上一章节中配置 NPU 扩展包后可以在 menuconfig 里看到两个 Demo 测试应用程序。这里我们来介绍一下怎么使用这两个 Demo。
YOLOV3
在 NPU Package 中我们提供了一个较为完整的 YOLOV3 Demo 作为测试，程序源码位于：
openwrt/package/npu/yolov3/src
这个 Demo 相较于 Lenet 的 Demo 增加了图片前处理、数据处理、后处理与图片打框的功能。可以将上传的图片物体打框标记并输出打框后的图片。
首先我们在 menuconfig 里选中 YOLOV3 的相关选项
可以看到这里选择了 yolov3 会出现 yolov3-model 这个选项，这个选项是提供一个测试使用的模型到系统中，文件较大，如果编译打包出现错误请参阅【FAQ 常见问题 - V853】查看或参考以下解决方法。
报错时的错误提示：
解决方法：修改板级目录下面的 sys_partition.fex 的 rootfs.fex 节点 45360 ==> 95744 。
测试 YOLOV3
首先我们准备一张图片，并把图片转换为 416*416 分辨率的图片。
使用 ADB 将图片下载到 root 目录
adb push 2.jpg root
在开发板上，切换文件夹到 root 文件夹，使用 ls 列出看看有没有 2.jpg 这个图片文件
cd /root
ls
可以看到，这里已经下载成功了，接下来运行 yolov3，格式是：
yolov3 <模型文件> <图片文件>
之前我们选中了 yolov3-model 模型包，模型已经安装到/etc/models/yolov3_model.nb了，所以在这里我们直接可以使用这个模型，执行
yolov3 /etc/models/yolov3_model.nb 2.jpg
可以看到识别到了 car和motorbike ，此时 ls 可以看到打标完成的图片 yolo_v3_output.bmp
可以使用 adb 上传图片到主机查看。
adb pull /root/yolo_v3_output.bmp
打开图片即可查看标注情况
如果运行出现错误，请确认图片格式是否为jpg，图片分辨率是否为 416x416
Error: Input size mismatch for 2.jpg, file data size:516672, expected:519168
Lenet
如果说深度学习有什么 HelloWorld，那一定是 Lenet。
在 NPU 扩展包中提供了一个 Lenet 的 Demo 程序。
这个 Demo 较为基础，演示了模型转换生成的模板代码如何集成到 Tina Linux 里。由于没有前处理与后处理，所以输入数据与输出数据均为二进制 tensor 文件。也正因为如此，所以可以将输出的 tensor 与仿真输出的 tensor 进行对比，验证是否有错误。
如果想要更完善的包括前处理与后处理的 Demo 可以查看 yolov3 Demo。
我们先 make menuconfig 找到 Lenet 选项，这里提供 lenet 主程序与 lenet-model 模型两个包，可以只选中主程序使用自己转换的模型测试。
在这里我们就使用扩展包提供的模型进行验证。先去 扩展包里找到测试数据 lenet_input_0.dat 并上传到开发板。
使用 ls 列出上传的数据
使用 lenet 命令运行测试模型
lenet <模型文件> <数据文件>
lenet /etc/models/lenet_model.nb lenet_input_0.dat
可以看到这里输出了 tensor output0_10_1.dat 文件
如果需要实现图片的输入与输出，需要基于这个模板增加图片前处理与数据后处理部分的代码。前处理将图片转为 tensor 输入，后处理解析 tensor 输出数据。
vpm_run
vpm_run 软件包是用于在开发板上测试运行的工具，一般用于开发板测试推理。而且可以通过参考 vpm_run 的流程，用户可以开发自己的 AI 应用程序，所以它可以看成是一套基于 AI 应用开发模板，只不过，它有自己的一些特点，
-
vpm_run 是可以作为一个通用模型运行环境，程序不需要修改，可以运行任何部署正确的NBG 模型文件.
-
vpm_run 基于 viplite 网络层 API，程序短小精悍。
-
vpm_run 具备默认的后处理程序 TOP5, 如果不满足你的算法要求，可以自行扩展。
我们先 make menuconfig 找到 vpm_run 选项，勾选，打包编译。这里我们同样勾选 lenet 选项，待会测试 vpm_run 使用，提供模型。
在开发板中，可以运行 vpm_run 查看支持的操作
vpm_run
可以看到，他需要一个 sample.txt 文件，定义如下
[network] # 模型的名称
./lenet_model.nb
[input] # 输入数据
./lenet_input_0.dat
[golden] # 标准输出数据，会与输出数据比对检查是否有偏差（可选）
./lenet_input_golden.dat
[output] # 输出数据
./lenet_output_data.dat
其中的 golden 标签代表的是标准输入，可以看作一个满分的输出，这个输出可以用预推理阶段生成的输出文件，也可以用仿真输出的文件。vpm_run 会比对这两个文件查看是否有错误产生。
vpm_run sample.txt
有些模型需要的内存较大，需要修改更大的内存，可以打开 openwrt/package/npu/vpm_run/src/vpm_run.c 修改分配的内存大小（viip_init(内存大小)）。
多输入/多网络配置
多输入sample.txt文件配置，当只有一个nb模型但需要有两个输入时：
``` [network] ./network_binary.nb [input] ./iter_0_images_262_out0_1_3_640_640.tensor ./input_0.dat
多网络sample.txt文件配置，当需要一次运行多个nb模型时，不同nb以标签为界限：
```
[network]
./network_binary.nb
[input]
./iter_0_images_262_out0_1_3_640_640.tensor
[network]
./network_binary.nb
[input]
./input_0.dat
常见问题
① 按照官网上的教程在V853上部署 lenet 模型，使用 vpm_run sample.txt 的时候出现segmentation fault ，如下图所示
读取sample.txt失败，检查一下vpm_run.c源码，查看获取文件名的换行符类型。
尝试将把sample.txt文件中的空格去掉，这是导致segmentation fault错误的原因之一。
windows操作系统的换行为：CR/LF或\r\n，而Linux的换行符为LF或\n。
② NPU模块vpm_run例程运行时sample.txt读取错误
编写sample.txt文件：
``` [network] ./network_binary.nb [input] ./iter_0_images_262_out0_1_3_640_640.tensor
将模型、输入文件、vpm_run例程传入板端
运行vpm_run例程：
./vpm_run -s sample.txt
报错LOG如下：
unsupported input file type=tenso. error input file type segmentation fault ```
报错为读取sample.txt失败，检查一下vpm_run.c源码，查看获取文件名的换行符类型，多是由于空格字符问题引起。
