嵌入式设计课程每周总结(1)

课程目标

1、了解嵌入式技术;
2、掌握嵌入式Linux操作的使用;(命令)
3、掌握嵌入式Linux开发工具的使用;(gcc、gbd、make、shell)
4、掌握嵌入式Linux应用开发;(文件、多任务、网络、数据库)
5、了解嵌入式产品开发流程;(硬件–软件–系统)
6、了解嵌入式系统移植;(u-boot、内核、文件系统)
7、了解嵌入式底层软件开发;(驱动开发)

什么是嵌入式技术

嵌入式技术就是在已有的硬件上移植操作系统,在操作系统之上做上层应用开发,或者在操作系统之下做底层开发。

嵌入式开发与单片机开发的区别

有无操作系统,下面概述操作系统的作用。

操作系统的作用

(1)管理资源(软件资源、硬件资源),这就起到了一个管家的作用,其实操作系统还有
(2)多任务机制,比如我们手机中的后台管理
(3)提供了丰富的网路协议
(4)提供了开源软件和库

嵌入式软件和非嵌入式软件区别

所谓的非嵌入式我们也称之为裸机,这个问题也可以先从传统开发的缺点讲起,传统开发软件(1)移植性差,即适配平台能力差
(2)对开发人员能力要求也较高,要求开发人员软硬通吃
那么嵌入式开发就完美(1)解决了传统开发软硬件耦合度导致的问题
(2)多任务机制
(3)提供了丰富的网络协议栈
(4)提供了丰富的开源软件和工具。

嵌入式开发的方向

(1)嵌入式上层应用软件开发
(2)嵌入式底层系统软件开发。
这两部分的要求分别如下:
上层应用软件开发需要
a.精通一门语言;
b.熟悉一款操作系统;(会看说明书)
c.数据结构/算法;
下层系统软件开发需要:
a.精通c语言(所有的操作系统内核都是c+汇编开发的)
b.理解操作系统的实现(会使用,也会添加/修改功能)
c.熟悉硬件的工作原理
d.熟悉汇编

为什么是c语言

(1)能够直接访问硬件(能够直接访问硬件是因为c语言有指针数据类型)
(2)移植性好
(3)运行效率高。

什么时候选择汇编,什么时候选择c语言

汇编语言是低级语言,没有高级语言的支撑,访问硬件的效率>c语言,对硬件初始化的时候用汇编,对硬件进行复杂操作的时候用c语言。

CPU体系结构的种类、特点及应用场景
1、冯·诺伊曼结构

(Von Neumann architecture),也称普林斯顿结构,是一种将程序指令存储器和数据存储器合并在一起的电脑设计概念结构。
特点:而程式自我修改这项特色也被现代程式设计所弃扬,因为它会造成理解与除错的难度,且现代中央处理器的管线与快取机制会让此功能效率降低。
应用场景:本结构隐约指导了将储存装置与中央处理器分开的概念,因此依本结构设计出的计算机又称储存程式型电脑。 最早的计算机器仅内涵固定用途的程式。现代的某些计算机依然维持这样的设计方式,通常是为了简化或教育目的。

2、哈佛结构

(Harvard architecture)是一种将程序指令储存和数据储存分开的存储器结构。
特点:哈佛结构的微处理器通常具有较高的执行效率。其程序指令和数据指令分开组织和储存的,执行时可以预先读取下一条指令。
应用场景:程序指令储存和数据储存分开,数据和指令的储存可以同时进行,可以使指令和数据有不同的数据宽度,如Microchip公司的PIC16芯片的程序指令是14位宽度,而数据是8位宽度。

3、并行处理结构

特点:单指令流多数据流(SIMD) 结构。
应用场景:SIMD机器最适于处理规则的稠密数组带问题。如图象处理、矩阵运算和物理模拟等问题。它们不象单处理机那样通用,一般地是作为冯诺依曼主机的附加处理机。

一些小点

嵌入式=!RAM
单片机可以作为嵌入式CPU
可以移植(代码开源、提供可移植接口)的操作系统称之为嵌入式操作系统。
实时性(软件、硬件):规定的时间内完成规定的动作
vxworks:实时性强
Linux无实时,运行效率稳定 RT-Linux openwrt

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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
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