Denis

Как вариант торрент клиент не настроен на такие скорости.
В свое время мне помогло увеличение дискового кэша и колличества соединений.
В сети есть мануалы для тонкой настройки клиентов на высокие скорости.

Так как в тегах gcc:
Если я правильно помню в gcc по дефолту экспортирует символы
dll[export|import] это атрибуты msvc

при разработке на msvc для таких атрибутов принято писать макросы

#if defined(BUILDING)
#define DLL_ATTR  __declspec(dllexport)
#else
#define DLL_ATTR   __declspec(dllimport)
#endif

BUILDING должен быть определен при сборке
если используется cmake, то в CMAKE_CXX_FLAGS надо добавть /DBUILDING

можно и онлайн посмотреть compiler explorer

Надо идти от простого. С openCV такую задачу можно решить за пару часов.
Воспользуйтесь разностным коррелятором и проходите по последовательно по всем пикселям.
Или surf/sift, не уверен можно ли обнаружить несколько одинаковых объектов.
Если расположение регионов не меняется. То просто задайте ROI и с помощью коррелятора просто определяйте к какому классу относится та или иная область.

Найдите центры boundingRect и отсортируйте по X.

Рекомендую использовать связку Python+openCV.
Так как примеров изображения нет, то помочь с выделением объекта не смогу.
Алгоритм следующий:
1. Выделить ваш объект. (сделать изображени бинарным: 0 - фон, 1 - объект). Например, если ваш объект светлее фона то можно выделить по порогу cv2.threshold(img,127,255,cv2.THRESH_BINARY)
2а. Если вашь алгоритм выделения объекта выделил только объект, то просто подсчитайте сумму пикселей.
2б. Если есть ложные обнаружения, то на первом этаме можно пройти медианным фильтром (cv2.medianBlur(img,5)) или морфологическим открытием. Данные операции помогут избавиться от мелких ложных оьнаружений.
3. Найти контуры cv2.findContours(...).
4. Отфильтровать контуры, если есть ложные обнаружения.
5. Для контура, который сообветствует вашему объекту найти площадь. cv2.contourArea

Нужно больше 1 лица, попробуйте добавить в обучающую выборку еще 1 человека.
P.S. вот подробный пример на python https://www.superdatascience.com/opencv-face-recog...

Используйте QSerialPort::waitForReadyRead() прежде чем читать из порта.
Так же можно реализовать асинхронное чтение, написав обработчик для сигнала readyRead().

Для сортирорвки по лицам можно применить следующий алгоритм:
1. Нахождение лица на изображении (взять что-нибудь из tf detection API либо из openCV, там сейчас есть YOLOv2 и SSD или каскады хаара, может еще, что-нибудь добавили, вроде в dlib есть еще что-то).
2. Вычисление дескрипторов (из openCV: sift, surf и т.д., Хотя есть нейронки специально для вычисления вектора признаков для лиц, названия не помню).
3. Выбор меры похожести (евклидово расстояние, расстояние хэминга ...).
4. Классификация, например knn, (приедварительно обучив на выборке) или кластеризация.

В Windows отключите быстрый запуск

Обычно, если задачу можно автоматизировать, то я пишу скрипт на python с openCV.

Рекомендую использовать QImage::scanLine() и лишнего копирования не будет
doc.qt.io/qt-5/qimage.html#scanLine

Использовать соответствующую вашим требованиям функцию активации, например, ReLU.