QT编程的知识碎片(一)

模态是指当子窗口弹出时,焦点始终被强行集中于子窗口,只要子窗口不退出,焦点就不会被释放。非模态正好相反。

 

——家居安防监控系统开发中所遇到的问题

好吧,想想又有好久没有写博客了,最近遇到的问题特别多,在不操起键盘记一记恐怕又会在同一个地方一次又一次跌倒了!

 

问题一:模态与非模态

以前一直没有弄明白为什么我的程序一启动便可以打印每一个界面的调试信息(我一直以为整个程序是单线程的),大概是对模态与非模态的知识认识不够吧。从线程角度讲,模态子窗口的线程是阻塞的,父、子窗口各有一个线程,当创建子窗口时,父线程就被子线程阻塞掉;非模态线程不是阻塞型的,父、子线程可以并行运行。这里面有两个关键函数:exec()和show(),具体类容参照了以下仁兄的博客:

http://blog.csdn.net/hufengvip/article/details/5769093

http://blog.const.net.cn/a/4021.htm

(现象:在程序开始时,每一个界面都进行了初始化,而不管你是否使用show()使其显示)

 

问题二:多线程编程

第一版程序中,出现了很多问题,比如我用定时器实现多串口的定时扫描从而实现数据的接收(在视屏捕获中已经使用了一个定时器进行数据刷新),但由于设置的扫描间隔时间太长(最少30ms左右,因为QT下的定时器精度好像只有20ms左右)而无法正常接收节点发来的数据(当两个节点发送数据的时间间隔较短时,便会造成第二个数据帧无法接收),但如果将定时器时间设置得过短,却会造成卡屏现象(用定时器做键盘扫描也会出现同样的情况),因此决定为串口扫描程序以及键盘扫描部分单独开一个线程,用for(;;)循环的方式进行扫描,并通过线程间信号与槽的通信方式将接收到的QByteArray数据传输到主线程中进行处理显示,当然,这又触及到多个模块的知识:信号与槽间的通信(主要是自定义数据类型的传输)、元对象、多线程编程、事件循环等,参照了以下博客:

http://www.cppblog.com/lauer3912/archive/2011/07/20/151435.html

http://blog.csdn.net/directx3d_beginner/article/details/39958007(有关于摄像头的程序段)

C++多进程开发:http://blog.csdn.net/wangfengwf/article/details/11581487

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值