界面全屏问题,搞晕了。总有个边框

phoenix3 phoenix3 墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN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 + 加入社区
在Frame上建了个VIEW,总有个边框,我觉得是VIEW弄出来的框框。搞了好久也没搞定。
PreCreateWindow(CREATESTRUCT& cs);里面都该了Styl都没用。贴点代码出来。

Frame style的修改
BOOL CMainFrame::PreCreateWindow(CREATESTRUCT& cs)
{
if( !CFrameWndEx::PreCreateWindow(cs) )
return FALSE;
// TODO: 在此处通过修改
// CREATESTRUCT cs 来修改窗口类或样式
cs.hMenu = NULL;
cs.style = WS_POPUP;
cs.dwExStyle = 0;
return TRUE;
}
VIEW style的修改
BOOL CParentView::PreCreateWindow(CREATESTRUCT& cs)
{
// TODO: Add your specialized code here and/or call the base class WS_EX_CLIENTEDGE WS_EX_WINDOWEDGE

cs.style &= ~WS_BORDER;//这里设置成0,都没用
cs.dwExStyle &= ~WS_EX_CLIENTEDGE;//这里执行了 cs.dwExStyle == 0
cs.dwExStyle &= ~WS_EX_WINDOWEDGE;

return CView::PreCreateWindow(cs);
}
...全文

相关推荐

BorderlessGaming无边框全屏游戏辅助工具实战使用指南

BorderlessGaming 看似只是一个小小的窗口管理器,但它背后体现的是人机协作理念的进化。我们不再满足于“要么沉浸、要么中断”的二元选择,而是追求一种无缝融合的状态——既能全情投入游戏世界,又能随时响应现实需求。这种平衡的艺术,正是技术赋予我们的自由。🫶当然,它也有局限:输入延迟略高、反作弊风险、多显卡适配复杂……但这些问题也在推动开发者不断改进。说不定下一版就会加入 Vulkan/DX12 Hook、WDDM 驱动级支持,甚至与 OBS Studio 深度集成。

BE东欲

Unity实现PC端无边框窗口:保留任务栏与全屏模式实战指南

本文详细讲解了在Unity中实现PC端无边框窗口的两种实战方案:保留任务栏的伪全屏模式和覆盖任务栏的沉浸式全屏模式。通过调用Win32 API,开发者可以精细控制窗口样式与位置,有效提升应用或游戏的沉浸感与专业度。文章提供了完整的C#代码示例、核心原理剖析及多显示器适配等高级议题的避坑指南。

pytorchlight8

Ubuntu 24.04 下使用 wmctrl 实现窗口无边框全屏的终极方案

如果你在 Ubuntu 上使用某些软件时,遇到过这样的困扰:软件窗口无法最大化到覆盖整个屏幕,总有一条碍眼的标题栏或任务栏占据着宝贵的显示空间,那么这篇文章就是为你准备的。 这不仅仅是“强迫症”的烦恼。对于开发者、设计师或需要沉浸式工作的用户来说,一个真正的全屏环境意味着更少的视觉干扰、更大的工作区域,以及更高效的心流状态。然而,很多 Linux 原生应用或通过 Wine/Proton 运行的 Windows 软件,其“全屏”模式往往只是窗口最大化,而非真正的独占式全屏。更棘手的是,有些软件(尤其是游戏、模

weixin_34372728

Ubuntu Wayland下实现无边框全屏:GTK4与SDL2实战指南

最近在 Ubuntu 26.04 上折腾一个视频播放器项目时,遇到了一个挺有意思的需求:用户希望播放视频时,播放器窗口能铺满整个屏幕,但又不想进入传统的“全屏模式”。传统全屏会隐藏标题栏、任务栏,甚至可能改变显示模式,导致无法快速切换其他应用或查看系统通知。这个需求在游戏直播、演示软件或沉浸式工具中很常见,本质上就是实现“无边框全屏”或“伪全屏”效果。尤其是在 Ubuntu 这类 Linux 桌面环境下,随着 Wayland 显示服务器协议逐渐成为主流,实现这种效果需要一些特定的思路和工具,与传统的 X11

小狐狸与小道士

YOLO26算法工业车间与城市道路安全标识及交通标志目标检测+训练好的模型+260张数据集+pyqt可视化界面.zip

附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[安全标识(safety), 交通标志(traffic)] · 训练集:240 张 · 验证集:10 张 · 测试集:10 张 · 总计:260 张 该数据集精准聚焦于工业生产环境与城市道路交通场景,旨在为高危作业区域的安全警示系统及道路通行管理提供可靠视觉识别支持。通过采集真实工作现场与道路环境中的关键标识,该数据集有效支撑了对人员行为规范提示与交通状态预警的自动化感知需求,具备显著的工程实用价值与行业落地潜力。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 67 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.7278** mAP50-95 | 0.6630 Precision | 0.7294 Recall | 0.7273 train/box_loss | 0.7483 train/cls_loss | 0.6857 val/box_loss | 0.6823 val/cls_loss | 1.8035 【训练过程分析】 67 轮训练后 mAP50 为 0.7278,模型基本收敛但还有提升余地。Loss 曲线下降正常,后期趋于平缓。mAP50-95 为 0.6630,定位精度尚可。 【模型性能评估】 Precision 0.7294、Recall 0.7273,精度高于召回,存在一定漏检。多类检测中,不同类别性能可能有差异,需关注... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。

guo_xiao_xiao_
评论 11
收藏 已收藏
分享
返回顶部
phoenix3
界面 15,976 成员 115,866 内容