登录社区云，与社区用户共同成长
邀请您加入社区
本项目基于 C++、Qt Widgets、Qt Multimedia、OpenCV DNN 实现了一个本地人脸识别小系统。系统可以在 Qt 界面中实时显示摄像头画面，点击“开始人脸识别”按钮后，程序会在 5 秒内对摄像头画面中的人脸进行检测和识别。如果当前人脸与本地人脸库中的某个样本相似度超过设定阈值，则显示对应的人名并提示“识别成功”；如果 5 秒内没有识别成功，则显示“未识别”和“识别失败”。
摘要： 使用QImage构造函数时发生崩溃，原因是图像宽度未按32位对齐（非4的整数倍）。文档要求数据指针和每行扫描线必须32位对齐。解决方法：改用指定每行字节数的构造函数，传入width*通道数作为参数。另外需注意QImage不管理数据内存生命周期，需确保内存有效或调用copy()复制图像，也可通过cleanupFunction结合RAII管理内存。
原创作者：郑同学的笔记原文链接：https://zhengjunxue.blog.csdn.net/article/details/156393310。
摘要： QtWaitingSpinner是一个轻量级自定义控件，用于在Qt应用中优雅地展示加载动画，避免GIF资源或自绘控件的缺点。支持C++（Qt5/6）和Python（PyQt/PySide）版本，提供丰富的定制选项，包括颜色、转速、线条样式等。集成方式灵活，可直接引入源码或通过库安装。支持模态对话框、异步操作等高级用法，并解决动画卡顿、样式不生效等常见问题，显著提升用户体验。 （字数：150
训练阶段 部署阶段Ultralytics YOLO26 (PyTorch) PyQt5 GUI 桌面应用YOLO26.onnx ──────────────→ onnxruntime 加载├── 图片检测├── 摄像头实时检测└── 视频文件检测用 Ultralytics 训练 YOLO26 模型，导出 ONNX 格式，在 PyQt5 界面中通过 onnxruntime 加载并推理。用户不需要安装
ROS话题通信采用发布-订阅模型，实现节点间松耦合的数据传输。核心角色包括ROS Master、发布者（Talker）和订阅者（Listener），通过RPC和TCP协议分阶段完成连接建立与数据传输。
Qt 负责界面和交互，百度 AI 提供人脸识别能力——这个组合使得在不具备机器学习背景的情况下，也能构建出功能完整的人脸识别系统。项目的技术栈（C++ GUI + RESTful API + JSON 解析）是 AI 应用开发的标准模式，可以复用到文字识别、图像搜索、语音合成等其他场景。建议先将整套链路跑通再逐层优化。
本项目开发了一套基于YOLOv8的城市道路隐患与安全设施智能识别系统，可高效检测井盖、坑洞、减速带等5类道路设施及安全隐患。系统采用YOLOv8架构实现高精度目标识别，支持单图、批量图片、视频和实时摄像头输入，并配备PyQt5可视化界面便于操作。提供完整源码、预训练模型和数据集，支持开箱即用或自定义训练扩展。该系统可应用于智能交通巡检、道路安全管理等领域，实现道路隐患的自动化检测，提升城市安全管理
C++ 开发中，第三方库的依赖管理一直是个痛点。本文深入解析了微软开源的 C++ 包管理工具 vcpkg，旨在彻底解决手动编译、链接配置繁琐的问题。文章不仅详细阐述了 vcpkg “下载-补丁-编译-劫持CMake” 的底层工作原理，还提供了一份Windows 环境下的保姆级安装教程。特别针对国内开发者遇到的网络下载失败、环境配置坑点给出了具体的解决方案（如代理设置），并以安装 FFmpeg 和
摘要：本文介绍了在Qt项目中集成OpenCV的配置方法。主要包括：1）在.pro文件中配置OpenCV头文件路径和链接库（区分Linux/Windows）；2）实现cv::Mat与QImage的相互转换以在Qt控件中显示；3）通过QTimer实现实时视频处理；4）使用QThread处理耗时操作避免UI阻塞；5）解决常见问题如库冲突、ARM平台适配等。这些方法可在保持界面响应性的同时高效集成Open
摘要： 本文深入剖析了一套基于PyTorch的医学图像分割系统开发全流程。针对传统U-Net在医学影像处理中的局限性，系统创新性地融合了ResNet骨架、空间金字塔池化(SSPP)和通道注意力机制(CAM)，构建出能同时捕捉局部细节与全局特征的UResnet架构。通过精心设计的混合损失函数(Dice+交叉熵)平衡类别不平衡问题，并采用自动化数据处理、训练监控等工程优化。最终实现的PyQt5图形界面
通过无人机高清影像采集与实时数据传输，结合 YOLOv8 高速、精准的目标检测能力，本系统能够在复杂环境下（夜间低光照、雨季积水、交通流干扰等）稳定识别路面损伤，为城市主干道、高速公路、乡村及山区道路的健康状态监控提供技术支撑。同时，检测结果可用于道路通行安全评估、养护作业优先级确定、修复施工路径规划及道路生命周期管理，为交通管理部门和基础设施维护单位提供科学决策依据。
由于新建产品时采用数据协议是OneJson，“查询设备数据点”这个API是不能查询到下位机上传到平台的数据的。需要用API查询其他数据的，到文档中心（下载，把包括用户ID、用户accessKey和时间戳分别填到下图所示的地方，其他设置参考下图，填写完毕后点击“Generate”,红框里的就是所需的token。计算token之前先准备3条数据，包括用户ID、用户accessKey和时间戳，照着下图的
本文介绍了一个基于YOLOv8算法的快递包裹管理信息系统，旨在提升快递分拣效率和准确性。系统采用Python+Django+Vue.js技术栈，包含用户注册、登录、包裹图像识别（支持图片/视频/摄像头输入）、分类检测及存档查询等功能。通过海量数据训练优化算法模型，实验证明系统能有效提高分拣速度和精确度，为快递业智能化转型提供技术支持。文章还展示了系统核心代码片段和操作界面效果图，具有较高的应用价值
不过别照搬配置，根据自己业务量调整参数，比如Kafka分区数至少是消费者数量的两倍，Hive的tez容器内存按数据量来调。搞大数据就像吃川菜，火候和配料得自己把握。日志数据像洪水一样涌来的时候，传统做法是把服务器当移动硬盘用，scp拷来拷去迟早翻车。今天咱们直接上硬菜，手撸一套能扛百万级日志的生产级方案。这里用byte数组直接传原始日志，避免JSON序列化的性能损耗。Kafka的batch siz
确保您的交叉编译工具链正确安装，并设置了必要的环境变量。确保您的交叉编译工具链正确安装，并设置了必要的环境变量。在/home/ubuntu目录里下载源码。交叉编译xvidcore。
从零开始配置Qt-YOLO-OpenCV。
本文介绍了一个基于OpenCV、MySQL和Qt的机器视觉处理系统架构设计。系统分为图像采集、处理、存储和显示模块，使用OpenCV实现图像处理算法，MySQL存储结果数据，Qt提供用户界面。详细说明了开发环境配置方法，包括OpenCV和MySQL的路径设置。系统实现了人脸检测、物体识别等功能，通过Haar级联分类器进行多目标检测，并采用非最大抑制算法优化检测结果。数据库模块采用Qt的SQL接口管
RG10 核心特征：10bit 有效数据（0~1023），以 uint16 存储，Bayer 排列为 RGGB，小端存储；转换关键步骤：uint16 数组转换 → 10bit 归一化到 8bit → OpenCV 的 BAYER_RG2RGB 转换；避坑点：确认 Bayer 排列（颜色异常时换 OpenCV 的 Bayer 转换枚举）、端序（小端）、分辨率匹配。如果 RG10 数据转换后出现颜色偏
创建一个视频播放器，用 QML 做界面，用 OpenCV 处理视频，用 C++ 把它们连接起来。// 重写绘制函数// 属性访问函数// QML 可以调用的函数signals:private:// OpenCV 视频捕获// 当前帧// 转换为 QImage// 定时器，用于播放视频// 视频文件路径// 是否正在播放// 视频帧率Qt QML：创建漂亮的界面OpenCV。
转自：http://blog.csdn.net/wangrunmin/article/details/8801084Qt中利用QTime类来控制时间,这里简单介绍一下QTime的成员函数的用法:---------------------------------------------------------------------------------------------
摘要：Qt应用程序中PMainWidget父对象绘制线条时出现像素残留问题。研究发现Qt默认使用局部重绘机制，仅更新变化区域，导致旧线条未被完全清除。子控件PWaveWin的绘制时机晚于父控件，其未更新区域会遮挡部分线条。解决方案包括：1)精确计算新旧线条更新区域；2)强制完整重绘；3)优化绘制逻辑。最终采用方案1，通过手动计算包含新旧线条的更新区域，同时更新子控件，既解决了残留问题又保持了最佳性
本文详细介绍将QT程序打包成独立EXE文件的方法。首先通过Release模式构建生成exe文件，然后使用QT自带的windeployqt工具自动补全依赖库。操作步骤包括：构建Release版本、定位exe文件目录、通过QT命令行调用windeployqt工具添加依赖。完成打包后，程序即可脱离开发环境直接运行，方便分享使用。文章作者作为CSDN新手，欢迎读者对打包方法提出改进建议，并预告后续将继续分
更厉害的是“AI痕迹消除”技术，可模拟人类写作的词汇偏好与句式特征，使文本更符合学术表达习惯，有效规避检测工具对AI生成内容的敏感识别。它不仅整合了选题、逻辑、内容、格式、查重等全流程功能，更通过AI技术将“体力劳动”转化为“脑力协作”，让论文写作从“艰难跋涉”变为“轻松航行”。无论是教育管理、课程与教学论，还是教育技术学方向的本科论文，书匠策AI都能帮你从“信息迷雾”中突围，让每一篇论文都成为思
本文围绕 “基于 YOLOv8 的河道漂浮垃圾智能检测系统”，系统性地介绍了从问题背景、技术选型到工程实现与效果验证的完整过程。项目以 YOLOv8 目标检测模型为核心，结合 PyQt5 图形化界面，实现了对河道漂浮垃圾的自动化、可视化与实时化检测，有效弥补了传统人工巡查在效率、覆盖范围和实时性方面的不足。
本文介绍了在RK3588平台上使用Qt和OpenCV实现人脸识别检测的方法。代码分为两部分：Qt界面部分使用QLabel显示视频帧，通过多线程处理视频流；OpenCV部分通过V4L2接口捕获摄像头数据，加载预训练的人脸检测模型进行识别。针对ARM64架构，需要在.pro文件中配置OpenCV库路径。文章还提到在buildroot中配置OpenCV4的编译选项，为嵌入式平台提供支持。该系统实现了实时
博主写的很好，收藏用 https://blog.csdn.net/arv002/article/details/145820998
Qt 主程序├─ QProcess 管理 algo_service.exe├─ HTTP 调用 /health /infer /shutdown└─ UI 显示算法状态与日志入口├─ FastAPI 提供算法接口├─ 独立进程，独立生命周期└─ 可随时替换或升级。
摘要：Qt框架凭借其跨平台特性和强大的图形处理能力，成为工业视觉开发的理想选择。它通过与OpenCV集成实现高效图像处理，利用多线程和OpenGL加速满足实时性需求，并提供QtDesigner等工具简化界面开发。Qt的跨平台支持便于部署到不同系统，其调试工具和单元测试框架有助于保证系统稳定性和算法准确性，为工业视觉应用开发提供了完整解决方案。（149字）
本文介绍了Qt与OpenCV集成开发跨平台视觉应用的方法，包括CMake配置、工业相机SDK集成（如Basler相机）、3D视觉处理流程（标定、匹配等）。重点探讨了性能优化技巧：内存管理（避免QImage与Mat深拷贝）、多线程处理（使用QThreadPool）和硬件加速（OpenCL）。文章还涉及异常处理机制（设备断连恢复）和部署注意事项（ARM交叉编译、帧率控制），并推荐了QCustomPlo
PyTorch版本不兼容，CUDA环境配置报错依赖包版本冲突，pip install总失败代码在别人电脑上能跑，自己电脑上各种报错。
https://blog.csdn.net/weixin_45482816/article/details/112992250
环境难配：论文里写的是 TensorFlow 1.x，GitHub 上是 PyTorch 1.x，自己电脑装的是 2.x，一路报错。代码到处报错：依赖缺、路径错、GPU/CPU 不兼容，改了一堆还是跑不通 Demo。没有完整思路：只有一个简单的分类脚本，没有数据预处理、可视化、UI 展示，很难写出一篇像样的设计与实现章节。纯 Python 开发：项目核心采用 Python + PyTorch +
PCB表面缺陷检测数据集含有xml标签文件可用于yolov3yolov4yolov5yolov6 yolov7yolov8目标检测工业自动化时代，PCB板缺陷检测是计算机视觉领域的重要应用之一。今天，我将带大家从零开始，探索如何利用公开的PCB缺陷检测数据集，结合YOLO系列模型，打造一个高效实用的缺陷检测系统。
本文介绍了OpenCV中Mat类的核心功能和使用方法。Mat类是OpenCV中表示多维数组（特别是图像数据）的主要数据结构，支持多种数据类型（如CV_8U、CV_32F等）和创建方式。文章详细说明了Mat类的创建与赋值方法，包括矩阵初始化、单位矩阵/对角矩阵生成等，并介绍了矩阵元素的读取方式（如at方法）和常用属性（如rows、cols等）。最后，总结了Mat类支持的各种运算操作，包括四则运算、矩
3、MinGW下编译好的OpenCV SDK：MinGW-Build-OpenCV-4.5.2-x64。# OpenCV 头文件路径。# OpenCV 库文件路径。QT工程 pro文件。
摘要：本文介绍了使用Qt开发AI应用的两种主流方法。第一种是调用大语言模型API构建智能对话应用，通过Qt网络模块实现API交互，关键技术包括界面设计、异步请求处理和JSON解析。第二种是集成计算机视觉模型（如YOLOv8）开发图像识别应用，重点解决多线程处理、图像显示和检测框绘制等问题。文章还提到Qt正在开发AIInferenceAPI以简化AI集成流程。两种方案各具优势：LLM应用开发门槛低，
在开始编译之前，设置必要的环境变量，以确保 x264 使用正确的编译器和标志。移除无效选项，并正确设置编译器标志。1. 设置交叉编译环境变量。
在Qt中调用相机进行拍照并实现图像处理，可以通过结合Qt Multimedia模块和图像处理库（如OpenCV）实现。
qt
——qt
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
腾讯云开发者社区
