无涯教程:进程通信基础与进程ID详解

需积分: 1 0 下载量 120 浏览量 更新于2024-07-09 收藏 1.89MB PDF 举报
"无涯教程提供的《进程通信教程离线完整版.pdf》详细介绍了进程通信的相关知识,包括进程的概念、进程ID、父进程ID等基础知识,以及进程间通信的各种方式。教程旨在帮助读者理解和掌握进程通信的基本原理和实践应用。" 进程通信是操作系统中一个关键的概念,它涉及到不同进程之间如何交换信息。在计算机系统中,每个进程都有其独立的用户空间,一般情况下彼此无法直接访问。然而,为了实现进程间的协作和数据交换,操作系统提供了多种进程通信机制,如共享内存、管道、消息队列、信号量、套接字等。这些机制允许进程之间通过共享的数据结构或者系统调用来传递信息。 在深入探讨进程通信之前,我们首先需要理解进程的基本概念。进程是正在执行的程序的一个实例,它拥有自己的内存空间、状态(如运行、就绪、等待)和资源。程序则是一个包含了运行时所需信息的文件,当执行程序时,它的代码会被加载到内存中成为进程。每个进程都有一个唯一的进程ID(PID),这个ID由操作系统内核分配,用于区分不同的进程。当PID达到系统设定的最大值时,会循环使用。 获取当前进程的PID可以通过系统调用`getpid()`实现,而获取创建当前进程的父进程ID(PPID)则需要用到`getppid()`。这两个函数都是无错误返回的,它们会始终返回相应的进程ID。 除了基本的进程属性,进程通信教程还会涵盖更高级的主题,比如如何使用共享内存进行通信,如何创建和管理管道,以及如何利用消息队列和信号量同步进程操作。这些技术对于多线程和分布式系统的开发至关重要,因为它们允许进程之间高效地协调工作,避免数据冲突,提高系统的整体性能。 学习这个教程,你需要对操作系统的基本概念有一定的了解,包括进程的生命周期、调度和同步。教程中提供的示例代码可以帮助你更好地理解这些概念,并提供实际操作的经验。通过学习这个教程,你将能够熟练地在不同进程中传递信息,实现复杂的应用程序设计。
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