automake学习

静态库编译

 

目录结构:

base

|---src

|----|----Makefile.am

|----|----darray.c

|----|----darray.h

|----|----dlist.c

|----|----dlist.h

|----|----....

|---Makefile.am

|---configure.in

|---base.pc.in

 

1、编译脚本

#!/bin/bash

touch NEWS README ChangeLog AUTHORS COPYING

cp -f /usr/share/automake-1.9/compile .
cp -f /usr/share/automake-1.9/depcomp .

aclocal
libtoolize
autoheader
automake -a
autoconf

./configure --prefix=/usr/lib
make

 

2、base.pc.in制作

prefix=@prefix@
exec_prefix=${prefix}
libdir=${prefix}/lib
includedir=${prefix}/include

Name: @PACKAGE_NAME@
Description: a basic library.
Version: @VERSION@
Requires:
Libs: -L${libdir} -lbase
Cflags: -I${includedir}/base

这样做的好处是不论换到什么机器,什么平台,只要存在这个配置文件,那么都不会出现找不到库的问题。

 

3、base/Makefile.am

这个文件编写非常简单,只需要指定子文件夹即可,与以往唯一不同的地方是,要引入base.pc文件。

如下:

SUBDIRS=src

 

pkgconfigdir=$(libdir)/pkgconfig

pkgconfig_DATA=base.pc

 

4、base/src/Makefile.am

这个要比根目录下的要复杂的多,现在一行一行分析

lib_LTLIBRARIES=libbase.la        #这是要生成的库,LTLIBRARIES是关键字
libbase_la_SOURCES= darray.c /  #列举出所有生成库文件的相关文件
    darray.h /
    dlist.c /
    dlist.h /
    darray_iterator.h /
    dlist_iterator.h /
    hash_table.c /
    hash_table.h /
    invert.c /
    iterator.h /
    linear_container_darray.c /
    linear_container_darray.h /
    linear_container_dlist.c /
    linear_container_dlist.h /
    linear_container.h /
    queue.c /
    queue.h /
    sort.c /
    sort.h /
    stack.c /
    stack.h /
    typedef.h

libbase_la_LDFLAGS=-lpthread   #库链接时的链接参数

noinst_PROGRAMS=darray_test dlist_test  #noinst代表不要安装可执行程序,如果要安装则可写成bin_PROGRAMS

darray_test_SOURCES=darray.c  #测试用到的源文件,注意,SOURCES是关键字,不允许出现点,遇到点的一切都用下划线代替
darray_test_CFLAGS=-DDARRAY_TEST #编译参数

dlist_test_SOURCES=dlist.c
dlist_test_CFLAGS=-DDLIST_TEST

basedir=$(includedir)/base #包含目录
base_HEADERS=darray.h dlist.h iterator.h linear_container_dlist.h typedef.h / #相关头文件
    darray_iterator.h  dlist_iterator.h  linear_container_darray.h  /
    linear_container.h

EXTRA_DIST=/
    linear_container_test.c /
    invert_ng.c /
    darray_iterator.c /
    dlist_iterator.c /
    test_helper.c

 

5、configure.in文件

这个文件由autoscan生成,但要针对具体情况做下修改

#                                               -*- Autoconf -*-
# Process this file with autoconf to produce a configure script.

AC_PREREQ([2.64])
AC_INIT(base, 0.01, richard.lion.heart.gl@gmail.com)
AC_CONFIG_SRCDIR([src/darray.c])
AC_CONFIG_HEADERS([config.h])
AM_INIT_AUTOMAKE(base, 0.01)

# Checks for programs.
AC_PROG_CC
AC_PROG_LIBTOOL#因为我们要制作库
AM_PROG_CC_C_O
AC_PROG_MAKE_SET

# Checks for libraries.
# FIXME: Replace `main' with a function in `-lpthread':
AC_CHECK_LIB([pthread], [main])

# Checks for header files.
AC_CHECK_HEADERS([stdlib.h string.h unistd.h])

# Checks for typedefs, structures, and compiler characteristics.
AC_C_INLINE
AC_TYPE_SIZE_T

# Checks for library functions.
AC_FUNC_MALLOC
AC_FUNC_REALLOC

AC_CONFIG_FILES([Makefile
                 src/Makefile])
AC_OUTPUT([base.pc])  #这是要生成软件包信息的文件

  • 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 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