C++面向对象与YOLO目标检测

student *p; //新建一个student类指针
student aa; //新建aa对象
p = &aa; //p指针指向aa对象
p -> name; //这个就和aa.name一样，返回aa的name值
p -> study(); //这个相当于aa.study()，对aa执行成员函数

实际程序中使用更高级写法：

c++

student *p = new student(20, '张三'); 
delete p; //调用析构函数

把继承考虑进去，复杂一点：类定义省略，且只考虑公有继承

c++

student *p1;//新建一个student父类指针
postgraduate *p2;//新建一个postgraduate子类指针
student aa; // 新建父类对象 aa
postgraduate bb;// 新建子类对象 bb
p1 = &aa; // 父类指针指向父类对象，可以
p2 = &bb; // 子类指针指向子类对象，也可以
p1 = &bb; // 父类学生指针指向子类研究生对象，可以
p2 = &aa; // 子类研究生指针指向父类学生对象，这里报错

父类指针是可以指向子类成员
- 因为研究生一定是学生的一种
- 反过来则不行，学生可不一定都是研究生
- 但 p1 -> research 会报错
- 虽然父指针指向了 postgraduate，但不能调用 postgraduate 中的属性和方法，父类指针指向子类时，仍然只能用父类中的方法。

多态

虚函数：在基类中声明一个函数为虚函数，使用关键字virtual。派生类可以重写（override）这个虚函数

静态多态（编译时多态）：函数重载、运算符重载。

动态多态（运行时多态）：通过虚函数实现。

c++

class Animal {
public:
    virtual void speak() { cout << "Animal sound" << endl; }
};
class Dog : public Animal {
public:
    void speak() override { cout << "Woof!" << endl; }
};

隐藏：

在父类student和子类postgraduate中都定义一个函数study()，输入参数格式相同不同都可以。

重载运算符和重载函数

成员函数的重载：不同函数可以有相同的函数名，通过不同的输入参数来识别。

重载声明是指一个与之前已经在该作用域内声明过的函数或方法具有相同名称的声明，但是它们的参数列表和定义（实现）不相同。

重载的运算符是带有特殊名称的函数，函数名是由关键字 operator 和其后要重载的运算符符号构成的。与其他函数一样，重载运算符有一个返回类型和一个参数列表。

隐藏和覆盖的同名函数的参数可以完全一样

c++

class student//类定义，没写全，为了突出重点省略了构造函数和属性
{
public:
    void study (bool a) {cout<<" 好好学习";};
};

class postgraduate : public student//类定义，没写全，为了突出重点省略了构造函数和属性
{
public:
    void study (int b) {cout<<" 芯片设计";};
};

//下面是主函数
postgraduate bb;//子类对象
student aa;//父类对象

bb. study(2);  //研究生对象调用研究生的study方法，参数为int，打印出芯片设计
aa. study( true );    //学生对象调用学生的study方法，参数为bool，打印出好好学习
bb. study( true );    //这行出错，研究生对象，但参数为bool，本来应该重载父类的study方法，因为这时父类方法被隐藏了，系统找不到对应的方法，这就是隐藏和重载的区别

YOLO

YOLO（You Only Look Once）是 单阶段目标检测算法，它直接将目标检测看作一个 回归问题，一次前向传播即可同时预测 类别 + 位置，相比传统方法和两阶段方法有明显优势：

(1) 实时性强

YOLO 系列的设计目标就是 实时目标检测。
在 GPU 上，可以轻松达到 几十甚至上百帧/秒，非常适合实时车牌检测。

(2) 检测小目标能力强

车牌往往是小目标。
YOLOv5 以后引入 多尺度特征融合（FPN + PAN），提升了对小目标的检测效果。
YOLOv8/YOLOv10 在 backbone 和 head 上也针对小目标做了优化。

(3) 端到端，部署方便

YOLO 模型结构简洁，预测快，支持 ONNX、TensorRT、NCNN 等格式。
在嵌入式设备（如 Jetson Nano、海思芯片）上也能高效运行，非常适合车牌识别系统的实际部署。

(4) 精度和速度平衡

YOLO 在 mAP（准确率指标）和 FPS（速度指标）之间平衡得很好。
比如：YOLOv5s、YOLOv8n 在保持较高准确率的同时，体积小，速度快，适合前端设备。

(5) 社区生态好

YOLO 系列开源度高，代码成熟，社区资源丰富。
车牌检测的很多开源项目、论文都基于 YOLO 改进，复用性强。

方法	优点	缺点
传统方法 (Haar, HOG+SVM, MSER)	简单，不依赖大数据	对光照、角度、模糊敏感，准确率低
两阶段检测 (Faster R-CNN)	准确率高	推理速度慢，不适合实时场景
SSD	单阶段，速度快	小目标检测效果不如 YOLO
YOLO	实时性好，小目标优化好，部署方便	对极端遮挡、超小目标仍有挑战

CNN（卷积神经网络）

CNN 的全称是 Convolutional Neural Network，中文是卷积神经网络。它是一种深度学习模型，最常用于处理图像和视频数据。

“卷积”这个名字来源于它使用的数学运算——卷积。简单来说，CNN 通过一种叫做“滤波器”（filter）或“卷积核”（kernel）的小窗口在输入数据（比如一张图片）上滑动，来提取各种特征。

你可以把这个过程想象成：CNN 会先学习识别一些最简单的特征，比如边缘和曲线；然后它会把这些简单的特征组合起来，识别更复杂的特征，比如鼻子或眼睛；最后，它会把这些复杂特征组合起来，识别出完整的物体，比如一张脸。

常见应用：

图像分类： 判断图片里有什么东西（比如猫、狗、汽车）。
物体检测： 在图片中找到并识别出多个物体的位置。
人脸识别： 识别特定的人脸。

RNN（循环神经网络）

RNN 的全称是 Recurrent Neural Network，中文是循环神经网络。与 CNN 不同，RNN 专门用来处理序列数据，即数据的顺序很重要。

RNN 最核心的特点是它的“记忆”功能。它会一步步地处理输入序列，在处理每一步时，都会利用上一步的输出作为当前步的输入。这使得 RNN 能够捕获序列中的依赖关系和上下文信息。

一个简单的比喻就是我们阅读一句话。当我们读到“苹果”这个词时，我们能理解它的含义是因为我们记住了前面出现的词。RNN 的工作方式很类似，它利用内部状态（也就是它的“记忆”）来追踪序列中之前的信息。

常见应用：

自然语言处理 (NLP)：
- 机器翻译： 把一种语言的文本翻译成另一种语言。
- 文本生成： 创作新的句子或段落。
语音识别： 把口语转换成文字。
时间序列分析： 根据过去的数据预测未来的数值（比如股票价格）。

C++面向对象与YOLO目标检测

评论区