Qt6教程：Qt的简介和准备工作

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 300+累计阅读 306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 → 码龄3年

关注

原创最新推荐文章于 2026-03-07 00:50:28 发布 306 阅读 AI 写同款· GEO 优化 ›

QT 专栏收录该内容

¥59.90 ¥99.00

125篇文章

订阅专栏

Qt6教程：Qt的简介和准备工作

Qt是一个强大的跨平台开发框架，可用于创建高性能、可扩展和用户友好的应用程序。本教程将介绍Qt的基本概念和准备工作，帮助您开始使用Qt6进行应用程序开发。

Qt简介：
Qt是由Qt公司开发的一套C++库，提供了丰富的功能和工具，用于创建图形用户界面（GUI）应用程序、嵌入式设备应用程序和其他类型的应用程序。Qt的特点包括易于使用的API、丰富的类库、良好的跨平台支持和强大的功能。
下载和安装Qt6：
首先，您需要从Qt官方网站（https://www.qt.io/ ↗）下载Qt6的安装程序。根据您的操作系统选择适当的版本，然后按照安装向导的指示进行安装。
创建一个Qt应用程序：
下面是一个简单的示例，展示如何使用Qt6创建一个基本的窗口应用程序。打开一个文本编辑器，并将以下代码保存为main.cpp文件。

#include <QApplication>

了解本专栏

订阅专栏解锁全文

收录于

当前文章被以下社区和专栏收录：

标签

#qt #开发语言 #QT

Win10(11)下Qt6.2编译Qtxlsx库，补充兼容Qt6.8 文章目录Qtxlsx简介一、准备二、编译源码1.打开源码2.修改编译错误三、编译例程1.打开源码2.修改编译错误四、使用Qtxlsx库1.生成库2.配置QT可识别的库 Qtxlsx简介 QtXlsx是一个可以读取和写入Excel文件的库。它不需要Microsoft Excel，可以在Qt5支持的任何平台上使用。QtXlsx库可以用来生成一个新的.xlsx文件; 从已有的.xlsx文件中提取数据; 编辑已有.xlsx文件。一、准备 QtXlsx源码下载：https://github.com/db 阅读详情

相关推荐

Mac 上 CLion 搭建 QT6.6 开发环境

QT6.6 是一款功能强大的集成开发环境(IDE)，用于C和C++的开发。在本文中，我们将讨论如何在Mac上安装CLion。安装CLion非常简单，只需遵循以下步骤即可：下载CLion：访问JetBrains官方网站，下载适用于Mac的CLion安装包。确保选择与您的操作系统版本相匹配的安装包。运行安装程序：找到已下载的...

2009

Qt配置OpenCV教程及错误解决方法

一、准备工作写在前面（非常重要，不可忽视！！！）：如果你没有上述问题可以不看这部分的后续内容；如果你有以上问题或者遇到了无法解决的问题，可以对照下文检查是否是你遇到的问题。在开始一切之前，请首先检查你的系统用户名中是否含有中文，如图：如果你的用户名存在中文，那么你必须重新建立一个不含中文的用户名（如何创建，直接百度），如图：否则，后续步骤会出现以下错误（可暂时不看错误示例）： G++编译器运行出错（其实问题不在于G++的问题，你可以仔细阅读红字部分的错误信息，其实是由于进入系统用户目录的时

朱萌的博客 5873

NVIDIA Jetson Orin系列 - 使用SDK Manager安装JetPack全流程解析

本文详细解析了使用NVIDIA官方SDK Manager为Jetson Orin系列开发板安装JetPack系统的完整流程。从环境准备、设备进入恢复模式，到SDK Manager图形化界面的分步操作指南，提供了新手友好的全流程解析，并分享了安装后的验证方法及常见问题解决方案，帮助开发者高效搭建稳定的边缘AI开发环境。

nn3456的博客 406

Conda虚拟环境用conda和pip安装软件包的路径问题

解决在虚拟环境中用pip默认把软件包安装到全局site-packages中。

stone9528的博客 4万+

IC 时钟设计核心问题与高质量系统设计指南（附源码）

本文深入探讨了IC时钟设计的核心问题与高质量系统设计方法。时钟系统作为IC的"心脏"，其性能直接影响时序稳定性、功耗效率和可靠性。文章从五个维度展开分析：时钟源选择与性能匹配、时钟分配网络设计、抖动抑制、多时钟域管理和功耗优化。针对高质量时钟系统设计，提出了时钟源优化、时钟树结构优化、干扰抑制与仿真验证等具体方法。同时，系统阐述了时钟与复位的协同设计关系，强调异步复位同步释放等技术的重要性。文章还总结了高质量IC系统设计的综合要点，包括电源/信号完整性、时序功耗平衡、可靠性设计及全流程验

Open 1060

Ubuntu声卡检测与故障排查：从基础命令到驱动修复

本文详细介绍了在Ubuntu系统中进行声卡检测与故障排查的完整流程。从使用lspci、aplay等基础命令识别硬件，到排查驱动冲突、修复权限问题，再到调整PulseAudio高级配置，提供了一套系统性的解决方案。文章结合实战案例，帮助用户快速诊断并解决Ubuntu系统常见的“无声”问题，恢复音频功能。

g2h3i4j5的博客 228

芒果YOLO11改进59：分类损失函数Loss篇FocalLoss：即插即用｜最新改进FocalLoss损失函数，提高处理不平衡数据分类场景下的任务性能，提升YOLO11检测精度

即插即用｜最新改进FocalLoss损失函数，提高处理不平衡数据分类场景下的任务性能，提升YOLO11检测精度

包括YOLOv5、YOLOv7、YOLOv8等模型改进 548

virtuoso：layout如何做flat修drc

有些drc在virtuoso layout中修更节省时间，比如遇到一些via array需要做删改时，发现工具把via array做成了一个cell，如图。去改cell可能会影响很多via，所以最好的办法是做flat，去调整cut，比如删除。我正在「拾陆楼」和朋友们讨论有趣的话题，你⼀起来吧？

m0_61544122的博客 342

基于Simulink的电机功率因数校正仿真

PF=SP=视在功率有功功率=cosϕ⋅IrmsI1(非正弦时)位移因数（cosϕ）：基波电压电流相位差畸变因数（I1/Irms）：谐波导致电流有效值增大本文带你完成了电机系统功率因数校正的Simulink仿真，实现了：✅ 理解了低功率因数的成因与危害✅ 搭建了无PFC、无源PFC、有源PFC三种对比模型✅ 掌握了Vienna整流器建模与dq解耦控制方法✅ 实现了PF与THD的自动计算与评估✅ 验证了有源PFC在PF、THD、稳定性上的全面优势。

amy_mhd的博客 154

药物对接仿真软件：HADDOCK_（9）.结果分析方法

HADDOCK是一种强大的药物对接仿真工具，通过对生成的输出文件进行详细的分析，我们可以验证仿真结果的可靠性，并为进一步优化药物设计提供依据。常见的分析方法包括解读输出文件、使用可视化工具进行结构分析、评估对接模型的稳定性和准确性等。通过这些步骤，我们可以更全面地了解受体和配体的结合模式，从而提高药物设计的成功率。

kkchenjj的博客 1005

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")