Circuitjs 在线电路模拟器使用指南

Circuitjs 是一款 web 在线电路模拟器, 可以在浏览器上方便地模拟各种模拟或数字的电路, 用户无需安装各种软件, 生成的电路也支持在线分享给其它用户.

网址是 https://cc.xiaogd.net/. 当前版本为 v2.9.0

cccircuit 的简写, 也即是电路的意思.

circuitjs 在线电路模拟器界面

版本说明

在模拟器右侧栏增加了版本的说明.

另外, 在 菜单--关于 的弹出窗口中也有版本显示.

目前新部署的版本是 2.9.0 (2024-09-04), 之前的版本为 2.6.9. 右侧栏版本说明的旁边也有一个旧版链接.

若你的电路在新的版本中有异常, 你可以暂时回到旧版中去使用:

  • 新版: https://cc.xiaogd.net/
  • 旧版: https://cc.xiaogd.net/v269/

语言说明

应用会根据系统所在地区/语言自动切换为对应的语言. 如果你的语言显示不是中文, 可以检查你的系统的配置.

注: 部分可能没有翻译, 有任何疑问, 欢迎留言评论.

另外你也可以自己调整语言: 位于 菜单--选项 | Options -- 其它选项 | Other Options -- 改变语言 | change language 处调整显示语言.

另: 本书中的一些截图采用了中英文混合式的显示, 你可以在 菜单--选项--其它选项--改变语言 下拉列表中选择最后一项 “中英文” 即可显示为该效果.

注: 部分可能没有完全更新成中英文模式, 另外一些简短常用的也只显示中文.

部分术语的翻译可能不是特别准确, 如果在中文下你对某些翻译有疑惑, 你可以尝试切换到这个中英文模式.

另: 采用了该模式后, 部分显示界面可能特别拥挤.

有任何疑问, 欢迎留言评论

背景颜色, 电路颜色及一些其它约定说明

书本中的截图全部采用白色背景, 跟书本本身的白色主色调一致.

菜单--选项--白色背景 项目上勾选, 即可显示白色背景.

电路中的颜色, 其缺省配置, 高电平为绿色, 低电平为红色. 在本书示例中将其调换了过来, 高电平改为红色, 低电平则为绿色, 特此说明.

菜单--选项--其它选项 弹出窗中的 正极颜色负极颜色 中可自定义颜色.

继电器方面, 以前版本是没有方框的, 新的版本增加了方框, 本书中使用新版本带方框的, 功能方面是一样的.

开关方面, “普通开关(switch)” 和 “按钮开关(push switch)” 在旧版本中在显示层面是没有区别的.

新的版本增加了一个 IEC 符号 选项, 此处约定 “按钮开关(push switch)” 都勾选上这一特性, 从而在显示上会有所变化, 以区分 “普通开关(switch)”.

注: “普通开关(switch)” 同样可以勾选 IEC 符号 选项, 勾选后的显示也还是与 “按钮开关(push switch)” 不同, 但这个差别比较小.

所以这里选择不勾选普通开关该选项, 以更好区分.

  • 3
    点赞
  • 3
    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