周总结

一.清除浮动

主要有四种方法

1.CSS设clear:both/left/right,表示左右两边或者左边,右边不能有浮动元素

2.父元素结束标签之前,插入空白块级元素来清除浮动

3.利用伪元素,对伪元素清除浮动,达到清除浮动的目的

4.利用overflow清除浮动,属性值可以是除visible以外任意值(不推荐,有时会出现问题,如Firefox使用overflow:auto会产生focus

二.CSS栅格系统

1.Bootstrap栅格的容器有两种,.container(固定像素值的宽度)和.container-fluid(100%的宽度),row(.row)必须位于container的内部,column(如.col-md-6)必须位于row的内部。container、row、column必须保持特定的层级关系,栅格系统才可以正常工作。

2.container和container-fluid

(1).container类出现内边距和外边距,.container-fluid类没有。

(2).container类左右内边距一直是15px,屏幕小于等于767px的时候没有margin值,屏幕大于767px开始有左右margin值,屏幕宽度为768px和1000px的时候,margin值相对最小,分别是9px和15px,其他时候margin值随着屏幕的增大而增大(container容器不止有15px的padding,还有一个会随着浏览器宽度变化而变化的margin)。.container-fluid类宽度不管屏幕宽度大小,一直是100%。

注意事项:

  1.一行中列数超过12,自动换行

  2.栅格类属性可以向上兼容,但向下不兼容,栅格类适用于与屏幕宽度大于或等于分界点大小的设备。比如设小屏幕四列一个元素,中屏,大屏都为四列一个元素,超小屏幕会一个元素占满一行。有时候,会需要将多种断点类型组合使用,以实现更细致的响应式设计。设计时,断点像素值越大的,对应代码越靠后。 例:

<div class="col-sm-6 col-lg-3">1</div> 

 

在上面这样视口宽度由小变大的过程中,首先是保持默认的竖直堆叠,然后超过了sm的断点,sm的样式生效,变为一行两列的排版,再继续超过lg的断点后,lg的样式也生效,由于lg的样式代码定义在sm之后,所以会覆盖掉sm的样式,从而得到一行四列的排版。

 

3.Bootstrap栅格不应过度使用。例如,需要一个占据一整行宽度的元素时,不要加入类似.col-xs-12这样的元素。而是加一个块元素。

三.z-index视轴

html -> z-index负值盒子(绝对定位) -> 块状盒子 -> float 盒子 ->inline或者inline-block盒子-> z-index auto或者0的盒子(绝对定位) -> z-index正值盒子(绝对定位),视轴越来越高。

四.像素px

设备像素是一种物理概念,是设备中的物理像素。

CSS像素是web编程中的概念,指的是CSS样式代码中使用的逻辑像素。

CSS像素是根据设备像素比换算的。

 

  • 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