网站优化的几个要点

由于经过一个半月的时间,终于做好了第一个完完整整是由自己亲手做的网站,以为自己不是专业的美工,只是一个技术员,在这个开发过程中,美工的问题,业务上(如何部署项目到服务器上,如何谈业务....)都让我叫苦...很不容易坚持下来,网站可以访问了.但是感觉还有很多地方需要优化...为此,专门去摘录一些关于优化网站的文章...


如果你是一个才华横溢的艺术家,网站设计的肯定非常漂亮。咋样,图片用的爽吧!,不过别高兴的太早,如果你的图片不经过“处理”,搜索引擎就摸不清你是哪路来的“妖怪”,画的是哪道符!你就别想从搜索引擎哪里“捞”到流量
搜索引擎毕竟是人们编写出来的软件程序,对于一张画着美女,一张画着马粪的两张图,如果不给它提示,它压根儿猜不出来谁是美女,谁是粪。所以要想网站即美观又对搜索引擎友善,以下几点,可给各位参考参考:

1、优化图片名称:

简单的讲:如果你整个网页在卖白菜,你的图片上画的是白菜,哪你就把这张图命名为白菜,搜索引擎下次再搜索白菜的时候就有可能找到你了。

2、优化图片质量和大小

质量好的图片虽然看起来比较舒服,但是由于size比较大,会影响整个页面的下载速度,而搜索引擎一般都有一套“下载速率过滤”机制,“速度慢”就可能影响网站的排名甚至是搜索引擎对整个网站的评价。当然,你也许会采取压缩,再压缩的方式来解决这个问题,不过呱呱告诉你,这并不是最好的方式,因为压缩会降低图片的质量,影响我们浏览者的情绪。最好的方法是:页面上只放轮廓清晰的小图片,并把每张小图片链接到高质量的大图片上,这样既可以照顾我们的访问者,又不会影响下载速度。

3、添加alt 标签

这个是常识,就不多说了,很多的搜索引擎都是通过alt标签来区分图片的。

4、注意环绕文本和标题:

随着seo的发展,搜索引擎也越来越智能化。很多搜索引擎除了考虑图片的alt 标签以外,还会抓取图片周围一定范围内的文本和标题进行关键字密度等分析,以此来确定该图片与搜索关键字相关性的大小。

5、避免在图片上添加文本:

不在特殊情况下,最好不要往图片上添加文字。因为现在已经有一套图片轮廓识别软件,可以大致分出图片上的内容,如果你在上面添加文字,该软件就可能做出错误的判断(甚至带来负面评价),影响你网站的排名。

6、不要放过圆角表格等任何一张小小的图片:

这样做的理由是,有些搜索引擎分析你网站的时候,会有“查找错误”这一项,错误很多的网站,肯定是垃圾网站,而网页上的图片没有alt标签,就可那能被认为是不规范的行为。

再说拉,小图片加上alt标签,可以增加你的关键字个数和关键字密度,有利于搜索引擎更加准确的找到你。

7、 待添加中……
  • 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