OAK相机depthai最全上手教程

news/2024/11/9 1:47:24/

编辑：OAK中国
首发：oakchina.cn
喜欢的话，请多多👍⭐️✍
内容可能会不定期更新，官网内容都是最新的，请查看首发地址链接。

▌前言

Hello，大家好，这里是OAK中国，我是助手君。

之前不是有朋友问我，这个程序界面参数有没有说明嘛，这周得空整理了一下写了博客。
在这里插入图片描述
内容非常详细哦！建议所有刚拿到OAK的朋友可以看看的！

本篇教程来自Luxonis的官方使用文档，由OAK中国翻译编辑。部分链接如果打不开，可能是因为外网原因。

在本指南中，我假设你刚刚拿到了OAK相机（例如OAK-D），并且这是你的首次尝试使用，现在我们来看看你能拿它实现什么。

  • 首先，我们将运行一个depthai demo脚本，预览depthai的功能。
  • 接下来，我将介绍demo脚本中的一些可用选项，并展示它们的用法。
  • 最后，附上一些参考链接，以做扩展。参考开源用例、代码示例和教程，你可以依此开始你自己的项目了。

让我们从下面的设备设置开始！

▌连接OAK USB系列相机

如果你的OAK附带了USB线，我们建议使用该线将OAK相机连接到主机。

⚠警告！请一定要使用USB3.0的线，如果你用的是2.0的线，请强制使用 USB2 通信。

在这里插入图片描述
USB3.0 Type-C线的USB-A端连接器内部是蓝色的。

确保设备与你的主机（可以是PC或树莓派或其他有可用的设备）直接连接到USB端口，或通过可供电的USB hub连接。

在Ubuntu上，你可以通过运行以下命令来检查是否检测到新的USB设备。

$ lsusb | grep MyriadX
Bus 003 Device 002: ID 03e7:2485 Intel Movidius MyriadX

⚠注意！如果你运行的是Ubuntu以外的操作系统，或者你认为有什么地方出错了，我们有详细的操作系统安装指南（查看）。

▌连接OAK PoE系列相机

如果你使用的是PoE设备，请参照OAK PoE设备入门教程操作。

▌使用Windows Installer

如果你愿意，我们已经将所有设置过程封装在一个 .exe 文件里，你可以在这里下载，跳过下面设置这部分内容。

下载并运行后，它将安装所有必需的组件和软件包需求。一旦完成，它将自动运行demo脚本。

▌设置

在这一节中，我将描述如何用命令行手动安装demo脚本。

下载demo脚本

要下载demo脚本，你可以使用 git 或者直接下载一个zip文件。

从zip文件

首先下载存储库包，然后将归档文件解压缩到一个首选目录。接下来，在这个目录中打开一个终端会话。

来自git

首先，打开终端会话，转到你想要下载demo脚本的首选目录。然后，运行以下代码下载demo脚本。

$ git clone https://github.com/luxonis/depthai.git

下载存储库后，确保通过运行以下命令进入下载的存储库。

$ cd depthai

创建python virtualenv(可选)

要创建和使用virtualenv，你可以按照virtualenvs官方python指南或者遵循网络上特定操作系统的指南，例如“如何在Ubuntu 20.04上创建Python 3虚拟环境”。

这将确保你使用的是一个全新的环境，并且Python 3是默认的解释器——这有助于防止潜在的问题。

我通常通过运行以下代码来创建和使用virtualenvs：

$ python3 -m venv myvenv
$ source myvenv/bin/activate
$ pip install -U pip

这可能需要事先安装这些软件包：

$ apt-get install python3-pip python3-venv

安装requirements

一旦下载了demo源代码，并且设置了终端会话，接下来要做的事情就是安装这个脚本需要的所有附加包（连同depthai Python API本身）。

要安装这些软件包，请运行install_requirements.py脚本：

$ python3 install_requirements.py

⚠警告！如果你使用的是Linux系统，在大多数情况下，你必须为我们的脚本添加一个新的udev规则，以便能够正确地访问设备。你可以通过运行以下命令来添加和应用新规则：$ echo 'SUBSYSTEM=="usb", ATTRS{idVendor}=="03e7", MODE="0666"' | sudo tee /etc/udev/rules.d/80-movidius.rules $ sudo udevadm control --reload-rules && sudo udevadm trigger

现在，你应该能够开始使用demo脚本了，我们现在就开始。

运行demo脚本

设置好一切后，我们现在可以运行以下命令来使用demo脚本了：

$ python3 depthai_demo.py

▌默认运行

第一次运行demo时，脚本将编译并下载一个默认的MobileNet-ssd模型，配置OAK相机，然后显示一个默认的color预览将包含来自设备的RGB相机的缩放预览。
在这里插入图片描述

▌更改预览

要查看设备上的其他预览，你可以使用GUI左上角的预览切换器。
在这里插入图片描述

名字描述限制
color显示彩色相机的预览
nnInput显示来自右黑白相机的预览如果没有人工智能模型运行，则禁用
left显示左黑白相机的预览OAK-D需要
right显示右黑白相机的预览OAK-D需要
depth显示从depthRaw预览和JET彩色计算的差距图。最适合于深度的可视化OAK-D需要
depthRaw显示原始深度图。最适合基于深度的计算OAK-D需要
disparity显示设备上生成的视差图OAK-D需要
disparityColor显示在设备上生成的视差图和JET颜色。应该与depth预览相同，但在设备上产生。OAK-D需要
rectifiedLeft矫正左相机的帧OAK-D需要
rectifiedRight矫正右相机的帧OAK-D需要

▌默认模型

当demo运行时，你可以看到检测结果——如果你站在相机前，你应该看到自己被检测为一个人的概率相当高。

默认使用的型号是MobileNetv2 SSD对象检测器PASCAL 2007 VOC类别，包括:

  • 人：人
  • 动物：鸟、猫、牛、狗、马、羊
  • 交通工具：飞机、自行车、船、公共汽车、汽车、摩托车、火车
  • 室内：瓶子、椅子、餐桌、盆栽、沙发、电视/显示器

所以试着检测不同的物体，比如瓶子或苹果
在这里插入图片描述

甚至是猫
在这里插入图片描述

▌使用其他模型

我们准备了其他型号，你可以轻松尝试和评估。运行demo脚本，例如face-detection-retail-0004，点选CNN Model组合框并选择提到的模型。
在这里插入图片描述

这将允许你检测人脸，如下图所示
在这里插入图片描述

你可以使用此组合框来更改在DepthAI上运行的模型。也可以使用命令行来选择：

$ python3 depthai_demo.py -cnn face-detection-retail-0004

下面是一份你可以使用的模型清单，只需下载demo脚本即可。

名字目的FPS链接
deeplabv3p_person人群细分22.1使用
face-detection-adas-0001人脸检测13.4使用
face-detection-retail-0004人脸检测30.0使用
mobilenet-ssd物体检测(20类)30.0使用
pedestrian-detection-adas-0002人物检测13.1使用
person-detection-retail-0013人物检测10.7使用
person-vehicle-bike-detection-crossroad-1016人员、车辆和自行车检测6.2使用
yolo-v3物体检测(80类)1.9使用
tiny-yolo-v3物体检测(80类)29.9使用
vehicle-detection-adas-0002车辆检测14.0使用
vehicle-license-plate-detection-barrier-0106车牌检测30.0使用
openpose2姿态估计6.5使用
human-pose-estimation-0001姿态估计(英特尔)7.3使用

  • deeplabv3p_person允许突出显示图像中检测到人的部分$ python3 depthai_demo.py -cnn deeplabv3p_person
    在这里插入图片描述

  • face-detection-adas-0001允许检测图像上的人脸(较慢)$ python3 depthai_demo.py -cnn face-detection-adas-0001
    在这里插入图片描述

  • face-detection-retail-0004允许检测图像上的人脸(更快)$ python3 depthai_demo.py -cnn face-detection-retail-0004
    在这里插入图片描述

  • mobilenet-ssd检测20个不同类别的对象检测器(默认)$ python3 depthai_demo.py -cnn mobilenet-ssd
    在这里插入图片描述

  • pedestrian-detection-adas-0002允许检测图像上的人物(较慢)$ python3 depthai_demo.py -cnn pedestrian-detection-adas-0002
    在这里插入图片描述

  • person-detection-retail-0013允许检测图像上的人物(更快)$ python3 depthai_demo.py -cnn person-detection-retail-0013
    在这里插入图片描述

  • person-vehicle-bike-detection-crossroad-1016允许检测图像上的人、自行车和车辆$ python3 depthai_demo.py -cnn person-vehicle-bike-detection-crossroad-1016
    在这里插入图片描述

  • yolo-v3可检测80种不同类别的物体检测器(较慢)$ python3 depthai_demo.py -cnn yolo-v3
    在这里插入图片描述

  • tiny-yolo-v3可检测80种不同类别的物体检测器(速度更快)$ python3 depthai_demo.py -cnn tiny-yolo-v3
    在这里插入图片描述

  • vehicle-detection-adas-0002允许检测图像上的车辆$ python3 depthai_demo.py -cnn vehicle-detection-adas-0002
    在这里插入图片描述

  • vehicle-license-plate-detection-barrier-0106允许在图像上检测车辆和车牌(仅限中国车牌)$ python3 depthai_demo.py -cnn vehicle-license-plate-detection-barrier-0106
    在这里插入图片描述

  • openpose2人体姿态估计模型$ python3 depthai_demo.py -cnn openpose2
    在这里插入图片描述

  • human-pose-estimation-0001来自Open Model Zoo的人体姿态估计模型$ python3 depthai_demo.py -cnn human-pose-estimation-0001
    在这里插入图片描述

我们用来下载和编译模型的所有数据都可以在这里查看。

▌demo用法

在本节中，我们将介绍demo脚本中可用的配置选项，允许你尝试不同的配置。
在这里插入图片描述

人工智能属性

在这里插入图片描述

切换：

  • Enable：打开/关闭人工智能。关闭它将阻止任何神经网络运行，这也将节省一些内存。适用于我们更关注深度/编码而不是人工智能处理的情况。

基本属性：

  • CNN模型：选择在DepthAI上运行的模型，更多信息请访问使用其他模型。

  • SHAVEs：确定用于编译神经网络的SHAVE核心数。该值越高，网络运行越快，但这也限制了可以一次性启用的功能。

  • Model source：指定哪个相机预览作为模型输入，哪些帧将被发送到神经网络以执行推理。

  • Full FOV：如果启用，它将缩小图像以符合nn输入尺寸。如果禁用，在缩放之前，它将裁剪图像以满足NN纵横比。

高级选项：

  • OpenVINO version：指定将用于编译MyriadX blob和运行管道的OpenVINO版本。大多数情况下，建议使用最新版本。

  • Label to count：允许显示demo中可见的特定标签的数量（例如，如果你想在默认模型的预览中计算猫的数量，你可以通过选择cat作为计数标签并重启脚本）

  • Spatial bounding box：启用时，将在深度预览上绘制一个边界框，显示检测区域的哪一部分被纳入深度估计。

  • SBB Scale Factor：确定空间边界框相对于检测边界框的大小。

深度属性

在这里插入图片描述

切换：

  • Enabled：打开/关闭深度。关闭它将阻止创建立体节点，这也将节省一些内存。对于我们更关注AI处理/编码而不是深度的情况很有用。

  • Use Disparity：如果未设置（默认），demo脚本将根据深度图计算主机上的差异图。如果启用，将在设备上执行相同的处理，这会消耗一些内存，但会限制主机资源的使用。

基本属性：

  • Median Filtering中值滤波器：指定应用于深度图的去噪中值滤波器的类型。

  • Subpixel亚像素：启用亚像素模式，该模式可提高深度精度，尤其适用于长距离测量。

  • Left Right Check左右检查：启用左右检查，用于移除由于对象边界遮挡而导致的计算不正确的视差像素

  • Extended Disparity扩展视差：启用扩展视差模式，允许给定的基线有更近的最小距离。

  • Depth Range深度范围：指定设备计算的最小和最大距离。

  • LRC ThresholdLRC阈值：指定将使像素无效的视差像素之间的最大差异（阈值越高，通过的点越多）

相机属性

基本属性：

  • FPS帧率：指定相机捕捉帧的速度。

  • Resolution分辨：:指定相机传感器分辨率，从而指定捕获的帧大小。

高级选项：

  • ISO：控制相机的聚光能力。

  • Exposure：控制相机的曝光时间。

  • Saturation：控制帧中颜色的浓度。

  • Contrast：控制帧中不同色调的视觉比例。

  • Brightness：控制帧中颜色的深浅。

  • Sharpness：控制框架中细节的清晰度。

混杂的

在这里插入图片描述

Recording：

  • 开关：启用指定相机的录制。

  • FPS输入：指定录制FPS（默认为30）。

  • Destination路径：指定一个目录路径，视频将被存储在哪里。

Reporting：

  • 开关：启用指定功能的日志记录

  • Destination路径：指定一个文件路径，Reporting文件的存储位置

▌使用自定义模型

⚠警告！使用自定义模型需要本地下载的depthai资源库的版本。如果你一直使用安装程序来下载和运行脚本，添加自定义模型将无法工作。请按照 "设置"一节说明如何下载和设置资源库。

让我们假设你想运行一个从Model Zoo下载的或自己训练的（或两者）的自定义模型，为了使你的模型能够在DepthAI上运行，必须将其编译成MyriadX blob格式——这是你的模型的一个优化版本，能够利用Myriad X芯片作为处理单元。

在我们的demo脚本中，我们支持几种运行自定义blob的方法，将在下面介绍。作为一个例子，我将添加一个名为custom_model（用你喜欢的名字替换）并用demo脚本运行它。

编译MyriadX blob

要接收MyriadX blob，网络必须已经是OpenVINO IR格式（包括 .xml和 .bin文件），这些文件将用于编译。在这里，我们不会关注如何为你的模型获得这种表示，但是一定要查看官方OpenVINO转换指南。

为了转换 custom_model.xml和 custom_model.bin，我们将使用blobconverter cli——我们的工具利用了在线MyriadX blob转换器来执行转换。在这种情况下，不需要本地安装OpenVINO，因为所有的依赖项都已经安装在服务器上了。如果你的模型是TensorFlow或Caffe格式，你仍然可以使用我们的工具进行转换，只是要注意，你必须使用不同的输入标志，有时还需要提供一个定制的模型优化器参数（）。

首先，让我们从PyPi安装 blobconverter。

$ python3 -m pip install -U blobconverter

现在，安装完 blobconverter后，我们可以用下面的命令编译我们的IR文件。

$ python3 -m blobconverter --openvino-xml /path/to/custom_model.xml --openvino-bin /path/to/custom_model.bin

通过运行这个命令，blobconverter向BlobConverter API发送请求，以对提供的文件执行模型编译。编译后，API用一个***.blob***文件，删除随请求一起发送的所有源文件。

成功编译后，blobconverter返回下载的blob文件的路径。因为这个blob是depthai仓库，让我们把它移到那里。

$ mkdir <depthai_repo>/resources/nn/custom_model
$ mv <path_to_blob> <depthai_repo>/resources/nn/custom_model

配置

为运行这个blob的demo脚本，我们需要提供一些额外的配置。demo脚本将寻找一个custom_model.json以了解如何配置管道和解析结果的详细信息。

如果你的模型基于MobileNetSSD或Yolo，你可以使用我们的detection输出格式。如果是不同类型的网络，你可以使用默认raw输出格式，并提供自定义处理程序文件来解码和显示NN结果。

你可以使用这些配置示例来自定义你在resources/nn/custom_model目录下的custom_model.json。

  • MobileNetSSD（我们将使用此配置）
{"nn_config":{"output_format" : "detection","NN_family" : "mobilenet","confidence_threshold" : 0.5,"input_size": "300x300"},"mappings":{"labels":["unknown","face"]}
}
  • Yolo
{"nn_config":{"output_format" : "detection","NN_family" : "YOLO","input_size": "416x416","NN_specific_metadata" :{"classes" : 80,"coordinates" : 4,"anchors" : [10,14, 23,27, 37,58, 81,82, 135,169, 344,319],"anchor_masks" :{"side26" : [1,2,3],"side13" : [3,4,5]},"iou_threshold" : 0.5,"confidence_threshold" : 0.5}},"mappings":{"labels":["unknown","face"]}
}
  • Raw（关于如何创建handler.py文件，请详见自定义处理程序）
{"nn_config": {"output_format" : "raw","input_size": "300x300"},"handler": "handler.py"
}

运行demo脚本

文件准备就绪后，我们现在可以用我们的定制模型运行demo了。
在这里插入图片描述

你应该看到输出和你的NN结果被显示出来（如果选择了raw，并且没有处理程序文件，则打印在控制台）。
在这里插入图片描述

请务必查看下面的高级部分或参见后续步骤。

自定义处理程序

自定义处理程序是一个文件，demo脚本将加载并执行该文件来解析NN结果。我们用指定这个文件handler config值指定这个文件，指定一个首选文件的路径。它还要求输出raw格式，因为它可以防止脚本自己处理结果。

handler.py文件应该包含两个方法：decode(nn_manager, packet)和draw(nn_manager, data, frames)。

def decode(nn_manager, packet):passdef draw(nn_manager, data, frames):pass

第一种方法，decode解码。每当一个NN数据包从管道到达时就会被调用（存储为packet参数），同时还提供了一个nn_manager对象，其中包含脚本使用的所有nn相关信息（如输入大小等）。这个函数的目标是将从NN blob接收到的数据包解码成有意义的结果，以便以后显示。

第二个，draw函数。是用NN结果（从decode返回）、nn_manager对象和 frames数组调用的，其中有[(<frame_name>, ), (<frame_name>, ), …]项。该数组将包含用 -s/–show参数指定的帧，该函数的目标是将解码结果绘制到接收到的帧上。

下面，你可以找到一个例子handle.py文件，该文件解码并显示基于MobilenetSSD的结果。

import cv2
import numpy as np
from depthai_helpers.utils import frame_normdef decode(nn_manager, packet):bboxes = np.array(packet.getFirstLayerFp16())bboxes = bboxes.reshape((bboxes.size // 7, 7))bboxes = bboxes[bboxes[:, 2] > 0.5]labels = bboxes[:, 1].astype(int)confidences = bboxes[:, 2]bboxes = bboxes[:, 3:7]return {"labels": labels,"confidences": confidences,"bboxes": bboxes}decoded = ["unknown", "face"]def draw(nn_manager, data, frames):for name, frame in frames:if name == nn_manager.source:for label, conf, raw_bbox in zip(*data.values()):bbox = frame_norm(frame, raw_bbox)cv2.rectangle(frame, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (255, 0, 0), 2)cv2.putText(frame, decoded[label], (bbox[0] + 10, bbox[1] + 20), cv2.FONT_HERSHEY_TRIPLEX, 0.5, 255)cv2.putText(frame, f"{int(conf * 100)}%", (bbox[0] + 10, bbox[1] + 40), cv2.FONT_HERSHEY_TRIPLEX, 0.5, 255)

对于自定义人脸检测模型，使用此代码我们会收到以下输出。
在这里插入图片描述

我们已经使用这个处理机制来解码deeplabv3p_person，它是demo脚本中可用的网络之一。

按需编译

由于IR格式的文件可能很大，我们既要下载blob又要上传IR格式到服务器，所以我们加入了一个类似OpenVINO的model.yml文件结构，BlobConverter服务器也在内部使用。你可以在OpenVINO Model Zoo或者在demo脚本中的可用模型中查看该文件的外观。

该文件由OpenVINO模型下载器使用，用于下载编译所需的文件。在我们的demo脚本中，我们使用这些文件来提供NN源文件的URL，而不是将它们与源代码一起上传。这也很有用，因为按需编译允许我们使用相同的配置，同时请求不同数量的MyriadX SHAVE核心。

为了使用model.yml文件下载blob，运行一下命令：

$ python3 -m blobconverter --raw-config /path/to/model.yml --raw-name custom_model

你也可以把model.yml文件留在resources/nn/目录内，这将使demo脚本为你执行转换，并运行接收到的blob。

$ python3 depthai_demo.py -cnn <name>

▌定制demo代码

回调文件

如果你想自己添加一些自定义功能到demo中，或者只是检查某些变量看起来如何，你可以使用回调文件，它应该包含demo在执行特定事件时将调用的方法。

下面是一个回调文件的例子，该文件在软件库中可用。

def shouldRun():pass  # Called to determine if the demo should be runningdef onNewFrame(frame, source):pass  # Called when a new frame is availabledef onShowFrame(frame, source):pass  # Called when a frame is about to be displayeddef onNn(nn_packet):pass  # Called when a new NN packet is availabledef onReport(report):pass  # Called when a new report is availabledef onSetup(*args, **kwargs):pass  # Called when the demo script is setting updef onTeardown(*args, **kwargs):pass  # Called when the demo script is finishingdef onIter(*args, **kwargs):pass  # Called on each demo script iteration (internal loop)

这些方法允许在demo脚本本身的基础上建立自定义功能，无论是打印或计算来自NN的数据，还是修改如何显示框架，甚至进行自定义数据库/API连接，将数据发送到外部路径。

默认情况下，demo脚本将使用存储库中的callbacks.py文件，但是这个路径可以使用-cb < path> / --callback < path>标志来改变。

将Demo作为一个类导入

如果愿意，demo脚本也可以像一个普通的类一样被导入，这允许控制demo何时启动，何时运行。下面是一个如何从Python代码中运行demo的简单例子。

from depthai_demo import Demo
from depthai_helpers.arg_manager import parseArgs
from depthai_helpers.config_manager import ConfigManagerargs = parseArgs()
conf = ConfigManager(args)
demo = Demo(onNewFrame=<fn>, onShowFrame=<fn>, onNn=<fn>, onReport=<fn>, onSetup=<fn>, onTeardown=<fn>, onIter=<fn>) # all params are optional
demo.run_all(conf)

记住这一点，PYTHONPATH env变量必须包含depthai仓库的路径，这样导入才会有效。或者，你可以将脚本沿着depthai_demo.py放到仓库里。

▌后续步骤

在前面的部分中，我们学习了如何预览DepthAI的基本功能。从这一点出发，你可以进一步探索DepthAI的世界。

  • 寻找灵感？查看我们的用例，了解在DepthAI上姐姐特定问题的现成应用。

  • 想开始编码？请务必查看API部分的hello world教程，了解API的详细介绍。

  • 想要训练和部署一个自定义模型到DepthAI？访问自定义训练页面，了解随时可用的Colab。

▌参考资料

https://docs.oakchina.cn/en/latest/
https://www.oakchina.cn/selection-guide/

OAK中国
| OpenCV AI Kit在中国区的官方代理商和技术服务商
| 追踪AI技术和产品新动态

戳「+关注」获取最新资讯↗↗


http://www.ppmy.cn/news/528408.html

相关文章

portraiture 3 for mac(PS人像磨皮滤镜插件)破解教程

portraiture 3 for mac(PS人像磨皮滤镜插件)破解教程

Portraiture 3 for Mac是PS中优秀的人像磨皮滤镜插件&#xff0c;portraiture3 mac 破解版可以对皮肤、头发、眉毛、睫毛等部位进行磨皮润色处理&#xff0c;还能自由调整锐度、柔软度、亮度、对比度等&#xff0c;这里为大家带来portraiture滤镜的破解教程&#xff0c;赶紧来看…
阅读更多...
Portraiture全新4.0最新版人像磨皮插件更新内容

Portraiture全新4.0最新版人像磨皮插件更新内容

Portraiture是一款智能磨皮插件&#xff0c;为Photoshop和Lightroom添加一键磨皮美化功能&#xff0c;快速对照片中皮肤、头发、眉毛等部位进行美化&#xff0c;无需手动调整&#xff0c;大大提高P图效率。全新4版本&#xff0c;升级AI算法&#xff0c;并独家支持多人及全身模式…
阅读更多...
将数组内的元素变为指定格式的字符串类型numpy.char.mod()方法

将数组内的元素变为指定格式的字符串类型numpy.char.mod()方法

【小白从小学Python、C、Java】 【计算机等考500强证书考研】 【Python-数据分析】 将数组内的每个元素 修改为指定格式的字符串 numpy.char.mod() [太阳]选择题 关于以下代码说法错误的一项是? import numpy as np a np.array([1, 2, 3]) print("【显示】a ",a) p…
阅读更多...
PyTorch 中通道在最后的内存格式（beta）

PyTorch 中通道在最后的内存格式（beta）

PyTorch 中通道在最后的内存格式&#xff08;beta&#xff09; 什么是通道在最后 通道在最后的内存格式是在保留内存尺寸的顺序中对 NCHW 张量进行排序的另一种方法。 通道最后一个张量的排序方式使通道成为最密集的维度&#xff08;又称为每像素存储图像&#xff09;。 例如…
阅读更多...
固态硬盘系统盘，无法格式化

固态硬盘系统盘，无法格式化

固态硬盘之前作为系统盘&#xff0c;磁盘管理中&#xff0c;部分&#xff08;恢复分区&#xff09;无法格式化 管理员身份运行cmd Diskpart 　　List disk 　　#选中需要清零的磁盘 　　Select disk 0 　　#清零操作 　　Clean 　　完成后提示“成功清除了磁盘”
阅读更多...
使用 DiskGenius 执行硬盘分区时提示”格式化时出现错误“怎么解决

使用 DiskGenius 执行硬盘分区时提示”格式化时出现错误“怎么解决

使用 DiskGenius 执行硬盘分区时提示“格式化时出现错误”怎么解决 对于出现使用 DiskGenius 分区工具格式化硬盘分区时提示”格式化时出现错误“时&#xff0c;这多是由于您当前的硬盘存在问题导致的&#xff0c;而一般情况下出现这种问题后或者一直尝试无法格式化时&#xf…
阅读更多...
计算机无法格式化分区,电脑硬盘无法格式化也无法分区怎么办？

计算机无法格式化分区,电脑硬盘无法格式化也无法分区怎么办？

当我们组装好一台电脑之后&#xff0c;即将面对的就是为电脑安装操作系统了。安装操作系统前我们要做的就是硬盘分区与格式化。但是&#xff0c;在操作过程中&#xff0c;电脑硬盘无法格式化也无法分区怎么办?下面&#xff0c;就跟随U大侠小编一起来看看电脑硬盘无法格式化也无…
阅读更多...
如何解决移动硬盘无法格式化？两招方法教会你

如何解决移动硬盘无法格式化？两招方法教会你

移动硬盘是我们现如今很多人都会准备的储存设备&#xff0c;但是也有很多的朋友在使用过程中会出现移动硬盘无法格式化的情况。那么今天小编就来教大家如何解决移动硬盘无法格式化的问题。 方法一&#xff1a;工具检查磁盘 1. 首先我们需要将移动硬盘单击右键&#xff0c;选择【…
阅读更多...
最新文章

Copyright @ 2022~2023