AVR(2)

            :-),转眼学习AVR也有一周了哦,接下来就开始写各种模块的代码了哦,呵呵,和51相比AVR 确实有很多的不一样的地方,但是有很多地方倒是和ARM的定义非常的相似,也许他们设计内核时参考了ARM的思路吧,还好上手不是很难。昨天晚上看了一个74HC164的驱动程序感觉有点小不解,自己做个小修改,贴出来看看哦!

 //*******************************************************************
//*函数名称:void HC164_sendchar(unsigned char c)
//*函数描述:向74HC164串行发送数据,发送的方向是低位在前,高位在后
//*入口参数:unsigned char c -要发送的一个字节
//出口参数:无
//相关参数:bit HC164_data -164的数据位;bit HC164_clk - 164的时钟位
//                  bit HC164_mr  - 164灭零
//*******************************************************************
void HC164_sendchar(unsigned char c)
{
 unsigned char tmp;
 for(tmp=0;tmp<8;tmp++)
 {
  if(c & 1<<tmp ==0)
     {
      HC164_data=0;
     }
     else
     HC164_data=1;
     HC164_clk=0;
     HC164_clk=1;
  }
}

幸好在CVAVR的开发环境里可以定义bit,这样的话对于位的操作就方便多了,尤其是多各个端口的位操作和51完全一样了!呵呵!快点加油哦,不要忘记自己的承诺!加油!


 

  • 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