本笔记主要介绍了C++项目开发中常用的工具及其作用。首先阐述了build文件夹的重要性，强调其在分离源码与编译产物、优化项目结构方面的作用。接着介绍了VS解决方案管理器（.sln文件）的功能，包括整合项目资源、记录配置信息和关联开发环境等。CMake作为跨平台自动化构建工具，通过CMakeLists.txt实现项目编译配置与平台解耦。最后，讲解了SDK的概念及其在开发中的重要性，指出不同SDK的差

本文Windows下Cmake4.1.0与OpenCV4.11源码编译流程：下载对应版本、解压、配置环境变量、用CMake-GUI生成VS2022工程，关闭易错模块后编译ALL_BUILD生成Debug/Release库，零报错完成部署。

介绍了使用Python和OpenCV库操作USB摄像头的完整指南。主要内容包括：1) 基础摄像头捕获和显示功能实现；2) 获取摄像头参数信息（分辨率、帧率、亮度等）；3) 实时视频流录制保存为MP4文件；4) 视频翻转功能实现（水平/垂直/同时翻转）。文章提供了详细的代码示例，涵盖摄像头索引切换、参数设置、视频编码和文件保存等实用技巧，适合计算机视觉初学者快速上手USB摄像头开发。所有代码都经过测

代码输出数据快速绘制成表格

1.数据集简介、训练集与测试集划分2.模型相关知识3.model.py——定义ResNet50网络模型4.train.py——加载数据集并训练，训练集计算损失值loss，测试集计算accuracy，保存训练好的网络参数5.predict.py——利用训练好的网络参数后，用自己找的图像进行分类测试

RCNN算法分为4个步骤:获取候选区域：对于一张输入的图像，首先使用selective search算法获取2000个左右的候选区域。获取图像特征：将图像输入到卷积神经网络中获取图像特征，这一部分可以采用常用的图像卷积神经网络如VGGNet,AlexNet等。获取区域类别：在初步获得目标的位置之后，需要获取目标的类别，这一步采用SVM分类器来判断当前区域属于哪个类别。微调区域位置：尽管候选区域已经

VGGNet模型是大规模视觉识别挑战赛竞赛的第二名，六组实验，对应6个不同的网络模型，这六个网络深度逐渐递增的同时，也有各自的特点。实验表明最后两组，即深度最深的两组16和19层的VGGNet网络模型在分类和定位任务上的效果最好。从VGG背景、VGGNet模型结构、特点（创新、优缺点及新知识点）、各组的区别

ResNet背景、ResNet论文、ResNet模型结构、ResNeResNet 在2015 年由微软研究院提出的一种深度卷积神经网络结构，主要的创新是在网络中引入了残差模块（residual block），其中输入和输出之间添加了一个跳跃连接（skip connection），将输入直接加到输出上。这种跳跃连接的设计使得网络可以更轻松地学习残差，从而解决了梯度消失和模型退化的问题。ResNet-

YOLO（You Only Look Once）是一种实时目标检测算法，它创新性地将目标检测转化为单次前向传播的回归问题，通过单一神经网络同时预测目标边界框和类别概率，极大提升了检测速度。YOLO v1将输入图像划分为S×S网格，每个网格预测B个边界框、置信度及C个类别概率。其网络架构包含24个卷积层和2个全连接层，损失函数由边界框坐标误差、置信度误差和分类误差组成，通过权重因子平衡各任务贡献。训

迁移学习（Transfer Learning, TL）是深度学习中高效利用已有知识解决新任务的核心技术，尤其在目标检测等数据标注成本高、训练资源需求大的场景中，已成为工程落地的必备方案。