web前端笔记day1

标签分类:
1.行级标签:不换行,通常不可以设置大小,个别除外(input、img)其他:(span、a、label、i)
2.块级标签:独占一行,可以设置大小,(ul、ol、li、p、div、br、hn、dl、dt、dd)

标签含义:
div 容器,盒子,宽度是100%,独占一行
a 链接
href src 路径
i 斜体
span 容器,盒子,不换行默认宽度与内容一致
ul 无序列表,容器,盒子,独占一行,配合li使用
oi 有序列表 容器 盒子 独占一行,配合li使用
dl 自定义/缩进列表 容器,盒子,独占一行,配合dd,dt使用
li 容器,盒子,独占一行,ul,ol具体列表的子标签。
label 行级标签,不换行,配合for使用触发点击单选/复选框
fieldset 一个框框
p 段落标签
br 换行标签
h1–h6 换行,独占一行,字体加粗

其他属性含义:
HTML 超文本标记语言

<!DOCTYP html> 告诉浏览器这是HTML5

<html.lang+=“en”> 代表HTML页面根节点

页签上的内容 正文部分内容 代表中文编码 加载页签上的图标

target 目标
_blank 新的空白页面
alt 图片加载不出来,就会默认显示的信息
title 属性代表当鼠标移入,会显示的信息
id 页面元素,代表独一无二的

  • 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