clangd-linux-19.1.2.zip
clangd工具为解析compile_commands.json并生成所有符号表索引数据库，方便只参与编译的文件代码进行快速跳转。
SNPE-Tutorial-main.zip
SNPE（Snapdragon Neural Processing Engine）是高通公司推出的一款面向移动端和物联网设备的深度学习推理框架。它提供了一套完整的深度学习推理解决方案，能够支持多种深度学习模型，包括PyTorch、TFLite、ONNX和TensorFlow等
boost-1-87-0.tar.gz
Boost是为C++语言标准库提供扩展的一些C++程序库的总称。Boost库是一个可移植、提供源代码的C++库，作为标准库的后备，是C++标准化进程的开发引擎之一，是为C++语言标准库提供扩展的一些C++程序库的总称。
Boost库由C++标准委员会库工作组成员发起，其中有些内容有望成为下一代C++标准库内容。在C++社区中影响甚大，是不折不扣的“准”标准库。
Boost由于其对跨平台的强调，对标准C++的强调，与编写平台无关。但Boost中也有很多是实验性质的东西，在实际的开发中使用需要谨慎。
vscode-server-linux-x64.tar.gz
code-server是一个社区项目（非微软官方）其作用是在你的linux主机（云服务器）上部署一个可以在浏览器上访问的vscode页面，类似官方的vscode.dev
MTCNN-ncnn权重.zip
文件目录结构
ncnn/
└── models
├── det1.bin
├── det1.param
├── det2.bin
├── det2.param
├── det3.bin
└── det3.param
Qualcomm Neural Processing SDK.zip
Qualcomm Neural Processing SDK 是高通（Qualcomm）推出的一款软件开发工具包（SDK），旨在帮助开发者在搭载高通骁龙（Snapdragon）处理器的设备上高效运行人工智能（AI）和机器学习（ML）模型。该 SDK 充分利用了骁龙芯片中的异构计算能力，包括 CPU、GPU 和专用的神经处理单元（NPU，也称为 AI 引擎），以实现高性能、低功耗的 AI 推理。
1. 支持多种 AI 框架
2. 异构计算支持
3. 模型优化
4. 跨平台支持
5. 低功耗设计
DeepSeek-V3-main.zip
我们提出了DeepSeek-V3，这是一个强大的混合专家（MoE）语言模型，总参数为671B，每个令牌激活37B。为了实现高效的推理和经济高效的训练，DeepSeek-V3采用了多头潜在注意力（MLA）和DeepSeekMoE架构，这些架构在DeepSeek-V2中得到了充分的验证。此外，DeepSeek-V3开创了一种用于负载平衡的辅助无损耗策略，并设定了多令牌预测训练目标，以获得更强的性能。
Netron-Setup-8.1.6.exe
Netron 是一个开源的深度学习和机器学习模型可视化工具，它能够以图形化的方式展示各种深度神经网络、机器学习模型及其内部结构。开发者可以使用 Netron 来直观地理解、调试和验证不同框架生成的模型文件。
跨平台支持：Netron 可以在多种操作系统上运行，包括 Windows、macOS 和 Linux，并且有浏览器版本可以直接在线使用。本文将不安装其他软件，展示在浏览器上使用的方法。
广泛兼容性：Netron 支持多种深度学习框架产生的模型格式，如 ONNX (Open Neural Network Exchange)、TensorFlow、Keras、Caffe、Core ML、PyTorch、MXNet、PaddlePaddle 等。
可视化内容：通过 Netron，用户可以看到模型的层级结构（每一层的名称、类型、输入和输出维度等），以及模型参数的具体数值（如果模型文件中包含的话）。
交互式界面：提供了一个简洁易用的图形用户界面，用户可以通过点击和滚动来探索模型的细节，便于对复杂的模型架构进行快速解读。
实用功能：除了基本的可视化之外，Netron 还提供了诸如查看权重张量、
WPS-Setup-19770.exe
wps最新版，点击即可获取，无需前往官网
ncnn-20241226-android.zip
NCNN（Neural Network Inference Framework）是由腾讯优图实验室开发的一个高性能、轻量级的神经网络推理框架，专为移动设备和嵌入式系统设计。NCNN的目标是在保证模型推理速度和精度的同时，最大限度地减少内存占用和计算资源消耗，使其能够在资源受限的环境中高效运行。
主要特点
轻量级：
NCNN的设计非常紧凑，代码量小，内存占用低，非常适合在移动设备和嵌入式系统上部署。
高性能：
通过优化计算图、利用硬件加速（如GPU、DSP等）和多线程技术，NCNN能够实现高效的模型推理。
跨平台支持：
NCNN支持多种操作系统和硬件平台，包括Android、iOS、Linux、Windows等。
丰富的模型支持：
NCNN支持多种深度学习框架的模型转换，如Caffe、TensorFlow、PyTorch等，方便开发者将现有的模型迁移到NCNN上。
易于集成：
提供了简洁的API和详细的文档，使得开发者可以轻松地将NCNN集成到自己的应用中。
模块化设计：
NCNN采用了模块化的设计，可以根据需要选择不同的组件，如后端计算库、模型优化器等。
mnn-3.0.0-windows-x64-cpu-opencl.zip
MNN（Mobile Neural Network）是阿里巴巴集团推出的一个轻量级、高性能的深度学习推理引擎，专为移动设备和边缘计算设备设计。MNN旨在提供高效的模型部署能力，支持多种深度学习框架的模型转换和优化，适用于各种移动端应用场景。
主要特点
轻量级：
MNN的设计目标是尽量减小内存占用和计算资源消耗，使其能够在资源受限的移动设备上高效运行。
高性能：
通过优化计算图、利用硬件加速（如GPU、NPU）和多线程技术，MNN能够实现高效的模型推理。
多平台支持：
MNN支持多种操作系统和硬件平台，包括Android、iOS、Linux和Windows等。
丰富的模型支持：
MNN支持多种深度学习框架的模型转换，如TensorFlow、Caffe、ONNX等，方便开发者将现有的模型迁移到MNN上。
易于集成：
提供了简洁的API和详细的文档，使得开发者可以轻松地将MNN集成到自己的应用中。
模块化设计：
MNN采用了模块化的设计，可以根据需要选择不同的组件，如后端计算库、模型优化器等。
MNN-3.0.0.zip
MNN（Mobile Neural Network）是阿里巴巴集团推出的一个轻量级、高性能的深度学习推理引擎，专为移动设备和边缘计算设备设计。MNN旨在提供高效的模型部署能力，支持多种深度学习框架的模型转换和优化，适用于各种移动端应用场景。
主要特点
轻量级：
MNN的设计目标是尽量减小内存占用和计算资源消耗，使其能够在资源受限的移动设备上高效运行。
高性能：
通过优化计算图、利用硬件加速（如GPU、NPU）和多线程技术，MNN能够实现高效的模型推理。
多平台支持：
MNN支持多种操作系统和硬件平台，包括Android、iOS、Linux和Windows等。
丰富的模型支持：
MNN支持多种深度学习框架的模型转换，如TensorFlow、Caffe、ONNX等，方便开发者将现有的模型迁移到MNN上。
易于集成：
提供了简洁的API和详细的文档，使得开发者可以轻松地将MNN集成到自己的应用中。
模块化设计：
MNN采用了模块化的设计，可以根据需要选择不同的组件，如后端计算库、模型优化器等。
mnn-mtcnn-cpp-main.zip
MTCNN（Multi-Task Cascaded Convolutional Networks）是一种用于人脸检测和面部关键点定位的深度学习框架。它由三个级联的卷积神经网络组成，分别用于粗略检测、精确定位和关键点检测。MTCNN在人脸检测任务中表现出色，具有高精度和实时性的特点。
MTCNN的工作流程
P-Net (Proposal Network)：
作用：生成候选框（bounding boxes）并进行初步的人脸检测。
输入：12x12像素的图像块。
输出：候选框的位置和大小，以及一个二分类的置信度得分（是否为人脸）。
过程：P-Net在整个图像上滑动，生成大量候选框，同时进行初步的筛选，去除明显的非人脸区域。
R-Net (Refine Network)：
作用：对P-Net生成的候选框进行进一步的校正和筛选。
输入：24x24像素的候选框图像。
输出：更精确的候选框位置和大小，以及一个更准确的二分类置信度得分。
过程：R-Net对P-Net生成的候选框进行更精细的检测和校正，进一步减少误检和漏检。
O-Net (Output Network)：
作用：最终的人脸检测和
MNN-MTCNN-CPU-OPENCL-master.zip
MTCNN（Multi-Task Cascaded Convolutional Networks）是一种用于人脸检测和面部关键点定位的深度学习框架。它由三个级联的卷积神经网络组成，分别用于粗略检测、精确定位和关键点检测。MTCNN在人脸检测任务中表现出色，具有高精度和实时性的特点。
MTCNN的工作流程
P-Net (Proposal Network)：
作用：生成候选框（bounding boxes）并进行初步的人脸检测。
输入：12x12像素的图像块。
输出：候选框的位置和大小，以及一个二分类的置信度得分（是否为人脸）。
过程：P-Net在整个图像上滑动，生成大量候选框，同时进行初步的筛选，去除明显的非人脸区域。
R-Net (Refine Network)：
作用：对P-Net生成的候选框进行进一步的校正和筛选。
输入：24x24像素的候选框图像。
输出：更精确的候选框位置和大小，以及一个更准确的二分类置信度得分。
过程：R-Net对P-Net生成的候选框进行更精细的检测和校正，进一步减少误检和漏检。
O-Net (Output Network)：
作用：最终的人脸检测和
opencv-contrib-4.x.zip
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。它提供了丰富的函数来处理图像和视频，支持多种编程语言，如C++、Python、Java等，并且可以在多种平台上运行，包括Windows、Linux、Mac OS、Android和iOS。
主要特点
广泛的算法支持：OpenCV包含了大量的图像处理和计算机视觉算法，例如图像变换（如平移、旋转、缩放）、图像增强、特征检测与匹配、目标检测与识别等。
跨平台性：OpenCV可以很容易地在不同的操作系统上编译和运行，这使得它成为一个非常灵活的工具，适用于各种开发环境。
多语言支持：除了主要的C++接口外，OpenCV还提供了Python和Java接口，方便不同背景的开发者使用。
活跃的社区：OpenCV有一个庞大的用户和开发者社区，这为问题解决、经验分享和技术讨论提供了良好的平台。
性能优化：OpenCV在设计时考虑了性能优化，很多核心算法都经过高度优化，能够高效地处理大规模数据集。
opencv-4.x.zip
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。它提供了丰富的函数来处理图像和视频，支持多种编程语言，如C++、Python、Java等，并且可以在多种平台上运行，包括Windows、Linux、Mac OS、Android和iOS。
主要特点
广泛的算法支持：OpenCV包含了大量的图像处理和计算机视觉算法，例如图像变换（如平移、旋转、缩放）、图像增强、特征检测与匹配、目标检测与识别等。
跨平台性：OpenCV可以很容易地在不同的操作系统上编译和运行，这使得它成为一个非常灵活的工具，适用于各种开发环境。
多语言支持：除了主要的C++接口外，OpenCV还提供了Python和Java接口，方便不同背景的开发者使用。
活跃的社区：OpenCV有一个庞大的用户和开发者社区，这为问题解决、经验分享和技术讨论提供了良好的平台。
性能优化：OpenCV在设计时考虑了性能优化，很多核心算法都经过高度优化，能够高效地处理大规模数据集。
ncnn-20241226.zip
ncnn 是一个用于深度学习推理的高性能计算框架，特别适用于移动设备和嵌入式系统。它由来自腾讯 AI Lab 的开发者维护。ncnn 的设计目标是实现高效、轻量级且易于集成的神经网络前向计算过程，以支持各种深度学习模型在资源受限环境下的快速部署。
ncnn 的主要特点包括：
高性能：通过优化算法和利用硬件加速（如 CPU SIMD 指令集、GPU 和 NPU），ncnn 能够显著提升模型推理速度。
跨平台支持：ncnn 可以运行在多种操作系统上，包括但不限于 Android、iOS、Linux、Windows 和 macOS。
模型转换工具：ncnn 提供了将主流深度学习框架（如 Caffe、TensorFlow、PyTorch 等）训练好的模型转换为 ncnn 支持格式的工具，简化了模型迁移过程。
低内存占用：ncnn 在设计时充分考虑了内存使用效率，确保即使在内存有限的设备上也能顺利运行复杂的神经网络模型。
简洁易用：ncnn 的 API 设计简洁直观，方便开发者快速上手并进行二次开发。
cmake-3.31.4-windows-x86-64.msi
CMake 是一个跨平台的构建系统生成器，广泛用于软件项目的构建过程。它可以帮助开发者管理项目的构建配置，生成特定于平台的构建文件（如 Makefile、Visual Studio 项目文件等）。以下是 CMake 的一些关键特性和用途：
关键特性
跨平台支持：
CMake 可以在多种操作系统上运行，包括 Windows、macOS 和 Linux。
它可以生成适用于不同编译器和构建系统的文件，如 GCC、Clang、MSVC 等。
模块化和可扩展性：
CMake 使用 CMakeLists.txt 文件来定义项目结构和构建规则。
支持通过模块和脚本进行扩展，可以自定义构建过程。
依赖管理：
CMake 可以处理项目的外部依赖项，并自动下载和配置这些依赖项。
支持使用 find_package 命令来查找和配置第三方库。
多配置构建：
CMake 支持多配置构建系统，如 Visual Studio 的 Debug 和 Release 配置。
可以在一个构建目录中同时支持多个配置。
测试支持：
CMake 内置了对测试的支持，可以通过 ctest 工具运行测试用例。
Java开发工具包jdk-23-windows-x64.7z
是一个用于在Windows操作系统上安装Java Development Kit（JDK）的安装包，版本号java version "23.0.1" 2024-10-15
android-mnn-master.zip
MNN是由阿里巴巴集团研发的一款轻量级、高效的深度学习推理引擎，专为移动设备优化设计，但同样适用于其他平台。其核心特点在于模型的优化和硬件的适配，能够实现快速的模型部署和执行。在MNN_FaceTrack项目中，MNN的这种优势得到了充分的体现，使得人脸检测和跟踪算法能在CPU上运行得非常流畅。
我们来看看mtcnn（Multi-task Cascaded Convolutional Networks）。这是一种常用的人脸检测方法，由三个连续的网络阶段组成：P-Net、R-Net和O-Net。每个阶段都设计有特定的任务，P-Net负责初步人脸框定位，R-Net进行更精确的框调整和人脸属性预测，而O-Net则进一步细化人脸框并提供关键点定位。这种级联结构可以逐步提高人脸检测的精度，同时降低误检率。
在mtcnn的基础上，MNN_FaceTrack引入了onet（On-stage face alignment network）进行人脸跟踪。onet通常用于实时的人脸对齐，它可以捕捉到人脸的关键特征点，如眼睛、鼻子和嘴巴的位置，这些信息对于后续的人脸识别和跟踪至关重要。结合mtcn
ffmpeg-7.1安装包.zip
ffmpeg 是一个非常强大且灵活的多媒体处理工具，广泛用于视频和音频的转码、剪辑、转换格式、调整尺寸、添加水印等多种操作。
snpe-1.68.0.3932.tar
Snapdragon Neural Processing Engine (SNPE) 是 Qualcomm 提供的一套完整的解决方案，旨在优化和加速神经网络模型在 Qualcomm 骁龙（Snapdragon）移动平台上的运行。SNPE 支持多种神经网络框架，如 TensorFlow、Caffe、ONNX 等，并提供了高效的推理引擎和工具链，帮助开发者在移动设备上实现高性能的人工智能应用。
mtcnn权重合集.tar
MTCNN（Multi-task Cascaded Convolutional Networks）是一种用于人脸检测的深度学习模型，由Kazemzadeh et al.在2016年提出。它结合了多任务学习和级联结构的优点，能够高效地进行人脸检测、关键点定位以及人脸对齐。
MTCNN在同一网络中同时执行多个任务，包括人脸检测（判断图像中的区域是否包含人脸）、边界框回归（调整边界框以更精确地匹配人脸）以及关键点定位（定位眼睛、鼻子等面部特征点）。这种多任务学习的方式使得模型能够更好地利用数据信息，提高检测精度。
级联结构：
MTCNN采用了级联（cascade）结构，将整个检测过程分为三个阶段：P-Net（Proposal Network）、R-Net（Refinement Network）和O-Net（Output Network）。每个阶段都负责不同级别的筛选和细化，从而提高了检测效率。
shape-predictor-68-face-landmarks.dat
Dlib 是一个现代的 C++ 库，它提供了广泛的功能，包括机器学习算法、工具和库，以及计算机视觉相关的算法。在计算机视觉领域，Dlib 提供了一个非常流行的人脸检测和人脸特征点检测功能。
人脸特征点检测
人脸特征点检测是指识别并标记出人脸上的关键点，比如眼睛、鼻子、嘴巴等部位的位置。这些特征点可以用于各种应用，如人脸识别、表情分析、3D 模型重建等。
Dlib 中使用的是由 Davis King 提出的 68 点标记模型（也称为 iBUG 68 标准标记），该模型能够精确地标记出人脸上的 68 个关键点。此外，Dlib 还提供了一个更简单的 5 点标记模型，只标记出眼睛、鼻子和嘴巴的关键点，适用于对精度要求不高的场景。
mysql-installer-community-8.0.40.0.msi
MySQL是一个关系型数据库管理系统，由瑞典 MySQL AB 公司开发，属于 Oracle 旗下产品。MySQL是最流行的关系型数据库管理系统之一，在 WEB 应用方面，MySQL是最好的RDBMS (Relational Database Management System，关系数据库管理系统)应用软件之一。
MySQL是一种关系型数据库管理系统，关系数据库将数据保存在不同的表中，而不是将所有数据放在一个大仓库内，这样就增加了速度并提高了灵活性。
MySQL所使用的 SQL 语言是用于访问数据库的最常用标准化语言。MySQL 软件采用了双授权政策，分为社区版和商业版，由于其体积小、速度快、总体拥有成本低，尤其是开放源码这一特点，一般中小型和大型网站的开发都选择 MySQL作为网站数据库。
nyuv2-r34-NBt1D.tar.gz
ESANet权重文件
Dataset：NYUv2 (test)；
Model：ESANet-R34-NBt1D；
mIoU：50.30；
FPS*：29.7；
nyuv2-r34-NBt1D-scenenet.tar.gz
ESANet权重文件
Dataset：NYUv2 (test)；
Model：ESANet-R34-NBt1D (pre. SceneNet)；
mIoU：51.58；
FPS*：29.7；
sunrgbd-r34-NBt1D.tar.gz
ESANet权重文件
Dataset：SUNRGB-D (test)；
Model：ESANet-R34-NBt1D；
mIoU：48.17；
FPS*：29.7**；
sunrgbd-r34-NBt1D-scenenet.tar.gz
ESANet权重文件
Dataset：SUNRGB-D (test)；
Model：ESANet-R34-NBt1D (pre. SceneNet)；
mIoU：48.04；
FPS*：29.7**；
cityscapes-r34-NBt1D-half.tar.gz
ESANet权重文件
Dataset：Cityscapes (valid half)；
Model：ESANet-R34-NBt1D；
mIoU：75.22；
FPS*：23.4；
cityscapes-r34-NBt1D-full.tar.gz
ESANet权重文件
Dataset：Cityscapes (valid full)；
Model：ESANet-R34-NBt1D；
mIoU：80.09；
FPS*：6.2；
vlc-3.0.21-win64.exe
VLC多媒体播放器（最初命名为VideoLAN客户端）是VideoLAN计划的多媒体播放器。它支持众多音频与视频解码器及文件格式，并支持DVD影音光盘，VCD影音光盘及各类流式协议。它也能作为unicast或 multicast的流式服务器在IPv4或 IPv6的高速网络连接下使用。它融合了FFmpeg计划的解码器与libdvdcss程序库使其有播放多媒体文件及加密DVD影碟的功能。
yolov8目标检测预训练权重集合
yolov8五个权重文件。考虑到github下载太慢， 故个人上传方便大家下载。
npp.8.6.4.Installer.x64.exe
notepad++ 是一个免费的、开源的文本和源代码编辑器。用 c++ 编程语言编写的 notepad++ 以精简的功能和简化流程为傲，以创建一个轻便高效的文本记事本程序。在实践中，这意味着高速和可访问的、用户友好的界面。
Notepad++ 可以运行程序或脚本，如 *.exe、*.cmd、*.com、*.bat 等等，而且不同的程序脚本可以保存成不同的快捷键，按下快捷键即可执行。菜单中选择【运行】即可使用。
notepad–特点：
1.NDD 具备插件编写功能；
2.国人自己的免费编辑器；
3.支持Window/Mac/Linux操作系统平台；
4.支持其他notepad竞品的常用功能；
5.内置强大的代码对比功能。
Netron-Setup-7.3.2.exe
Netron 是一个开源的模型可视化工具，用于可视化深度学习模型的结构和参数。它可以加载和显示多种框架和模型格式，包括ONNX（Open Neural Network Exchange）、TensorFlow、Keras、Caffe、Core ML 等。通过图形界面，用户可以直观地查看模型的网络结构、层级关系、参数等信息。
Netron 的主要特点包括：
1.多框架和多格式支持：Netron 支持常见的深度学习框架和模型格式，包括ONNX、TensorFlow、Keras、Caffe、Core ML 等，因此可以加载和可视化多种类型的深度学习模型。
2.直观的可视化界面：Netron 提供一个直观的图形界面，以树状结构展示模型的网络层次和参数。用户可以浏览模型的结构、查看各层的输入输出尺寸、参数数量等，帮助理解模型的组成和特性。
3.跨平台支持：Netron 可以运行在多种操作系统上，包括 Windows、macOS 和 Linux，方便用户在不同环境中使用。
4.快速加载和渲染：Netron 的设计优化了模型的加载和渲染过程，使得大型模型的可视化也能够在短时间内完成。
图像标注软件Labelme.exe
相比于利用命令行去运行labelme，使用封装好的Labelme.exe程序更为简洁方便。
labelme是使用python写的基于QT的跨平台图像标注工具，可用来标注分类、检测、分割、关键点等常见的视觉任务，支持VOC格式和COCO等的导出，代码简单易读，是非常利于上手的良心工具。
labelme 是一款图像标注工具，主要用于神经网络构建前的数据集准备工作，因为是用 Python 写的，所以使用前需要先安装 Python 。
ModbusSlaveSetup64Bit.exe
ModbusPoll软件主要用于仿真Modbus主站或Modbus客户端
ModbusSlave软件主要用于仿真Modbus从站或Modbus服务器
而VSPD全称Configure Virtual Serial Port Driver，是用来给电脑创建虚拟串口使用的。
Modbus Slave： Modbus从设备仿真器，可以仿真32个从设备/地址域。每个接口都提供了对EXCEL报表的OLE自动化支持。主要用来模拟Modbus从站设备,接收主站的命令包,回送数据包。帮助Modbus通讯设备开发人员进行Modbus通讯协议的模拟和测试，用于模拟、测试、调试Modbus通讯设备。可以32个窗口中模拟多达32个Modbus子设备。与Modbus Poll的用户界面相同，支持功能01, 02, 03, 04, 05, 06, 15, 16, 22和23，监视串口数据。
ModbusPollSetup64Bit.exe
ModbusPoll软件主要用于仿真Modbus主站或Modbus客户端
ModbusSlave软件主要用于仿真Modbus从站或Modbus服务器
而VSPD全称Configure Virtual Serial Port Driver，是用来给电脑创建虚拟串口使用的。
Modbus Poll ：Modbus主机仿真器，用于测试和调试Modbus从设备。该软件支持ModbusRTU、ASCII、TCP/IP。用来帮助开发人员测试Modbus从设备，或者其它Modbus协议的测试和仿真。它支持多文档接口，即，可以同时监视多个从设备/数据域。每个窗口简单地设定从设备ID，功能，地址，大小和轮询间隔。你可以从任意一个窗口读写寄存器和线圈。如果你想改变一个单独的寄存器，简单地双击这个值即可。或者你可以改变多个寄存器/线圈值。提供数据的多种格式方式，比如浮点、双精度、长整型（可以字节序列交换）。
配套软件在我的另一个资源下载中。
wxFormBuilder
wxPython 和 wxFormBuilder 都是 Python GUI 库，用于创建用户界面。wxPython 是 wxWidgets C++ 库的 Python 绑定，它允许 Python 开发人员使用 wxWidgets 创建跨平台的桌面应用程序。wxFormBuilder 是一个可视化界面设计器，它可以帮助开发人员通过拖放和放置控件的方式快速构建 wxPython 应用程序。
使用 wxFormBuilder 创建 GUI
1.打开 wxFormBuilder。
2.点击“文件”菜单，选择“新建项目”。
3.在“新建项目”对话框中，选择“wxPython”作为你的 GUI 库。
4.选择窗体类型，比如主窗体或对话框。
5.在“设计器”面板中，选择你想要添加到窗体中的控件。你可以通过拖放和放置来添加控件。
6.调整控件的属性，比如位置、大小和样式。
7.在“属性”面板中为控件设置事件处理程序。
8.点击“文件”菜单，选择“保存”。
RSS订阅
20808
104
