Windows OpenVino安装squeezenet1.1失败 —— 已解决

Windows下安装openvino问题汇总 文章目录前言一、[ ERROR ] The "C:\Users\**\Documents\Intel\OpenVINO\openvino_models\models\public\squeezenet1.1/squeezenet1.1.caffemodel" is not existing file FAILED:squeezenet1.1Error二、[ ERROR ] Error loading xmlfile: /root/openvino_models/ir/FP16//public/squeez 阅读详情

 作者主页:爱笑的男孩。的博客_优快云博客-深度学习,YOLO,python领域博主爱笑的男孩。擅长深度学习,YOLO,python,等方面的知识,爱笑的男孩。关注算法,python,计算机视觉,图像处理,深度学习,pytorch,神经网络,opencv领域.https://blog.youkuaiyun.com/Code_and516?type=collect个人简介:打工人。

持续分享:机器学习、深度学习、python相关内容、日常BUG解决方法及Windows&Linux实践小技巧。

如发现文章有误,麻烦请指出,我会及时去纠正。有其他需要可以私信我或者发我邮箱:zhilong666@foxmail.com 

目录

SqueezeNet1.1介绍

问题描述

解决方法


SqueezeNet1.1介绍

        SqueezeNet是一种非常轻量级、高效的神经网络模型,其设计是为了在移动设备以及嵌入式设备上进行推理。SqueezeNet 1.1是SqueezeNet模型的第二个版本,它保留了SqueezeNet原有的高效性和轻量性,但在准确性上进行了改进。

        在OpenVINO中,SqueezeNet 1.1作为一个预先训练好的模型提供,可以用于图像分类或对象检测任务。以下是SqueezeNet 1.1的一些特点:

  • SqueezeNet 1.1具有少量的参数,与深度神经网络相,它的模型大更,可以在内存受限的设备上运行。
  • SqueezeNet 1.1的推理速度较快,它使用了一些压缩技术,如1x1卷积和挤压层(squeeze layer)等,可以减少运算量和内存消耗。
  • 和SqueezeNet相,SqueezeNet 1.1在准确性上有所提高。SqueezeNet 1.1引入了一些新的优化技术,如挤压-扩张(fire)结构和度损失可控(controlled accacy loss)等,可以提高模型的性能和准确性。

        SqueezeNet1.1相于传统的卷积神经网络模型,具有更少的参数和更的模型体积。它可以在保持高度的同时,使用更少的内存空间和计算资源,从而更适合于低功耗设备和边缘设备上进行深度学习任务。

问题描述

在openvino安装过程中,为了验证openvino是否安装成功,需要运行openvino自带的demo去做测试,所以在这里使用到了squeezenet1.1模型,但是在使用脚本下载时一直下载失败。搞得就很烦。。。

解决方法

首先点击 squeezenet1.1下载地址 将文件下载完毕

链接:squeezenet1.1下载地址
提取码:nsax 

然后找到 Documents 文件夹并进入(Document就是文档)

找到Inter并进入

 

进入OpenVINO

 

进入openvino_models

进入models

进入public

将下载的squezenet1.1复制到public文件夹下

然后进入C:\Program Files (x86)\Intel\openvino_2021.4.752\deployment_tools\demo文件夹

找到demo_squeezenet_download_convert_run.bat文件并编辑文件内容

大概在102行左右,将我框住的那两行注释掉,这里我看其他博客只注释掉python开头的,但是在我的电脑上得把两行都注释掉,这是个小bug,自己注意一下

然后保存文件,重新运行测试脚本即可。

到此安装完成并成功运行。

英特尔NCS2边缘AI部署实战:OpenVINO模型转换与推理优化指南 边缘计算通过在数据源头附近进行数据处理,有效降低延迟和带宽消耗,成为物联网和实时AI应用的关键技术。其核心原理是将云端训练的深度学习模型,经过优化后部署到资源受限的终端设备上执行推理。这一过程的技术价值在于实现低功耗、高响应的本地智能决策。在计算机视觉、智能监控、工业质检等场景中,边缘AI设备需要高效运行目标检测、图像分类等模型。本文聚焦于利用英特尔神经计算棒二代(NCS2)这一经典的边缘AI加速硬件,通过OpenVINO工具链完成模型转换与部署。针对NCS2特有的**Myriad X VPU**架构,深入 阅读详情

相关推荐

C++图形识别实战:从HOG+SVM到ORB特征匹配的算法实现

图形识别是计算机视觉的核心领域,旨在让计算机从像素数据中“理解”图像内容。其基本原理是通过特征提取算法(如边缘检测、方向梯度直方图HOG或局部特征描述子)将图像转换为可量化的特征向量,再交由分类器(如支持向量机SVM)进行决策。这项技术对于实现自动化、智能化系统具有重要价值,广泛应用于行人检测、物体识别、安防监控和自动驾驶等场景。本文以C++和OpenCV为工具,深入剖析了传统图形识别算法的工程实现,详细演示了基于HOG特征与SVM的行人检测流程,以及利用ORB特征点进行物体匹配的关键步骤,为开发者从原理到

weixin_30239339的博客 1363

SqueezeNet详细解读

概要:SqeezeNet的工作为以下几个方面: 1. 提出了新的网络架构Fire Module,通过减少参数来进行模型压缩 2. 使用其他方法对提出的SqeezeNet模型进行进一步压缩 3. 对参数空间进行了探索,主要研究了压缩比和$3*3$卷积比例的影响

花有重开日 人无再少年 5万+

第47步 深度学习图像识别:SqueezeNet建模(Pytorch)

第47步 深度学习图像识别:SqueezeNet建模(Pytorch)

Jet4505的博客 1570

pc端ncnn搭建与测试

目录 一、本文系统配置 二、编译 参考: 三、测试 1、配置ncnn、protobuf、opencv 2、模型文件拷贝 3、代码测试 在PC使用NCNN框架推理加速模型,需要先获取ncnn编译后的动静态库。 一、本文系统配置 windows10 VS2019 CMake 3.18.4 二、编译 编译前需要先下载protobuf和ncnn源码。 参考: Windows下ncnn环境配置(VS2019)_逮仔的博客-优快云博客_ncnn vs2019 (一)ncnn

程序猿的视界 3940

[ ERROR ] Error loading xmlfile: squeezenet1.1\FP16\squeezenet1.1.xml, File was not found at line: 1

1.遇到问题: [ ERROR ] Error loading xmlfile: C:\Users\USER\Documents\Intel\OpenVINO\openvino_models\ir\public\squeezenet1.1\FP16\squeezenet1.1.xml, File was not found at line: 1 pos: 0 2.解决办法: 找到squeezenet1.1.caffemodel文件 cd /home/kang/openvino_models/mod

kan2016的博客 2004

OpenVINO 安装及常见问题解决

本文介绍了如何安装 OpenVINO 工具包以及如何解决常见问题。通过这篇文章,您应该能够顺利地在自己的计算机上安装 OpenVINO,并开始使用它提供的快速、高效、易用的深度学习推理引擎。

. 1646

linux运行ncnn,腾讯开源ncnn:Ubuntu下运行示例

ncnn git:https://github.com/Tencent/ncnnncnn 是一个为手机端极致优化的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部署和使用。无第三方依赖,跨平台,手机端 cpu 的速度快于目前所有已知的开源框架。基于 ncnn,开发者能够将深度学习算法轻松移植到手机端高效执行,开发出人工智能 APP,将 AI 带到你的指尖。ncnn 目前已在腾讯多...

weixin_33602515的博客 1079

SqueezeNet模型文件及使用

SqueezeNet是一个小型化的网络模型结构,在保证不降低检测精度的同时,将原始AlexNet模型压缩至原来的1/500(模型文件< 0.5MB,原始AlexNet模型约为200MB)。

从创客到智造者:Intel边缘AI与OpenVINO实战指南

嵌入式人工智能(TinyML)和边缘计算是当前物联网与智能硬件领域的核心技术,它们通过在设备端本地进行数据处理和模型推理,实现了低延迟、高隐私和低带宽依赖的智能应用。其技术原理在于将云端训练的深度学习模型通过优化工具(如模型压缩、量化)部署到资源受限的嵌入式设备上运行。这项技术的核心价值在于为智能家居、工业检测、机器人等场景提供实时、可靠的本地智能决策能力,推动了硬件创新从简单控制向“感知-思考-行动”的范式升级。本文以Intel硬件平台与OpenVINO工具套件为例,深入剖析如何利用Movidius VP

weixin_34007906的博客 326

【win11+vs 2017+OpenCV4.5.5+Qt5.12配置】详细安装过程+小问题解决

由于Qt5无法与最新的vs2022兼容,扩展工具中一直显示不可用,所以将vs降级成vs2017。在安装Qt的过程中,会选择安装Qt套件,其中就的MCVS 2017,说明vs2017是与qt兼容的。当然也可以用qt creator这一原生IDE。OpenCV版本目前是最新的4.8.0,使用过程中没有什么问题,但是还是安装低版本大概率避免一些玄学问题。

qq_45306739的博客 3350

SAR成像处理基本知识2——图像尺寸与回波尺寸的关系

阅读本文前,请先了解上一篇文章(SAR成像处理基本知识1——常用专用名词解释) 1. SAR图像尺寸预估方法 以C波段2m@20km的SAR图像为例,假设天线中心下视角为35° ,说明图像尺寸的估计方法。 1.1 距离向尺寸估计 地距分辨率为2m时,距离向分辨率约为1.15m,则要求信号带宽不小于130MHz,假设信号带宽为150MHz,采样率为180MHz,那么距离向分辨单元为0.833m。 地距幅宽为20km时,距离向幅宽约为20*sind(3...

爱学习的小伟的博客 4954

Wasmtime 中 wasi-nn 测试图像夹具的生成:从 ImageNet 图片到原始 RGB 张量的预处理实践

在 Wasmtime 的 `wasi-nn`(WASI 神经网络推理提案)实现中,测试需要使用真实的图像张量作为模型输入。`crates/wasi-nn/tests/fixtures/` 目录下的 `000000062808.rgb` 正是这样一个固定输入样本——它并非原始图片,而是经过标准 ImageNet 预处理管线后输出的裸 RGB 浮点张量。本文以该目录下的 [README](https:

gitblog_01136的博客 411

Origin作图——等高线图

最近做一个测试数据图,开始想通过用热图来展示,结果发现热图有很多的小方块,很难呈现出最好的效果,因为数据是有一层一层的递进效果,因此经过尝试后,发现等高线图是个好选择。 热图展示效果如下:其中有很多的小方块不适合,热图制图方法前面有记录。 下面展示等高线图制作方法。首先是导入数据,可以从excal导入,也可以直接复制进去。等方法。 选中要展示的数据,绘图----等高线图 选中箭头,确定。 双击图像,点击线,我们需要把线隐藏了. 双击图像,我们需要调色板,根据自己的选择,一般用调色板的颜色。

qq_42278015的博客 1万+

OpenCV samples/dnn 深度学习推理示例指南:模型动物园、models.yml 预处理参数与模型权重下载实战

OpenCV 自 3.x 起内置了高性能的深度学习推理模块(`modules/dnn`),并在 [samples/dnn](https://link.gitcode.com/i/3b398d0f6d17a379cee1f50329a13cbd) 目录下提供了一批开箱即用的推理示例,覆盖目标检测、图像分类、语义分割、人脸检测、OCR、姿态估计、目标跟踪、图像生成等多个方向。本文以仓库中的 [samp

gitblog_00408的博客 764

企业数字化转型的理论指南:构建未来企业的关键策略与实践路径

数字化转型已经成为当今企业发展和市场竞争的核心驱动力,而在这一过程中,企业架构(EA)发挥着至关重要的作用。这本白皮书《世界级企业架构:建立和发展EA能力的领导者方法》提供了深入的理论指导,为企业如何通过企业架构实现有效的数字化转型提供了清晰的路径。本篇文章将从,解读该书的核心内容,揭示企业在数字化转型过程中应该如何通过EA的构建和实施,驱动组织变革与技术创新。

AZone架构院的博客 3172

【免费】最新区块链钱包和私钥的助记词碰撞器,bybit使用python开发

【免费】最新助记词钱包碰撞器,全链全网络,一周左右就有,稳定高效。

weixin_48529185的博客 1万+

基于PyTorch与CNN的深度学习手势识别系统:从数据到部署全流程实践

手势识别是计算机视觉领域的一项基础且关键的技术,其核心目标是从图像或视频中理解并分类手部姿态。其工作原理通常依赖于深度神经网络,特别是卷积神经网络(CNN),通过其强大的特征提取能力,自动学习从原始像素到高级语义手势的映射。这项技术的价值在于为人机交互提供了自然、直观的接口,极大地提升了在智能家居、车载系统、AR/VR等场景下的用户体验。相较于传统依赖手工特征的方法,基于深度学习的手势识别系统在准确率、鲁棒性和泛化能力上具有显著优势。本文将以一个完整的项目实践为例,详细阐述如何利用PyTorch框架,从数据

weixin_30314813的博客 306

Matlab实现POD本征正交分解数据降维模型

近年来,随着大数据时代的到来,各种复杂的工程问题产生了海量的高维数据,如何有效降维、提取数据中的关键信息成为了众多领域中的重要问题。在传统的数据降维方法中,PCTFA(主成分分析)是一种典型的统计方法,然而对于流体动力学等非线性问题,PCTFA在处理时可能失去部分物理意义,难以捕捉到系统的复杂性。在降维过程中,POD提取的主要特征通常是一组复杂的正交基函数,如何将这些结果有效地转化为直观且易于理解的物理意义,特别是在实际应用中,对该特征的理解和分析,依然是一个重要的课题。本项目的扩展性也得到了有效体现。

优质创作者: 人工智能技术领域 对于有一定基础的 MATLAB和Python带具体需求都可以详谈 MATLAB和Python可以提供代码调试服务加油 谢谢 你的鼓励是我前行的动力 谢谢支持 加油 谢谢 1216

SqueezeNet实战:如何在移动端部署0.5MB的轻量级模型(附PyTorch代码)

本文详细介绍了如何在移动端部署仅0.5MB的SqueezeNet轻量级模型。通过分析其核心的Fire Module设计,并结合PyTorch代码实战,文章系统讲解了模型压缩、量化、格式转换(ONNX/TFLite)及在Android/iOS平台的性能优化策略,帮助开发者在资源受限环境下实现毫秒级推理。

t1u2v的博客 800

Vue - 解决报错 Error: Cannot find module ‘XXX\@vue\cli-service\bin\vue-cli-service.js‘(vue项目编译运行出错,启动失败)

vue报错,Error: Cannot find module ‘@vue\cli-service\bin\vue-cli-service.js‘,vue2项目启动报错,vue3项目运行出错,vue执行npm run serve报错,找不到@vue/cli-service模块,vue项目关于:Error: Cannot find module ‘D:\@vue\cli-service\bin\vue-cli-service.js‘的解决方案,vue项目跑不起来了,Vue项目报错,跑项目报错Cannot fi

🏆 前端领域优质创作者 3115

漏洞挖掘之工具配置

本文主要讲解burp工具的插件安装。

qq_64775230的博客 3275

【Openvino01】Ubuntu安装inter的openvino2022.1以及遇到的各种错误解决

由于最近要使用inter的一款名为Intel® Movidius™ Myriad™ X 的加速卡去实现对算法模型的加速推理能力,于是就得第一步安装openvino,然后再使用卡去验证openvino是否安装ok,卡是否真的存在推理加速的能力。基于以上的情况花了两周多对openvino的安装以及安装过程中遇到的问题、卡使用过程中报的错,做一些总结,文章分为几个部分:openvino 运行环境安装,openvino开发环境安装,加速卡使用报错以及问题排查。

Alex的博客 3669

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Squeezenet官方源代码解析

网络设计思路 使用以下三个策略来减少SqueezeNet设计参数 (1)使用1∗1卷积代替3∗3 卷积:参数减少为原来的1/9 (2)减少输入通道数量:这一部分使用squeeze layers来实现 (3)将欠采样操作延后,可以给卷积层提供更大的激活图:更大的激活图保留了更多的信息,可以提供更高的分类准确率 其中,(1)和(2)可以显著减少参数数量,(3)可以在参数数量受限的情况下提高准确率。 import torch import torch.nn as nn import torch.nn.init a

优快云_Doubao的博客 1073

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

轻量化网络系列 | 解读SqueezeNet、SqueezeNext

论文原文: 目录SqueezeNet SqueezeNet Fig 1. Model Size vs. ImageNet Accuracy

weixin_48249563的博客 2272

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

基于深度学习的目标检测框架

基于深度学习的目标检测框架 1. A Mobile Outdoor Augmented Reality Method Combining Deep Learning Object Detection and Spatial Relationships for Geovisualization geovisualization:地学可视化 1.1 Deep-Learning-Based Objec...

程永强 1760

纵览轻量化卷积神经网络:SqueezeNet、MobileNet、ShuffleNet、Xception

本文就近年提出的四个轻量化模型进行学习和对比,四个模型分别是:SqueezeNet、MobileNet、ShuffleNet、Xception。 目录 一、引言  二、轻量化模型      2.1 SqueezeNet     2.2 Mobile

机器之心 8370
上一篇: Pyhon实现多线程 —— threading(含源码)
下一篇: 关于今年五一调休。。
爱笑的男孩。
博客等级 码龄5年 1499粉丝 80原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

爱笑的男孩。

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值