【神经网络与深度学习】【Qt开发】【VS开发】从caffe-windows-visual studio2013到Qt5.7使用caffemodel进行分类的移植过程

最新推荐文章于 2024-07-27 16:45:15 发布
最新推荐文章于 2024-07-27 16:45:15 发布
阅读量3.9k 收藏 1
点赞数 2
分类专栏： 神经网络与深度学习 Qt开发 VS开发 文章标签： visual studio qt 深度学习 神经网络 移植
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LG1259156776/article/details/52556100
版权
VS开发 同时被 3 个专栏收录
275 篇文章 41 订阅 ¥39.90 ¥99.00
订阅专栏
神经网络与深度学习
113 篇文章 53 订阅 ¥39.90 ¥99.00
订阅专栏
Qt开发
87 篇文章 10 订阅
订阅专栏
本文详细记录了将Caffe模型从Visual Studio 2013环境移植到Qt5.7的过程，包括数据准备、网络设计、训练、测试和分类部署。在移植过程中，遇到CUDA路径包含空格、编译错误等问题，并最终成功解决，实现脱离Caffe源码环境的独立运行。
摘要由CSDN通过智能技术生成

【神经网络与深度学习】【Qt开发】【VS开发】从caffe-windows-visual studio2013到Qt5.7使用caffemodel进行分类的移植过程

标签：【神经网络与深度学习】 【Qt开发】 【VS开发】

这个过程是相当痛苦的，最后发现了一个真理，能通过更换开发工具版本解决的问题，就应该安装对应版本的开发工具，牺牲一点磁盘空间没啥大不了的。 首先是在visual studio 2013的环境下编译了Caffe+GPU+CUDA+cuDNN，生成了对应的libcaffe和一些工具执行文件。然后也是这自己组织安排训练生成模型，然后编写工程读取模型然后进行分类预测的实验，可以说在往Qt上移植的前，在visual studio 2013上完整的都走了一遍，这期间差不多花费了我三天多的时间，调试各种莫名其妙的问题，其中遇到最多的问题基本上在这几天撰写或者转载的博文中都有体现。所以一共生成了Release/Debug两个x64的版本。

因为在visual studio上已经进行过的验证，所有的功能都可以运行了。那么往Qt上移植的时候，我发现了问题：我基于msvc的Qt是msvc2015-32bit的，首先不是msvc2

了解本专栏 订阅专栏 解锁全文
Zhang_P_Y
关注
专栏目录
订阅专栏
Qt实现人工神经网络及包括Qt调用excel
04-28
Qt实现的人工神经网络，里面也有实现Qt调用人工神经网络，还有些文档，都详细介绍了算法，以及使用方法~，请仔细阅读
【神经网络与深度学习】【Qt开发】【VS开发】从caffe-windows-visual studio2013到Qt5.7使用caffemodel进行分类的移植过程...
weixin_30729609的博客
09-16 165
【神经网络与深度学习】【Qt开发】【VS开发】从caffe-windows-visual studio2013到Qt5.7使用caffemodel进行分类的移植过程 标签：【神经网络与深度学习】 【Qt开发】 【VS开发】 这个过程是相当痛苦的，最后发现了一个真理，能通过更换开发工具版本解决的问题，就应该安装...
人工神经网络可视化小程序（QT Creator + Design Studio）
最新发布
FYQGhost的博客
07-27 444
神经网络可视化小程序 1、可随意添加删除神经网络神经元； 2、可随意增加删除标记识别的坐标点（x,y），可标记8种不同颜色的标记点； 3、可随意删除神经元连接线，修改连接线权重； 4、可调整神经元激活函数（Sigmoid、Tanh、Maxout、Swish、ReLU、LeakyReLU）； 5、可调整神经元学习率； 6、执行识别的过程中，神经元连线的权重变化可以很直观的实时观察； 7、鼠标箭头放到神经元上可以查看激活函数类型、偏置量大小和学习率； 8、鼠标箭头放到神经元连线上时可以看到权重大小
C++使用Qt编写的BP神经网络分类器演示程序
03-05
C++使用Qt编写的BP神经网络分类器演示程序 特性 1.支持多隐藏层，支持各隐层节点数调节 2.最多支持6类样本的分类 3.使用2个线程进行运算，分别为训练线程和绘图线程，训练连续 4.可以在训练过程中添加或删除样本 使用提示 1.在左面点击类别，在右面将该类别样本添加进训练集中 2.可以使用右键擦除多余的样本
QT中调用caffe的pro写法
lsn_sgj的博客
04-09 1556
INCLUDEPATH+= /usr/local/include \/usr/local/include/opencv \/usr/local/include/opencv2 \/home/lsn/Software/caffe-master/include \/home/lsn/Software/caffe-master/build/src \/usr/lib/x86_64-linux-gnu \...
初探神经网络:QT下建立BP网络模型
jdh99的专栏
03-07 5487
初探神经网络:QT下建立BP网络模型 本文博客链接:http://blog.csdn.net/jdh99,作者:jdh,转载请注明. 环境： 主机:WIN7 开发环境:Qt 实现功能： 建立了细胞类以及BP网络类.BP神经网络为3层结构:输入层,隐藏层,输出层. 说明： 1.细胞模型 2.BP网络模型
Caffe-YOLOv3-Windows：YOLO检测网络的Windows caffe实现
02-06
caffe-yolov3-windows 一个Caffe实现的MobileNet-YOLO检测网络，首先在COCO trainval35k上进行训练，然后在07 + 12进行微调，在VOC2007上进行测试 网络 地图 解析度 下载 NetScope 推理时间（GTX 1080） 推理时间...
Win-Caffe:Visual Studio 2015, CPU only, Python 3.5
01-23
总的来说，这个Win-Caffe版本是为那些在Windows上进行深度学习开发，尤其是使用Python 3.5和Visual Studio 2015的用户准备的。它简化了Caffe的安装过程，让用户可以快速开始训练和部署深度学习模型。对于不熟悉Unix...
caffe-0.999.tar.gz_人工智能/神经网络/深度学习_LINUX_
08-10
在Linux环境下，Caffe提供了一个强大的平台，让开发者和研究人员能够快速构建、训练和部署深度神经网络模型。"caffe-0.999.tar.gz"这个文件是一个归档文件，其中包含了Caffe框架的源代码和其他相关资源。 Caffe的...
基于QT的人工智能实现代码(神经网络).zip
03-13
基于QT的人工智能实现代码(神经网络)，可以参考学习
Qt与Rnn循环神经网络231101
aw344的专栏
11-03 343
【代码】Qt与Rnn循环神经网络231101。
使用opencv qt 以及 tensorflow2 进行神经网络分类
qianbo042311的博客
09-04 1517
我们将会学习使用图片分类器和合适的GUI界面，GUI界面使用QT，选择一个camera 或者一个视频文件作为输入进行分类，这里是实时进行分类，qt本身是一个跨平台的GUI设计工具，同时我们使用Tensorflow 和 opencv 去进行分类工作。
机器学习小试（11）验证码识别测试-使用Qt与Tensorflow2进行深度学习实验
丁劲犇技术发布空间
07-22 1099
由于非常熟悉nativeC开发，学习Python的过程中还老是忘不了Qt,准备用Qt产生训练样本。而后，使用Qt的GUI在后台调用python进行实验。实验使用Tensorflow2 可以有效的识别生成的验证码的文字。
caffe-windows直接安装版---编译后的Release
无奈的小心酸的博客
06-08 4331
在实验室电脑上完成编译 在个人笔记本上采取博客中所写方法直接添加编译后的Release已经成功实现matcaffe的使用 特此分享编译后的matcaffe 如果需要使用cpu版本的matcaffe 可直接下载 无需用VS编译 在此分享下自己编译后的 matcaffe的Release  无GPU  http://pan.baidu.com/s/1qYnZfnY 如果需要使用m
深度学习（四）CUDA、QT
qq_29507011的博客
08-03 1048
CUDA配置：torch.cuda版本与系统.cuda版本需一致 QT配置：安装pyqt5 ——安装pyqt5-tools(pip) ——在pycharm中配置扩展工具 cuda使用：创建device(‘cuda:0’ if torch.cuda.is_available() else “cpu”)初始cuda索引为0(可修改,直接’cuda’默认为0)————————将模型或张量.to(devi...
深度学习入门：卷积神经网络与Caffe模型解析
"本教程涵盖了人工智能领域的核心概念，特别是神经网络算法...这个教程提供了全面的人工智能和深度学习知识，包括神经网络、CNN、Caffe模型的应用，以及KNN算法和参数优化的方法，对于学习和理解AI技术具有很高的价值。
评论 3
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

Zhang_P_Y

感谢支持

¥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