C++编程——程序的内存模型


内存分区模型的主要知识结构:
在这里插入图片描述

1. 内存分区模型

C++程序在执行时,将内存大致分为4个区域

  • 代码区:存放函数体的二进制代码,由操作系统进行管理
  • 全局区:存放全局变量、静态变量以及常量
  • 栈区:由编译器自动分配释放,存放函数的参数值,局部变量等
  • 堆区: 由程序员分配和释放,若程序员不释放,程序结束时由操作系统回收

1.1 程序运行前

在程序编译连接后,生成了exe可执行程序,在未执行该程序前分为两个区域
代码区:

  • 存放CPU执行的机器指令
  • 代码区是共享的,共享的目的是对于频繁被执行的程序,只需要在内存中有一份代码即可
  • 代码区是只读的,只读的原因是防止程序意外地修改了它的指令

全局区:

  • 全局变量和静态变量存放于此
  • 全局区还包含了常量区,字符串常量和其它常量
  • 该区域的数据在程序结束后由操作系统释放

1.2 程序运行后

栈区:
注意事项:不要返回局部变量的地址,因为栈区开辟的数据由编译器自动释放

int* func()
{
	int a = 10; //局部变量 存放在栈区,栈区的数据在函数执行完后自动释放
	return &a; //返回局部变量的地址
}


int main()
{
	//接受func函数的返回值
	int *p = func();

	cout << *p << endl; // 第一次可以打印正确的数字,因为编译器做了保留
	cout << *p << endl; // 第二次这个数据就不再保留

	system("pause");
	return 0;
}

堆区

  • 在C++中主要利用new在堆区开辟内存,释放利用操作符delete
  • 利用new创建的数据,会返回该数据对应的类型的指针
  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于yolov5的烟火检测可以分为两个主要步骤:模型训练和C++实现部署。 首先是模型训练。我们需要收集包含烟火的图像数据集,并进行数据标注,即标记图像中的烟火目标。接着,在yolov5的基础上进行一些调整和优化,以适应烟火检测任务。然后,使用标注好的数据集进行模型训练,通过迭代优化模型的权重和参数,使其具备较高的烟火检测精度。可以使用GPU来加速模型训练过程。最后,通过评估指标如mAP(平均精度均值)等来评估模型的性能。 其次是C++实现部署。在完成模型训练后,我们需要将其部署到实际环境中进行使用。首先,将模型保存为.onnx或.torchscript格式,以便于在C++中加载和使用。然后,使用C++编程语言,利用相应的深度学习框架(如OpenCV、TensorRT等)进行模型加载和推理。通过读取输入图像数据,将其输入到模型中进行烟火检测,获取检测结果。最后,根据实际需求,可以将检测结果进行可视化展示、保存或者与其他业务系统进行集成。 总之,基于yolov5的烟火检测涉及模型训练和C++实现部署两个主要步骤。模型训练需要进行数据收集、标注和调优,以及模型训练和性能评估;C++实现部署需要将模型保存,并利用C++编程语言和深度学习框架进行模型加载、推理和结果处理。这样可以实现高效准确的烟火检测功能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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