Objective-C之单例设计模式

1.单例设计模式介绍

    任何时间,任何地点, 内存中都只有一个对象实例
1>懒汉式(尽可能晚的创建单例对象),在第一次使用时(第一次调用sharedXxx方法时)创建单例对象。
2>锇汉式(尽可能早的创建单例对象),程序一开始就创建一个单例对象。
实现方式,重写类方法+ (void)load,在类被加载到运行时时,立刻执行。(这个方法只会被执行一次)

2. 实现思路:

   1>为类增加一个static id instance;变量 //改变变量的生命周期, 是变量一直存在
   2> 重写 类方法allocWithZone:
   3> 封装一个sharedInstance方法,在该方法中调用alloc方法创建件对象。

3.代码演示

//SingleInstanceTool.h
#import <Foundation/Foundation.h>

@interface SingleInstanceTool : NSObject <NSCopying>

@property (nonatomic, assign, readwrite) int num;// 数量

@property (nonatomic, copy, readwrite) NSString *text;// 文本
//提供接入点
+ (instancetype)shareInstance;
@end

//SingleInstaceTool.m
#import "SingleInstanceTool.h"

//创建一个全局变量, 并保存以前的值
static SingleInstanceTool *instance = nil;

@implementation SingleInstanceTool

+(instancetype)shareInstance{
    
    //判断
    if (instance == nil) {
        instance = [[SingleInstanceTool alloc] init];
        
//        //设置属性值
//        instance.num = 24;
//        instance.text = @"zhaofei";
//        return instance;
    }    
    return instance;
}

- (id)copyWithZone:(NSZone *)zone{
    return self;
}

//注意在多线程环境下要使用@synchronized(self){}
+ (instancetype)allocWithZone:(struct _NSZone *)zone{

    @synchronized(self){
    if (instance == nil) {
        instance = [super allocWithZone:zone];
        
        //设置属性值
        instance.num = 24;
        instance.text = @"zhaofei";
        
        return instance;
        }
    }
    return instance;
}

//MRC模式下,需要重写一下三个方法, 保证单例对象不会被释放
//当对instance进行retain操作时, 直接返回instance, 不进行计数器加1
-(instancetype)retain{
    return self;
}

//当对instance进行release操作时, 不做任何操作
-(oneway void)release{
 
}

//当要查看instance的计数器时, 直接返回一个最大数
-(NSUInteger)retainCount{

    return NSUIntegerMax;
}
@end


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值