墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
9.3k累计阅读
9.3k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
今天有了一点点的新的进展……
在重新装过一个Ubuntu10.04的虚拟机后，又重新在Ubuntu上装了QT4 和QT Creator 2.0，然后重新下载源码编译过ffmpeg。后来能够在QT中直接调用了ffmpeg中的库函数。这里调用的前提是：
1>ffmpeg的正确编译与安装;
2>在QT Creator所建的工程中，.pro文件的正需修改；要改的关键地方是
LIB += -L. -lavcodec -lavformat……
INCLUDEPATH += . ./ffmpeg ./libavcodec ./libavformat ……
3>在夹头文件时，应将#include<>加在intern “C”{}里。
FFmpeg 4.x 从入门到精通（一）—— QT 中如何用 FFmpeg 实现软件解码
背景 因为在2021年给自己定了目标和计划，学习ffmpeg，所以这篇文章是实现计划的第一步。 ffmpeg 众所周知，就不展开介绍了，下面给出 FFmpeg 4.2 windows x64 lib库和头文件的下载地址（粉丝免积分下载）： https://download.youkuaiyun.com/download/u012534831/14045436 本文也是属于博主的入门学习总结与分享，因此我们先从ffmpeg的软解码开始，从解码到绘制，一起体验下亲自动手的快乐。本文的语言环境基于C++，界面部分是 QT。
基于qt和ffmpeg视频播放器开发实战
ffmpeg是世界上应用广的开源视频处理框架，在各个平台（windows，linux，嵌入式、Android、IOS）被广泛应用，可以说是做视频相关项目技能qt是目前跨平台项目界面开发的第一选择，本课程基于这两种框架在加上VC++，给大家讲解延时如何开发出一个视频播放器，各个模块如何结合，如何考虑性能问题，如何设计封装类，如何处理各种异常情况。
QT开发技术【ffmpeg EVideo录屏软件 一】
修改实现了目前录制功能 ，目前只实现了录制电脑桌面视频没有加入音频，后续加入音频完善，并完成直播推流功能。
Ubuntu中Qt + ffmpeg环境配置
如果您是通过安装的 FFmpeg，那么安装的是 FFmpeg 的运行时版本，而不是开发版本。因此，默认情况下不会包含 FFmpeg 的头文件（如libavcodec等开发相关的头文件）。所以说我们在QT中配置的是FFmpeg的开发版本！！！！！！！
项目QT+ffmpeg+rtsp（一）——Qt的安装和rtsp的测试
项目QT+ffmpeg+rtsp（一）——Qt的安装和rtsp的测试
QT+ffmpeg+多摄像头+实时（Ubuntu直接可用）(Windows需要替换ffmpeg编解码库)
QT+ffmpeg+可设置rtsp地址+实时显示多摄像头，多线程，重点是简单易懂可拓展性很强，在Ubuntu上可以直接运行整个工程，毫无破绽。在Windows上需要
（四）qt中使用ffmpeg播放视频，可暂停恢复
本文介绍了在Qt中使用FFmpeg实现视频播放功能的方法。主要内容包括：1) 在Qt项目中配置FFmpeg库路径和头文件；2) 实现FFmpegVideoDecode解码类，完成视频文件的初始化、解码和格式转换；3) 创建VideoPlayer显示类，通过信号槽机制更新视频画面；4) 构建主界面Widget类，提供播放控制功能。该系统支持本地视频文件和RTSP流媒体播放，通过多线程处理实现流畅播放，并提供了暂停/恢复功能。代码中详细处理了FFmpeg初始化解码器、读取视频帧、格式转换等关键步骤，并解决了播放
动态知识图谱构建：从本体论到工程实践
知识图谱作为语义网和人工智能领域的核心技术，旨在通过结构化的方式表示和组织知识。其核心原理在于将实体、概念及其关系建模为图结构，从而支持复杂的语义推理和关联查询。这一技术为机器理解数据间的深层联系提供了基础，在智能推荐、企业知识管理和学术研究等领域具有重要价值。通过结合自然语言处理（NLP）和图数据库技术，系统能够从非结构化数据中自动抽取知识，并构建动态演化的认知网络。本文以“本体论章鱼”项目为例，探讨了如何实现从静态本体到动态知识网络的范式转变，并详细解析了其分布式感知、适应性学习的架构设计，为构建灵活可
Qt + ffmpeg环境配置（ubuntu下）
ubuntu下编译配置Qt+ffmpeg开发环境
Qt Creator设计器里也能拖拽？5步将你的QML自定义控件变成可视化插件（Qt6.5+）
本文详细介绍了如何在Qt Creator设计器中实现QML自定义控件的可视化拖拽功能（Qt6.5+）。通过5个步骤，从构建可插件化的QML控件基础到部署插件到设计器环境，帮助开发者将自定义控件转化为设计器插件，提升团队协作效率。特别适合需要频繁调整UI样式的开发场景。
Ubuntu终端接入Codex：一行脚本搞定AI编程助手安装与配置
在开发者日常工作中，命令行终端是最高频的操作环境，而AI编程助手的出现正在改变传统的编码方式。通过将大模型能力与终端工具链结合，开发者无需切换窗口即可完成命令查询、代码生成、项目理解和自动执行等任务。Ubuntu作为服务器和开发机的主流系统，搭配Node.js生态和API Key认证，即可在本地闭环运行AI助手。本文从环境准备、密钥配置、权限管理到自动化脚本封装，系统拆解在终端中接入Codex的完整流程，并分享高频用法与实测排障经验，帮助开发者安全、高效地让AI融入命令行工作流。
FFmpeg开发(一)一Qt Creator配置FFmpeg
Qt Creator配置FFmpeg 一、FFmpeg介绍 FFmpeg是一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序。采用LGPL或GPL许可证。它提供了录制、转换以及流化音视频的完整解决方案。它包含了非常先进的音频/视频编解码库libavcodec，为了保证高可移植性和编解码质量，libavcode...
UniDexGrasp++算法实战：无需预生成姿态的灵巧抓取测试指南
本文详细解析了UniDexGrasp++算法在灵巧抓取测试中的实战应用，该算法无需预生成姿态即可实现高效抓取，特别适合处理形状不规则的物体。文章涵盖了环境配置、数据集优化、训练流程及实际测试中的调参技巧，帮助开发者快速掌握这一ICCV 2023提出的先进算法。
QT ffmpeg＜========＞总结一
一、ffmpeg环境搭建（QT、windows） FFMPEG官网：http://ffmpeg.org/ 4.0.2版本源码 源码：https://ffmpeg.org/releases/ffmpeg-4.0.2.tar.bz2 4.0.2编译好的文件 下载已经编译好的FFMPEG 网址：https://ffmpeg.zeranoe.com/builds/ 32位下载地址： Shared：包含FFMPEG的dll库文件 https://ffmpeg.zeranoe.com/builds/win32/sha
SAP CO实战：如何用KKA2/CJ88结果分析码搞定项目收入成本匹配（附真实案例）
本文深入探讨了SAP CO模块中KKA2和CJ88结果分析码在项目收入成本匹配中的高阶应用。通过真实案例解析，详细介绍了这两种分析码在分阶段收入确认和终验法项目中的配置技巧与实战经验，帮助财务人员高效解决复杂业务场景下的财务数据处理难题。
HybridCLR热更新打包报错全解析：从原理到实战解决方案
热更新技术是现代游戏和应用开发中实现动态内容交付与Bug修复的核心机制，它允许开发者在无需重新发布完整应用的情况下更新代码逻辑。其原理通常涉及在运行时加载并执行新的代码模块，这要求框架在底层实现安全的代码隔离、内存管理与元数据桥接。在Unity生态中，HybridCLR作为基于IL2CPP的高性能热更新解决方案，通过补充元数据和AOT泛型引用技术，实现了对C#代码的原生级热更支持，显著提升了开发迭代效率与线上问题修复能力。然而，在实际的工程实践中，尤其是在面向Android、iOS等多平台打包构建时，开发者
QT中使用ffmpeg（一）
QT中使用ffmpeg（一）
从 Product Master 视角理解 Configurable Products
摘要：SAP S/4HANA中的可配置产品（Configurable Products）通过集中管理产品变体解决主数据膨胀问题。以汽车和服务器为例，销售端显示为单一产品，生产端则处理多维度组合。核心机制包括：1）使用KMAT物料类型或Configurable标记；2）通过特征（characteristics）定义可选项；3）用分类（class）组织特征；4）配置档案（configuration profile）控制业务逻辑。这种设计将客户选择与主数据解耦，避免为每个组合创建独立物料，同时支持销售配置、生产B
一，QT中移植Ffmpeg环境搭建
1.首先下载ffmpeg：下载地址 2.选择合适的版本，这里我用的是： 3.解压到QT的工程目录，首先介绍下不同版本的含义 bin文件夹：下面包含了ffmpeg.exe、ffplay.exe、ffprobe.exe三个可执行程序，没有头文件和库文件。 lib文件夹：包含了相关dll、lib等动态库文件。 include文件夹 :这个包含了头文件。 ffmpeg.exe:用于转码的工具 ffplay.exe:用于播放的工具 ffprobe.exe:用于解析媒体文件格式的工具 解...
《AgentScope-Java 深入浅出教程》第1章 AgentScope-Java 简介
AgentScope-Java 是一个面向智能体的编程框架，专门用于构建基于大语言模型（LLM）的 AI 应用程序。│ 你的业务应用 ││ AgentScope-Java 框架 ││ │ 智能体 │ │ 工具 │ │ 记忆 │ │ 模型 │ ││ LLM 服务 (DashScope/OpenAI/...) │能力说明类比ReAct 推理让智能体能够"思考"并"行动"就像人类思考后再做事工具调用让智能体能够执行外部操作就像人使用计算器、搜索引擎记忆管理让智能体能够记住对话历史。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
(一) Ubuntu下Qt引入FFmpeg
目录目录 前言 概述 Qt引入FFmpeg 总结 链接地址前言已经在linux下编译安装好了FFmpeg，同时也简单的编译了开发板版本的FFmpeg。但是看网上讲，还有许多东西没有加入的FFmpeg中去，所以还是准备先看研究研究代码！发现云天之巅博主的基础音视频教程，写的简单明了，博主的第一个FFmpeg就是基于云天之巅博主的程序而来的，从零开始学习音视频编程技术（四） FFMPEG的使用，我直接使
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
基于Qt、FFMpeg的音视频播放器设计一
前言：整个项目的源代码 https://download.youkuaiyun.com/download/hfuu1504011020/10672140 最近刚完成基于Qt、FFMpeg的音视频播放器相关C++程序，实现了一个音视频播放器的全部功能，其中以模块为主，每一个模块，分为几个小模块，总结每个小模块，再整合起来，过程比较好理解，因为本人也是刚学习阶段，对于这样方式的总结，个人感觉还是比较容易理解的，过程也比较清晰，只是内容有点多。 中间涉及的过程主要有： 1、 开发环境准备 2、FFMPEG视频处理原理以及实现
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
基于QT ffmpeg多媒体播放器项目(一)
FFmpeg 是一个开源的多媒体处理库，广泛用于音视频的编码、解码、转码、处理和流媒体传输等任务。创建一个新的视频流，并设置其参数。通常需要设置视频的宽、高、帧率、比特率等参数。在使用 FFmpeg 库之前，需要先初始化相关的模块。avformat_alloc_output_context2 函数。avcodec_parameters_to_context 函数。遍历 formatContext 中的流列表，找到视频流。从解码后的帧中读取数据并进行编码。从找到的视频流中获取编解码器参数。
FFmpeg+qt实现的播放器解析（一）
本文正式开始拆分使用FFmpeg+qt实现的播放器 *首看一下界面类XDemux（实现解封装） XDemux 类中使用到的ffmpeg函数： void av_register_all()； //注册所有的格式。包括解封装格式和加封装格式。 - int avformat_network_init(void);// 用于初始化网络。FFmpeg本身也支持解封装RTSP的数据,如果要解封装网络...
Qt开发笔记（一）：Qt+FFmpeg开发环境搭建以及工程模板
原博主博客地址：https://blog.youkuaiyun.com/qq21497936 本文章博客地址：https://blog.youkuaiyun.com/qq21497936/article/details/90241425 Qt开发笔记（一）：Qt+FFmpeg开发环境搭建以及工程模板 前言 需要使用到FFmpeg做播放器编解码，qt自带的播放器有较大局限，如依赖系统，播放...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3143
扫一扫
