QT Creator 5.15.2 从零搭建YOLOv5检测界面的完整流程附避坑指南在计算机视觉领域YOLOv5以其高效的检测速度和良好的精度表现成为众多开发者的首选目标检测框架。而QT作为跨平台的C图形用户界面应用程序框架能够为YOLOv5模型提供直观的操作界面。本文将详细介绍如何从零开始在QT Creator 5.15.2环境中搭建一个完整的YOLOv5检测界面涵盖环境配置、界面设计、模型集成、性能优化等全流程并针对常见问题提供解决方案。1. 开发环境准备与基础配置1.1 QT Creator 5.15.2安装与验证首先需要确保正确安装QT Creator 5.15.2版本。建议从QT官方下载在线安装器勾选以下关键组件Desktop gcc 64-bit核心开发工具链Qt Creator 10.0.0集成开发环境CMake 3.24项目构建系统Debugging Tools调试支持安装完成后通过创建测试项目验证环境# 创建测试目录 mkdir ~/qt_test cd ~/qt_test # 生成CMake项目 cmake -G Unix Makefiles -DCMAKE_PREFIX_PATH/opt/Qt/5.15.2/gcc_64 ..1.2 YOLOv5模型准备YOLOv5提供了多种预训练模型从官网下载所需模型权重.pt文件并使用官方export.py脚本转换为ONNX格式python export.py --weights yolov5s.pt --include onnx --img 640 --batch 1关键转换参数说明参数说明推荐值--weights模型权重路径yolov5s.pt--include输出格式onnx--img输入图像尺寸640--batch批处理大小12. QT项目创建与基础框架搭建2.1 新建QT Widgets Application在QT Creator中选择File New Project配置关键选项项目类型Application Qt Widgets Application构建系统CMake推荐或qmake基类选择QMainWindow提供完整窗口功能语言标准C17YOLOv5依赖现代C特性2.2 项目文件结构解析典型项目结构如下yolov5_detector/ ├── CMakeLists.txt # 项目构建配置 ├── include/ # 头文件目录 │ └── detection.h # 检测功能声明 ├── src/ # 源文件目录 │ ├── main.cpp # 程序入口 │ ├── mainwindow.cpp # 主窗口实现 │ └── detection.cpp # 检测功能实现 └── resources/ # 资源文件 ├── models/ # 模型文件 └── images/ # 测试图像关键CMake配置示例# 查找OpenCV包 find_package(OpenCV REQUIRED) include_directories(${OpenCV_INCLUDE_DIRS}) # 添加可执行文件 add_executable(yolov5_detector src/main.cpp src/mainwindow.cpp src/detection.cpp ) # 链接库 target_link_libraries(yolov5_detector Qt5::Widgets ${OpenCV_LIBS} )3. 用户界面设计与功能实现3.1 主界面布局设计使用QT Designer设计包含以下核心组件的界面图像显示区域QLabel用于显示原始图像和检测结果控制面板QGroupBox包含文件选择按钮QPushButton模型选择下拉框QComboBox置信度阈值滑块QSlider检测开关QCheckBox状态栏QStatusBar显示检测耗时和FPS关键UI元素属性设置组件类型对象名称关键属性QLabelimageLabelscaledContentstrueQPushButtonopenButtontext打开图像QComboBoxmodelComboaddItems([yolov5s, yolov5m])QSliderconfSliderrange30~90, value503.2 图像处理与显示实现图像加载和显示功能// 在MainWindow类中添加成员变量 cv::Mat currentImage; QPixmap currentPixmap; // 图像加载槽函数 void MainWindow::onOpenImage() { QString fileName QFileDialog::getOpenFileName(this, 打开图像, , 图像文件 (*.jpg *.png *.bmp)); if (!fileName.isEmpty()) { currentImage cv::imread(fileName.toStdString()); if (!currentImage.empty()) { displayImage(currentImage); } } } // 图像显示函数 void MainWindow::displayImage(const cv::Mat image) { cv::Mat rgbImage; cv::cvtColor(image, rgbImage, cv::COLOR_BGR2RGB); QImage qImage(rgbImage.data, rgbImage.cols, rgbImage.rows, rgbImage.step, QImage::Format_RGB888); currentPixmap QPixmap::fromImage(qImage); ui-imageLabel-setPixmap(currentPixmap.scaled( ui-imageLabel-size(), Qt::KeepAspectRatio, Qt::SmoothTransformation)); }4. YOLOv5模型集成与推理4.1 ONNX Runtime环境配置在CMakeLists.txt中添加ONNX Runtime依赖# 查找ONNX Runtime find_package(ONNXRuntime REQUIRED) include_directories(${ONNXRuntime_INCLUDE_DIRS}) target_link_libraries(yolov5_detector ${ONNXRuntime_LIBRARIES})4.2 推理引擎实现创建Detector类处理模型推理class Detector { public: Detector(const std::string modelPath); std::vectorDetection detect(cv::Mat image, float confThreshold); private: Ort::Env env; Ort::SessionOptions sessionOptions; std::unique_ptrOrt::Session session; std::vectorconst char* inputNames; std::vectorconst char* outputNames; void preprocess(cv::Mat image, float* blob); void postprocess( const std::vectorOrt::Value outputs, std::vectorDetection detections, float confThreshold); };关键推理流程图像预处理void Detector::preprocess(cv::Mat image, float* blob) { cv::Mat resized; cv::resize(image, resized, cv::Size(640, 640)); cv::Mat floatImage; resized.convertTo(floatImage, CV_32FC3, 1/255.0); // 转换为CHW格式 std::vectorcv::Mat channels(3); cv::split(floatImage, channels); // 填充blob数据 for (int c 0; c 3; c) { memcpy(blob c * 640 * 640, channels[c].data, 640 * 640 * sizeof(float)); } }推理执行std::vectorDetection Detector::detect(cv::Mat image, float confThreshold) { // 输入张量准备 std::arrayint64_t, 4 inputShape {1, 3, 640, 640}; std::vectorfloat inputTensor(3 * 640 * 640); preprocess(image, inputTensor.data()); // 运行推理 auto memoryInfo Ort::MemoryInfo::CreateCpu( OrtAllocatorType::OrtArenaAllocator, OrtMemType::OrtMemTypeDefault); Ort::Value inputTensor Ort::Value::CreateTensorfloat( memoryInfo, inputTensor.data(), inputTensor.size(), inputShape.data(), inputShape.size()); auto outputs session-Run( Ort::RunOptions{nullptr}, inputNames.data(), inputTensor, 1, outputNames.data(), outputNames.size()); // 后处理 std::vectorDetection detections; postprocess(outputs, detections, confThreshold); return detections; }结果后处理void Detector::postprocess(...) { const float* rawOutput outputs[0].GetTensorDatafloat(); int64_t outputShape outputs[0].GetTensorTypeAndShapeInfo().GetShape()[1]; for (int i 0; i outputShape; i) { float confidence rawOutput[i * 6 4]; if (confidence confThreshold) { Detection det; det.confidence confidence; det.classId static_castint(rawOutput[i * 6 5]); det.bbox cv::Rect( static_castint(rawOutput[i * 6] * image.cols), static_castint(rawOutput[i * 6 1] * image.rows), static_castint((rawOutput[i * 6 2] - rawOutput[i * 6]) * image.cols), static_castint((rawOutput[i * 6 3] - rawOutput[i * 6 1]) * image.rows) ); detections.push_back(det); } } }5. 性能优化与多线程处理5.1 异步检测实现为避免界面卡顿使用QThread实现异步检测class DetectionWorker : public QObject { Q_OBJECT public: DetectionWorker(Detector* detector) : detector(detector) {} public slots: void detectImage(cv::Mat image, float confThreshold) { auto detections detector-detect(image, confThreshold); emit detectionFinished(image, detections); } signals: void detectionFinished(cv::Mat image, std::vectorDetection detections); private: Detector* detector; }; // 在主窗口类中初始化线程 void MainWindow::initDetectionThread() { QThread* thread new QThread(this); DetectionWorker* worker new DetectionWorker(detector); worker-moveToThread(thread); connect(this, MainWindow::requestDetection, worker, DetectionWorker::detectImage); connect(worker, DetectionWorker::detectionFinished, this, MainWindow::handleDetectionResult); thread-start(); }5.2 内存管理与性能监控实现资源管理和性能统计// 内存管理策略 class ScopedTimer { public: ScopedTimer(const std::string name) : name(name), start(std::chrono::high_resolution_clock::now()) {} ~ScopedTimer() { auto end std::chrono::high_resolution_clock::now(); auto duration std::chrono::duration_caststd::chrono::milliseconds(end - start).count(); qDebug() name.c_str() took duration ms; } private: std::string name; std::chrono::time_pointstd::chrono::high_resolution_clock start; }; // 使用示例 void MainWindow::handleDetectionResult(cv::Mat image, std::vectorDetection detections) { ScopedTimer timer(Detection and rendering); // 绘制检测结果 cv::Mat result image.clone(); for (const auto det : detections) { cv::rectangle(result, det.bbox, cv::Scalar(0, 255, 0), 2); std::string label classNames[det.classId] : std::to_string(det.confidence).substr(0, 4); cv::putText(result, label, cv::Point(det.bbox.x, det.bbox.y - 5), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 255, 0), 1); } displayImage(result); // 更新状态栏 auto fps 1000.0 / timer.elapsed(); statusBar()-showMessage(QString(检测完成 - FPS: %1).arg(fps, 0, f, 1)); }6. 常见问题与解决方案6.1 编译问题排查问题1OpenCV链接错误error: undefined reference to cv::imread(std::string const, int)解决方案确保CMake正确链接OpenCV库检查find_package(OpenCV REQUIRED)是否成功。问题2ONNX Runtime版本不兼容error: Ort::SessionOptions has no member named AppendExecutionProvider_CUDA解决方案统一使用相同版本的ONNX Runtime头文件和库文件推荐使用最新稳定版。6.2 运行时问题处理问题3模型加载失败[ERROR] Failed to load model: invalid ONNX file检查步骤验证模型文件路径是否正确使用ONNX Runtime官方工具检查模型有效性确认模型输入输出节点名称匹配问题4检测结果异常可能原因及解决方案图像预处理不一致确保使用与训练相同的归一化方式输出解析错误验证输出张量维度与预期是否一致后处理参数不当调整NMS阈值和置信度阈值6.3 性能优化建议模型量化将FP32模型量化为INT8可显著提升推理速度python export.py --weights yolov5s.pt --include onnx --img 640 --batch 1 --dynamic --simplifyGPU加速启用CUDA执行提供器Ort::SessionOptions sessionOptions; OrtCUDAProviderOptions cudaOptions; sessionOptions.AppendExecutionProvider_CUDA(cudaOptions);批处理优化适当增大批处理大小提高吞吐量std::arrayint64_t, 4 inputShape {batchSize, 3, 640, 640};7. 功能扩展与进阶开发7.1 实时视频检测扩展视频处理能力// 视频处理类 class VideoProcessor : public QObject { Q_OBJECT public: VideoProcessor(Detector* detector) : detector(detector), stopped(false) {} public slots: void processVideo(QString filePath) { cv::VideoCapture cap(filePath.toStdString()); if (!cap.isOpened()) { emit error(无法打开视频文件); return; } cv::Mat frame; while (!stopped cap.read(frame)) { auto detections detector-detect(frame, 0.5); emit frameProcessed(frame, detections); QThread::msleep(30); // 控制帧率 } cap.release(); emit finished(); } void stop() { stopped true; } signals: void frameProcessed(cv::Mat frame, std::vectorDetection detections); void finished(); void error(QString message); private: Detector* detector; bool stopped; };7.2 多模型集成实现模型动态切换void MainWindow::onModelChanged(int index) { QString modelName ui-modelCombo-itemText(index); QString modelPath QString(resources/models/%1.onnx).arg(modelName); try { detector.reset(new Detector(modelPath.toStdString())); statusBar()-showMessage(QString(已加载模型: %1).arg(modelName)); } catch (const std::exception e) { QMessageBox::critical(this, 错误, QString(加载模型失败: %1).arg(e.what())); } }7.3 结果导出功能添加检测结果保存功能void MainWindow::onSaveResult() { if (currentImage.empty()) return; QString fileName QFileDialog::getSaveFileName(this, 保存结果, , JPEG图像 (*.jpg);;PNG图像 (*.png)); if (!fileName.isEmpty()) { cv::Mat result currentImage.clone(); // 绘制检测结果... cv::imwrite(fileName.toStdString(), result); } }在实际项目开发中遇到最棘手的问题往往是内存泄漏和线程同步。特别是在长时间运行的视频检测场景中需要特别注意以下几点使用智能指针管理资源避免手动new/delete跨线程信号传递时确保数据深拷贝或使用共享指针为QThread设置合理的栈大小防止栈溢出定期检查QT的线程事件循环是否正常
QT Creator 5.15.2 从零搭建YOLOv5检测界面的完整流程（附避坑指南）
发布时间：2026/7/24 6:18:32
QT Creator 5.15.2 从零搭建YOLOv5检测界面的完整流程附避坑指南在计算机视觉领域YOLOv5以其高效的检测速度和良好的精度表现成为众多开发者的首选目标检测框架。而QT作为跨平台的C图形用户界面应用程序框架能够为YOLOv5模型提供直观的操作界面。本文将详细介绍如何从零开始在QT Creator 5.15.2环境中搭建一个完整的YOLOv5检测界面涵盖环境配置、界面设计、模型集成、性能优化等全流程并针对常见问题提供解决方案。1. 开发环境准备与基础配置1.1 QT Creator 5.15.2安装与验证首先需要确保正确安装QT Creator 5.15.2版本。建议从QT官方下载在线安装器勾选以下关键组件Desktop gcc 64-bit核心开发工具链Qt Creator 10.0.0集成开发环境CMake 3.24项目构建系统Debugging Tools调试支持安装完成后通过创建测试项目验证环境# 创建测试目录 mkdir ~/qt_test cd ~/qt_test # 生成CMake项目 cmake -G Unix Makefiles -DCMAKE_PREFIX_PATH/opt/Qt/5.15.2/gcc_64 ..1.2 YOLOv5模型准备YOLOv5提供了多种预训练模型从官网下载所需模型权重.pt文件并使用官方export.py脚本转换为ONNX格式python export.py --weights yolov5s.pt --include onnx --img 640 --batch 1关键转换参数说明参数说明推荐值--weights模型权重路径yolov5s.pt--include输出格式onnx--img输入图像尺寸640--batch批处理大小12. QT项目创建与基础框架搭建2.1 新建QT Widgets Application在QT Creator中选择File New Project配置关键选项项目类型Application Qt Widgets Application构建系统CMake推荐或qmake基类选择QMainWindow提供完整窗口功能语言标准C17YOLOv5依赖现代C特性2.2 项目文件结构解析典型项目结构如下yolov5_detector/ ├── CMakeLists.txt # 项目构建配置 ├── include/ # 头文件目录 │ └── detection.h # 检测功能声明 ├── src/ # 源文件目录 │ ├── main.cpp # 程序入口 │ ├── mainwindow.cpp # 主窗口实现 │ └── detection.cpp # 检测功能实现 └── resources/ # 资源文件 ├── models/ # 模型文件 └── images/ # 测试图像关键CMake配置示例# 查找OpenCV包 find_package(OpenCV REQUIRED) include_directories(${OpenCV_INCLUDE_DIRS}) # 添加可执行文件 add_executable(yolov5_detector src/main.cpp src/mainwindow.cpp src/detection.cpp ) # 链接库 target_link_libraries(yolov5_detector Qt5::Widgets ${OpenCV_LIBS} )3. 用户界面设计与功能实现3.1 主界面布局设计使用QT Designer设计包含以下核心组件的界面图像显示区域QLabel用于显示原始图像和检测结果控制面板QGroupBox包含文件选择按钮QPushButton模型选择下拉框QComboBox置信度阈值滑块QSlider检测开关QCheckBox状态栏QStatusBar显示检测耗时和FPS关键UI元素属性设置组件类型对象名称关键属性QLabelimageLabelscaledContentstrueQPushButtonopenButtontext打开图像QComboBoxmodelComboaddItems([yolov5s, yolov5m])QSliderconfSliderrange30~90, value503.2 图像处理与显示实现图像加载和显示功能// 在MainWindow类中添加成员变量 cv::Mat currentImage; QPixmap currentPixmap; // 图像加载槽函数 void MainWindow::onOpenImage() { QString fileName QFileDialog::getOpenFileName(this, 打开图像, , 图像文件 (*.jpg *.png *.bmp)); if (!fileName.isEmpty()) { currentImage cv::imread(fileName.toStdString()); if (!currentImage.empty()) { displayImage(currentImage); } } } // 图像显示函数 void MainWindow::displayImage(const cv::Mat image) { cv::Mat rgbImage; cv::cvtColor(image, rgbImage, cv::COLOR_BGR2RGB); QImage qImage(rgbImage.data, rgbImage.cols, rgbImage.rows, rgbImage.step, QImage::Format_RGB888); currentPixmap QPixmap::fromImage(qImage); ui-imageLabel-setPixmap(currentPixmap.scaled( ui-imageLabel-size(), Qt::KeepAspectRatio, Qt::SmoothTransformation)); }4. YOLOv5模型集成与推理4.1 ONNX Runtime环境配置在CMakeLists.txt中添加ONNX Runtime依赖# 查找ONNX Runtime find_package(ONNXRuntime REQUIRED) include_directories(${ONNXRuntime_INCLUDE_DIRS}) target_link_libraries(yolov5_detector ${ONNXRuntime_LIBRARIES})4.2 推理引擎实现创建Detector类处理模型推理class Detector { public: Detector(const std::string modelPath); std::vectorDetection detect(cv::Mat image, float confThreshold); private: Ort::Env env; Ort::SessionOptions sessionOptions; std::unique_ptrOrt::Session session; std::vectorconst char* inputNames; std::vectorconst char* outputNames; void preprocess(cv::Mat image, float* blob); void postprocess( const std::vectorOrt::Value outputs, std::vectorDetection detections, float confThreshold); };关键推理流程图像预处理void Detector::preprocess(cv::Mat image, float* blob) { cv::Mat resized; cv::resize(image, resized, cv::Size(640, 640)); cv::Mat floatImage; resized.convertTo(floatImage, CV_32FC3, 1/255.0); // 转换为CHW格式 std::vectorcv::Mat channels(3); cv::split(floatImage, channels); // 填充blob数据 for (int c 0; c 3; c) { memcpy(blob c * 640 * 640, channels[c].data, 640 * 640 * sizeof(float)); } }推理执行std::vectorDetection Detector::detect(cv::Mat image, float confThreshold) { // 输入张量准备 std::arrayint64_t, 4 inputShape {1, 3, 640, 640}; std::vectorfloat inputTensor(3 * 640 * 640); preprocess(image, inputTensor.data()); // 运行推理 auto memoryInfo Ort::MemoryInfo::CreateCpu( OrtAllocatorType::OrtArenaAllocator, OrtMemType::OrtMemTypeDefault); Ort::Value inputTensor Ort::Value::CreateTensorfloat( memoryInfo, inputTensor.data(), inputTensor.size(), inputShape.data(), inputShape.size()); auto outputs session-Run( Ort::RunOptions{nullptr}, inputNames.data(), inputTensor, 1, outputNames.data(), outputNames.size()); // 后处理 std::vectorDetection detections; postprocess(outputs, detections, confThreshold); return detections; }结果后处理void Detector::postprocess(...) { const float* rawOutput outputs[0].GetTensorDatafloat(); int64_t outputShape outputs[0].GetTensorTypeAndShapeInfo().GetShape()[1]; for (int i 0; i outputShape; i) { float confidence rawOutput[i * 6 4]; if (confidence confThreshold) { Detection det; det.confidence confidence; det.classId static_castint(rawOutput[i * 6 5]); det.bbox cv::Rect( static_castint(rawOutput[i * 6] * image.cols), static_castint(rawOutput[i * 6 1] * image.rows), static_castint((rawOutput[i * 6 2] - rawOutput[i * 6]) * image.cols), static_castint((rawOutput[i * 6 3] - rawOutput[i * 6 1]) * image.rows) ); detections.push_back(det); } } }5. 性能优化与多线程处理5.1 异步检测实现为避免界面卡顿使用QThread实现异步检测class DetectionWorker : public QObject { Q_OBJECT public: DetectionWorker(Detector* detector) : detector(detector) {} public slots: void detectImage(cv::Mat image, float confThreshold) { auto detections detector-detect(image, confThreshold); emit detectionFinished(image, detections); } signals: void detectionFinished(cv::Mat image, std::vectorDetection detections); private: Detector* detector; }; // 在主窗口类中初始化线程 void MainWindow::initDetectionThread() { QThread* thread new QThread(this); DetectionWorker* worker new DetectionWorker(detector); worker-moveToThread(thread); connect(this, MainWindow::requestDetection, worker, DetectionWorker::detectImage); connect(worker, DetectionWorker::detectionFinished, this, MainWindow::handleDetectionResult); thread-start(); }5.2 内存管理与性能监控实现资源管理和性能统计// 内存管理策略 class ScopedTimer { public: ScopedTimer(const std::string name) : name(name), start(std::chrono::high_resolution_clock::now()) {} ~ScopedTimer() { auto end std::chrono::high_resolution_clock::now(); auto duration std::chrono::duration_caststd::chrono::milliseconds(end - start).count(); qDebug() name.c_str() took duration ms; } private: std::string name; std::chrono::time_pointstd::chrono::high_resolution_clock start; }; // 使用示例 void MainWindow::handleDetectionResult(cv::Mat image, std::vectorDetection detections) { ScopedTimer timer(Detection and rendering); // 绘制检测结果 cv::Mat result image.clone(); for (const auto det : detections) { cv::rectangle(result, det.bbox, cv::Scalar(0, 255, 0), 2); std::string label classNames[det.classId] : std::to_string(det.confidence).substr(0, 4); cv::putText(result, label, cv::Point(det.bbox.x, det.bbox.y - 5), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 255, 0), 1); } displayImage(result); // 更新状态栏 auto fps 1000.0 / timer.elapsed(); statusBar()-showMessage(QString(检测完成 - FPS: %1).arg(fps, 0, f, 1)); }6. 常见问题与解决方案6.1 编译问题排查问题1OpenCV链接错误error: undefined reference to cv::imread(std::string const, int)解决方案确保CMake正确链接OpenCV库检查find_package(OpenCV REQUIRED)是否成功。问题2ONNX Runtime版本不兼容error: Ort::SessionOptions has no member named AppendExecutionProvider_CUDA解决方案统一使用相同版本的ONNX Runtime头文件和库文件推荐使用最新稳定版。6.2 运行时问题处理问题3模型加载失败[ERROR] Failed to load model: invalid ONNX file检查步骤验证模型文件路径是否正确使用ONNX Runtime官方工具检查模型有效性确认模型输入输出节点名称匹配问题4检测结果异常可能原因及解决方案图像预处理不一致确保使用与训练相同的归一化方式输出解析错误验证输出张量维度与预期是否一致后处理参数不当调整NMS阈值和置信度阈值6.3 性能优化建议模型量化将FP32模型量化为INT8可显著提升推理速度python export.py --weights yolov5s.pt --include onnx --img 640 --batch 1 --dynamic --simplifyGPU加速启用CUDA执行提供器Ort::SessionOptions sessionOptions; OrtCUDAProviderOptions cudaOptions; sessionOptions.AppendExecutionProvider_CUDA(cudaOptions);批处理优化适当增大批处理大小提高吞吐量std::arrayint64_t, 4 inputShape {batchSize, 3, 640, 640};7. 功能扩展与进阶开发7.1 实时视频检测扩展视频处理能力// 视频处理类 class VideoProcessor : public QObject { Q_OBJECT public: VideoProcessor(Detector* detector) : detector(detector), stopped(false) {} public slots: void processVideo(QString filePath) { cv::VideoCapture cap(filePath.toStdString()); if (!cap.isOpened()) { emit error(无法打开视频文件); return; } cv::Mat frame; while (!stopped cap.read(frame)) { auto detections detector-detect(frame, 0.5); emit frameProcessed(frame, detections); QThread::msleep(30); // 控制帧率 } cap.release(); emit finished(); } void stop() { stopped true; } signals: void frameProcessed(cv::Mat frame, std::vectorDetection detections); void finished(); void error(QString message); private: Detector* detector; bool stopped; };7.2 多模型集成实现模型动态切换void MainWindow::onModelChanged(int index) { QString modelName ui-modelCombo-itemText(index); QString modelPath QString(resources/models/%1.onnx).arg(modelName); try { detector.reset(new Detector(modelPath.toStdString())); statusBar()-showMessage(QString(已加载模型: %1).arg(modelName)); } catch (const std::exception e) { QMessageBox::critical(this, 错误, QString(加载模型失败: %1).arg(e.what())); } }7.3 结果导出功能添加检测结果保存功能void MainWindow::onSaveResult() { if (currentImage.empty()) return; QString fileName QFileDialog::getSaveFileName(this, 保存结果, , JPEG图像 (*.jpg);;PNG图像 (*.png)); if (!fileName.isEmpty()) { cv::Mat result currentImage.clone(); // 绘制检测结果... cv::imwrite(fileName.toStdString(), result); } }在实际项目开发中遇到最棘手的问题往往是内存泄漏和线程同步。特别是在长时间运行的视频检测场景中需要特别注意以下几点使用智能指针管理资源避免手动new/delete跨线程信号传递时确保数据深拷贝或使用共享指针为QThread设置合理的栈大小防止栈溢出定期检查QT的线程事件循环是否正常
)
