Qt初学者教程:从入门到精通

需积分: 34 19 下载量 97 浏览量 更新于2024-07-21 1 收藏 14.65MB PDF 举报
"Qt教程及软件,适合初学者的Qt入门级开发教程,涵盖Qt Creator的使用,由www.yafeilinux.com原创,允许非商业性转载。教程内容包括Qt Creator的安装、基本程序编写、多窗口程序、登录对话框、菜单图标、布局管理、文本编辑、查找功能、状态栏显示、鼠标键盘事件处理、自定义鼠标指针、定时器、随机数、2D绘图、数据库操作等,旨在全面介绍Qt的各个方面。" Qt是Qt公司开发的一个跨平台的应用程序开发框架,被广泛用于创建桌面、移动和嵌入式应用程序。Qt Creator是Qt的集成开发环境(IDE),提供了方便的代码编辑、调试和项目管理功能,是初学者学习Qt编程的首选工具。 本教程以一系列易于理解的章节展开,从基础的Qt Creator安装和“Hello, World”程序开始,逐步引导初学者掌握Qt编程的基础知识。第二部分讲解如何使用Qt Creator创建多窗口程序,使学习者了解如何构建复杂的应用界面。接着,教程介绍了如何添加登录对话框和菜单图标,这些都是构建交互式应用的重要组成部分。 在用户界面设计方面,教程详细讲述了布局管理器的使用,帮助开发者有效地组织和调整控件的位置。此外,还涉及了文本编辑、查找功能的实现,以及状态栏显示,这些是许多应用中常见的功能需求。对鼠标键盘事件的处理和自定义鼠标指针的讲解,则让开发者能够更好地响应用户的输入操作。 在图形绘制方面,教程深入2D绘图,从简单的图形到渐变填充、文字绘制、路径绘制、图片显示,再到坐标系统的理解,为开发者提供了丰富的图形绘制知识。双缓冲绘图和图形视图框架的介绍,使得高级图形效果的实现成为可能。 最后,教程涉足数据库操作,涵盖了Qt与MySQL数据库的集成,以及如何使用QSqlQuery类执行SQL语句,为开发者提供数据存储和检索的能力。 这个Qt教程为初学者提供了一条清晰的学习路径,通过实践性的示例和逐步指导,帮助他们从零开始掌握Qt编程,逐步成长为熟练的Qt开发者。无论是对个人兴趣还是职业发展,这都是一个非常有价值的资源。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R