嵌入式Linux进程控制详解

需积分: 9 0 下载量 170 浏览量 更新于2024-07-23 收藏 613KB PDF 举报
"国嵌进程控制文档主要涵盖了进程控制的基础理论和编程实践,旨在帮助读者理解和掌握如何在Linux系统中有效地进行进程管理。文档强调了进程的动态性、并发性、独立性和异步性等核心特点,并介绍了进程的状态、标识符如PID、PPID和UID。此外,还讨论了进程互斥和临界资源的概念,这些都是多进程环境下确保数据安全和系统稳定的关键因素。" 在Linux系统中,进程是执行中的程序实例,它具有独立的内存空间和上下文,可以并发执行。进程的动态性意味着它的状态在运行过程中可能会不断变化,包括创建、执行、阻塞和终止等。并发性则允许多个进程在同一时间片内交替执行,给人一种同时进行的错觉。独立性意味着每个进程都有自己的虚拟地址空间,彼此之间相互隔离。而异步性则反映了进程执行的非确定性,进程间的执行顺序不能预先准确预测。 进程的状态主要包括运行、就绪、阻塞三种基本状态,这些状态的转换是操作系统调度进程的基础。进程ID(PID)是系统分配给进程的一个唯一标识,用于区分不同的进程;父进程ID(PPID)表示创建该进程的父进程的PID;启动进程的用户ID(UID)用于确定进程的权限等级。 进程互斥是多进程环境中解决资源共享问题的重要机制。当多个进程试图访问同一临界资源时,互斥策略确保一次只有一个进程能访问,其他进程必须等待,直至当前占用资源的进程完成操作并释放资源。这种机制防止了数据冲突和不一致,是实现线程同步和保护共享数据的关键。 临界资源是多个进程需要共享且只能被一个进程独占的资源,例如打印机、硬件设备或者特定的数据结构。为了管理临界资源,操作系统通常会使用信号量、互斥锁等机制来实现进程间的同步和互斥,以保证对资源的安全访问。 在实际的编程实践中,开发者需要熟练运用这些概念和工具,例如使用fork()创建新进程,使用wait()和waitpid()等待子进程结束,以及使用pthread_create()创建线程,pthread_mutex_lock()和pthread_mutex_unlock()实现互斥锁等函数,来编写高效且可靠的进程控制程序。 通过深入学习国嵌进程控制文档,读者将能够掌握Linux环境下进程管理的基本原理和方法,从而更好地进行系统级编程和优化,提升软件的性能和稳定性。
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