
+
+# 模型替换
+
+开发者从PaddleDetection、PaddleClas、PaddleOCR、PaddleSeg等飞桨开发套件导出来的对应模型，完成 [1.模型准备](#)、[1.模型名修改和模型label](#)、[3.修改配置文件](#) 3步操作（需要相同算法才可替换），可完成自定义模型的模型文件，运行时指定新的模型文件，即可在自己训练的模型上实现相应的预测推理任务。
+
+* Linux下模型资源文件夹路径：`EasyEdge-Linux-**/RES/` 。
+* Windows下模型资源文件夹路径：`EasyEdge-Windows-**/data/model/`。
+* Android下模型资源文件夹路径：`EasyEdge-Android-**/app/src/assets/infer/` 和 ` app/src/assets/demo/conf.json`
+* iOS下模型资源文件夹路径：`EasyEdge-iOS-**/RES/easyedge/`
+
+主要涉及到下面4个模型相关的文件（mode、params、label_list.txt、infer_cfg.json）和一个APP名相关的配置文件（仅Android、iOS、HTTP需要，APP名字，非必需。）
+
+* ```
+ ├── RES、model、infer # 模型资源文件夹，一套模型适配不同硬件、OS和部署方式
+ │ ├── conf.json # Android、iOS系统APP名字需要
+ │ ├── model # 模型结构文件
+ │ ├── params # 模型参数文件
+ │ ├── label_list.txt # 模型标签文件
+ │ ├── infer_cfg.json # 模型前后处理等配置文件
+ ```
+
+ > ❗注意：OCR模型在ARM CPU硬件上（包括Android、Linux、iOS 三款操作系统），因为任务的特殊性，替换在 [1.模型准备](#)、[1.模型名修改和模型label](#) 不同于其他任务模型，详细参考下面步骤。
+
+
+
+## 1.模型准备
+
+
+
+### 1.1 Paddle模型
+
+* 通过PaddleDetection、PaddleClas、PaddleOCR、PaddleSeg等导出来飞桨模型文件，包括如下文件（可能存在导出时修改了名字的情况，后缀`.pdmodel`为模型网络结构文件，后缀`.pdiparams`为模型权重文件）：
+
+```
+model.pdmodel # 模型网络结构
+model.pdiparams # 模型权重
+model.yml # 模型的配置文件（包括预处理参数、模型定义等）
+```
+
+
+
+### 1.2 OCR模型特殊转换（仅在ARM CPU上需要）
+
+因为推理引擎版本的问题，OCR模型需要在[1.1 Paddle模型](#3)导出`.pdmodel`和`.pdiparams`模型后，多增加一步模型转换的特殊处理，主要执行下面2步：
+
+
+
+#### 1.2.1 下载模型转换工具
+
+Linux 模型转换工具下载链接：[opt_linux](https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.11/opt_linux)
+M1 模型转换工具下载链接：[opt_m1](https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.11/opt_m1)
+mac 模型转换工具下载链接：[opt_mac](https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.11/opt_mac)
+
+
+
+#### 1.2.2 模型转换
+
+以下命令，以mac为例，完成模型转换。
+
+```
+* 转换 OCR 检测模型命名：
+./opt_mac --model_dir=./ch_PP-OCRv3_det_infer/ --valid_targets=arm --optimize_out_type=naive_buffer --optimize_out=./ocr_det
+
+* 转换 OCR 识别模型命名：
+./opt_mac --model_dir=./ch_PP-OCRv3_rec_infer/ --valid_targets=arm --optimize_out_type=naive_buffer --optimize_out=./ocr_rec
+```
+
+产出：
+
+
+
+ * 3.2 【OCR模型】OCR任务第一次启动任务，第一张推理时间久，属于正常情况（因为涉及到模型加载、预处理等工作）。
+
+## 2. SDK大小说明
+
+1. 模型资源文件大小影响 SDK 大小
+2. SDK 包及 IPA 安装包虽然比较大，但最终安装到设备后所占大小会缩小很多。这与 multi architechtures、bitcode 和 AppStore 的优化有关。
+
+# 快速开始
+
+## 1. 项目结构说明
+
+根据开发者模型、部署芯片、操作系统需要，在图像界面[飞桨开源模型](https://ai.baidu.com/easyedge/app/openSource)或[GIthub](https://github.com/PaddlePaddle/FastDeploy)中选择对应的SDK进行下载。SDK目录结构如下：
+
+```
+.EasyEdge-iOS-SDK
+├── EasyDLDemo # Demo工程文件
+├── LIB # 依赖库
+├── RES
+│ ├── easyedge # 模型资源文件夹，一套模型适配不同硬件、OS和部署方式
+│ ├── conf.json # Android、iOS系统APP名字需要
+│ ├── model # 模型结构文件
+│ ├── params # 模型参数文件
+│ ├── label_list.txt # 模型标签文件
+│ ├── infer_cfg.json # 模型前后处理等配置文件
+└── DOC # 文档
+```
+
+## 2. 测试Demo
+
+按如下步骤可直接运行 SDK 体验 Demo：
+步骤一：用 Xcode 打开 `EasyDLDemo/EasyDLDemo.xcodeproj`
+步骤二：配置开发者自己的签名（不了解签名机制的，可以看FAQ [iOS签名介绍](#100)）
+步骤三：连接手机运行，不支持模拟器
+
+检测模型运行示例：
+
+
+（1）在Xcode/Preferences/Accounts 中添加个人Apple ID;
+（2）在对应的EasyDLDemo中做如下图设置：
+
+
+（3）（2）后会在手机上安装好对应APP，还需要在手机上`设置/通用/设备管理/开发者应用/信任appleID`，才能运行该 APP。
