登录社区云，与社区用户共同成长
邀请您加入社区
一个基于 Qt 6 的跨平台 AI 助手桌面应用，支持 GUI 和 CLI 双模式，内置 AI 女友语音交互模块。
QSqlQuery 是能运行任何 SQL 语句的类，如 SELECT、INSERT、UPDATE、DELETE 等 SQL语句。所以使用 QSqlQuery 几乎能进行任何操作，例如创建数据表、修改数据表的字段定义、进行数据统计等。如果运行的是 SELECT 语句，它查询出的数据可以作为一个数据集，但是并不能作为模型/视图结构中的数据模型。
用C语言构建RPC框架原型摘要 本文介绍了如何使用C语言实现一个简单的RPC框架原型，包含以下核心内容： RPC基础概念：远程过程调用协议，允许跨网络调用函数 系统设计：包含客户端、服务器、通信层和序列化组件 关键技术实现： 定义通信协议结构体 实现整数序列化/反序列化 搭建TCP服务器处理请求 开发客户端调用远程函数 示例功能：演示了计算整数平方的远程调用过程 优化建议：包括错误处理、连接池、二
画一条线画一个矩形画一条路径设置颜色、线宽、选中、移动自定义方式基类开发成本灵活度可复用 Qt 现成绘制推荐场景继承具体图元类低中高改行为，不大改外观继承抽象形状基类中中高中自定义形状，但仍然想用pen/brush继承最基础抽象类高最高低完全自定义复杂图元适合：本质上就是矩形，只加一点行为。public:protected:特点不用自己写不用自己写paint()改行为最方便虽然不是图元，但在自定义
JSBSim是一个开源的跨平台飞行动力学仿真库，采用C++编写，专注于六自由度飞行器运动的高精度物理仿真。本文展示了四个测试代码示例：C26_1_GIS_jsbsim_cesiumjs、C26_2_GIS_jsbsim_opengl_C++、C26_3_GIS_jsbsim_threejs和C26_4_GIS_jsbsim_QT_Cesium_C++，分别演示了JSBSim与不同可视化工具（Ces
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的
摘要：本文介绍在QT 6.10（Creator 17.0.1）中通过QodeAssist插件接入DeepSeek AI服务的方法。首先下载对应版本插件并安装，然后在配置中选择OpenAI兼容模式，填写DeepSeek API地址(api.deepseek.com)和模型(deepseek-chat)，最后在Provider Settings中输入API Key即可实现代码补全和聊天功能。配置完成后
在 Qt 多线程编程中，QThread和是两种最核心的并发机制。它们分别代表了和两种不同的设计哲学。以下是两者的深度对比、适用场景分析及代码示例，帮助你根据实际需求做出最佳选择。表格startwaitquit/exitexec()run()QThread。
选择最适合的方法来设置 main 函数的启动参数。在 C++ 和 Qt 程序中，有多种方法可以设置 main 函数的启动参数。代码语言：javascript。代码语言：javascript。代码语言：javascript。代码语言：javascript。代码语言：javascript。代码语言：javascript。代码语言：javascript。代码语言：javascript。代码语言：java
WebSocket 和普通 HTTP 最大的区别在于：HTTP 更偏向“一次请求，一次响应”，而 WebSocket 是“建立长连接后，双方都可以随时发送消息”。1. 使用 QWebSocket 作为客户端对象2. 输入 ws:// 或 wss:// 地址3. 调用 open(url) 连接服务器4. 连接成功后通过 sendTextMessage() 发送文本消息5. 通过 textMessag
实现 Qt HTTP 测试工具，核心不是手写 HTTP 协议，而是理解“请求—响应”这个过程。HTTP 是客户端和服务器之间通信的规则GET 主要用于获取数据，通常不需要请求体POST 主要用于提交数据，通常需要请求体Qt 中使用 QNetworkAccessManager 发送请求使用 QNetworkRequest 描述 URL 和请求头使用 QNetworkReply 接收状态码、响应头和响
Qt 6.11为GRPC库带来多项改进：1. 提升稳定性与性能，优化测试基础设施并修复多个问题；2. 新增API功能，包括服务器元数据信号和元数据过滤选项；3. 引入客户端拦截器机制，支持日志记录、认证等跨领域功能。通过示例展示了拦截器的实现方式，可完整监控RPC调用生命周期。这些改进使Qt GRPC应用开发更高效可靠。
本文介绍了如何通过vcpkg为HarmonyOS构建C/C++库的解决方案。作者团队在将Qt移植到HarmonyOS过程中，发现手动交叉编译第三方库存在易错问题，为此开发了vcpkg分支版本。该分支添加了对HarmonyOS（OHOS）平台的支持，包括工具链文件、三种架构的三元组配置（arm64/arm/x64）以及特定库的调整补丁。使用流程包括：从fork版本构建vcpkg工具、设置注册表、配置
《C语言入门指南：从零开始掌握多变量输入输出》 本文系统梳理了C语言入门阶段的核心知识点与常见误区。作为嵌入式开发的基础，文章详细讲解了开发环境搭建、HelloWorld程序结构、变量定义、printf格式化输出和scanf输入等基础内容。特别总结了新手常犯的6大错误：main函数拼写错误、变量位置错误、占位符不匹配、漏写分号、scanf忘记取地址等。作者结合自身学习经历，建议学习者要勤于动手实践
Qt 6.11正式发布，带来多项重大更新：新增硬件加速2D渲染模块QtCanvasPainter，显著提升图形性能；QtQuick3D引入SSGI和SSR等实时渲染技术；新增QtTaskTree模块实现声明式异步编程；图表功能增强，支持3D多轴显示；改进了UI框架、网络连接和QML/C++集成。该版本还包含Lottie动画支持、OpenAPI集成等多项改进，为开发者提供了更强大的跨平台开发工具。
一、窗口概览二、菜单栏的使用菜单栏的介绍MainWindow窗口和Widget窗口的区别使用图形化的方式设置菜单栏使用代码创建菜单结构
在mai.cpp中开启// 启用高DPI支持#endifWidget w;w.show();
MCP是Anthropic提出的AI工具集成协议。本示例用Python实现基础MCP服务器与客户端，支持工具发现、调用及资源读取。
本文介绍了如何利用QT进行C++语法练习，包括QT环境安装、项目创建和代码结构解析。首先推荐通过清华镜像下载QT，详细说明了项目创建步骤和构建系统选择(qmake/cmake/Qbs)。重点分析了自动生成的代码结构：main.cpp初始化QApplication，widget.h定义继承QWidget的类，widget.cpp实现界面关联。文章还介绍了formfile的XML界面设计功能，演示了两
2025年底，Anthropic 提出 Model Context Protocol（MCP），迅速成为 AI Agent 生态中最有影响力的开放协议之一。到2026年，MCP 已经从"新概念"变成了实际生产力——各大模型平台、开发工具、数据中间件纷纷原生支持 MCP 协议。但 MCP 到底是什么？它和传统的 API 调用有什么区别？为什么说它是"AI 时代的 USB-C"？
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
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
openEuler 社区
DeepSeek技术社区
HarmonyOS开发者社区
腾讯云开发者社区
