MCS-51单片机指令系统详解:返回指令与特点

需积分: 31 1 下载量 107 浏览量 更新于2024-07-11 收藏 197KB PPT 举报
"MCS-51单片机的指令系统是其核心组成部分,它包括了各种类型的指令,这些指令使得单片机能执行各种计算和控制任务。返回指令是程序流程控制的一部分,主要用于从子程序返回到主程序或者中断服务程序返回到中断发生前的状态。 在MCS-51单片机中,有两个主要的返回指令:RET和RETI。RET指令用于从子程序返回,它将堆栈顶部的两个字节内容弹出并加载到程序计数器(PC)中,恢复执行的地址。而RETI指令不仅像RET一样返回,还负责清除中断标志,使得中断服务程序结束后,单片机能够恢复到中断前的正常执行流程。 MCS-51指令系统的特点包括: 1. 快速执行:指令执行速度快,优化了处理效率。 2. 指令长度简洁:大约一半的指令只需要一个字节,节省存储空间。 3. 位操作能力:提供丰富的位操作指令,方便进行位级别的逻辑处理。 4. 端口操作简便:可以直接通过传送指令实现对I/O端口的输入和输出。 5. 多样化的运算:如一条指令可以完成两个一字节数的乘法或除法运算。 指令系统分为六类: 1. 数据传递与交换:用于变量之间的数据传输。 2. 算术运算:加、减、乘、除等基本数学运算。 3. 逻辑运算:与、或、非、异或等逻辑操作。 4. 程序转移:改变程序执行顺序,如跳转、循环等。 5. 布尔处理操作:位操作指令,对单个位进行操作。 6. CPU控制:控制CPU的特定功能,如中断管理。 指令格式通常包含操作码和操作数两部分: - 操作码指示执行何种操作。 - 操作数可以是具体的数值、内存地址或者指示结果存放的位置。 指令描述符号有多种,例如: - Rn:表示当前寄存器区的工作寄存器。 - Ri:表示当前寄存器区的R0或R1。 - direct:8位内部数据存储器的地址。 - #data:8位常数。 - #data16:16位常数。 - addr16和addr11:不同长度的目的地址。 - rel:8位带符号偏移量,用于相对寻址。 - DPTR:16位数据指针,用作地址寄存器。 - A和B:累加器A和专用寄存器B,B用于乘法和除法。 - C:进位标志或布尔处理机的累加器。 - @Ri,@DPTR,/bit,×和(×):不同的寻址方式符号。 寻址方式是单片机指令系统中的关键概念,包括: 1. 立即寻址:指令中直接包含操作数。 2. 直接寻址:直接给出8位数据存储器的地址。 3. 寄存器寻址:使用寄存器作为操作数。 4. 寄存器间接寻址:通过寄存器间接访问内存位置。 5. 变址寻址:基于某个基址加上偏移量来寻址。 6. 相对寻址:根据相对地址进行跳转。 7. 位寻址:针对内部RAM或专用寄存器的单个位进行操作。 掌握这些指令和寻址方式对于理解和编写MCS-51单片机的程序至关重要,有助于实现高效且精确的控制系统设计。"
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R