盒模型

盒模型:
作用:规定了网页元素如何显示以及元素间相互关系
概念:盒模型是css布局的基石,它规定了网页元素如何显示以及元素间相互关系。css定义所有的元素都可以拥有像盒子一样的外形和平面空间。即都包含内容区、补白(填充)、边框、边界(外边距)这就是盒模型。

 盒模型的组成:content(内容区)+padding(填充区)+border(边框区)+margin(外边界区)
             content:  元素的宽和高
border  :    盒子的边缘      
             padding:  
	作用:用来控制父元素和子元素之间的位置关系;
	           用来控制元素和内容之间的位置关系的。    

	特点1:添加了padding值之后,padding值会把元素原有的大小撑大;  如果让元素原本大小不变得话,需要在元素的宽高上减掉所加的padding;
	特点2: padding属性对背景图片 是不起作用的,可以说背景图片的位置,是不受padding的影响的。			 	特点3:背景色会延展到padding区域。
	
	使用方法:
	        方法一 :
		padding-top:         上填充
		padding-right;       右填充
		padding-bottom:  下填充
		padding-left:         左填充
	       方法二 :
		padding: 1   2    3   4          1、上   2、右     3、下    4、左
		padding: 1   2    3           1、上   2、左和右     3、下 
		padding: 1   2           1、上和下   2、左和右 
		padding: 1         1、上 右  下 左			


margin:
	作用:控制同辈元素之间的位置关系。     
	特点: margin是现在是在元素边框以外的空白区。    		
	使用方法:
	       方法一:
		margin-top:         上外边距
		margin-right:        右外边距
		margin-bottom:   下外边距
		margin-left:          左外边距
	       方法二 :
		margin:1   2    3   4          1、上   2、右     3、下    4、左
		margin:1   2    3           1、上   2、左和右     3、下 
		margin:1   2           1、上和下   2、左和右 
		margin:1         1、上 右  下 左		

	实现元素水平居中的方法:
		margin:0 auto;  
		margin-left:auto;   margin-right:auto;
   
	注:margin  是可以写负值的,padding不可以写负值;
	       margin不会影响元素的实际宽高,但是也会曾加的他的所占区域;

	margin的bug:
		1、上下的两个元素之间的margin值会重叠显示;谁的值大 就以谁的margin值来显示。(BFC 解决)

		2、当父元素里的第一个子元素(块元素),添加margin-top的时候,会错误的把margin-top值添加给父元素。(建立在当前的元素们 没有添加边框和浮动的前提下。)
		解决方法:  bfc    给父元素添加overflow:hidden;  推荐使用
			            给父元素和子元素添加浮动属性;
			            可以给父元素添加边框	
			            把margin改成padding

  先记住:margin就是用来控制同辈元素之间的位置关系;
                  padding就是用来控制父子元素之间的位置关系的。		

        标准盒模型 的所占位置的组成:宽高(content)+padding+border+margin
	元素宽度实际占有的位置大小: 宽+左右padding+左右border+左右margin
	元素高度实际占有的位置大小: 高+上下padding+上下border+上下margin


       怪异盒模型:比如提交按钮    
              元素的宽度:width(content+border+padding)+margin
                属性:box-sizing: border-box(怪异盒模型)/content-box(标准盒模型)

       注:li是块状元素,当不给他设置width属性的时候,他默认的宽度是100% ,也就是跟父元素等宽,这时候当你给他添加padding左右值得时候,li 他会从新去进行宽度的计算,也就是加上padding值之后 ,依然等于父元素的宽度。
  • 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