平面设计师快速成长的秘诀是什么

本文由:“学设计上兔课网”原创,图片素材来自网络,仅供学习分享

平面设计师快速成长的秘诀是什么?初出茅庐的设计师,面对与学校迥然相异的考验,如何快速成长呢?今天不说大的,来谈点有实际意义的方法,帮你迅速转身变为一个成熟的设计师。

经常有朋友问如何才能做出好的设计作品?其实这并不是一个那么容易回答的问题,一个优秀的设计师除了具备良好的绘画功底与审美的之外还需要了解自己的用户,了解自己的产品,而我们作为服务行业又要努力保持好商业与艺术之间的平衡,这时对设计师们的考验就会更严苛。从学校毕业、开始工作,从什么都不懂到了解行业并且为客户解决问题,这些经历都不停在每位设计师身上上演着……慢慢的会让我们懂得一个成熟的设计师除了扎实的视觉表现基本功之外更需要一个良好的口才与优秀的沟通能力,我们不只是一个简单的执行者,甚至有时我们责任重大,变身为问题的解决者。

那么回到我们的问题,初出茅庐该怎样让自己能够快速成长呢?

我们需要了解行业动态,需要具备优秀的审美,需要收集大量的案例,需要虚心请教周围更有经验的前辈;大的不说,我们来谈点有实际意义的。

建立自己的素材库

建立自己的素材文档(我本人比较喜欢用花瓣网,云端储存简单易用,资源收集丰富便捷),当然不排除喜欢收集在自己电脑里的设计师们,这完全看个人习惯来定。

那么我们有了素材库之后该怎么办?两个字:分类,这里依照每个人的习惯不同那么分类的点也会不一样,根据习惯我们可以第一时间找到适合的风格来寻找灵感并且予以借鉴,这里贴出我个人的分类给大家参考。

那么分类完成,有了素材库的沉淀就够了么?答案当然是no!在这里我想提个问题,我相信蛮多设计师会创建自己的素材库,可当你们收集完之后会返回去看这些令你们喜欢的作品么?所以这里我要强调的是分析,分析你喜欢的作品,分析你收藏他们的原因,无论是字体、视觉表现、交互逻辑一定会有他们各自的闪光点吸引你,才会被收藏下来,针对不同的风格进行单独的分析思考,自己观察每个细节,打开你发现未知的眼光你就会在每一个作品中学到自己不曾注意的小点。

关于交互

众所周知游戏的更新迭代速度非常快,每一个设计需求从策划到设计再到最后上线都不会相隔太久,在没有专业交互的情况下我们往往拿到PM给我们的交互稿都不够精细,这就需要我们深入了解需求,明白页面传达的内容,如果连设计者本身都不知道页面是在传达什么那么做出来那只不过是一张好看的图片而已,没有任何的意义。还是那句老话,不懂就要问;和你的PM详细沟通,了解页面的所有功能,这样能够让你更好的为项目考虑做出完美的作品。

积累成长

视觉的美感仅仅只是我们设计中的一部分而已,交互的层级关系以及良好的引导才是直接关系页面转化率的关键。互联网瞬息万变,一波接一波的变化层出不穷,也考验着我们每一位年轻的设计师们,养成良好的习惯,每天的沉淀、学习,反复思考让自己一直存在饥饿感,我相信未来我们一定会做的更好!祝愿每个设计道路上的小伙伴们,愿你们越走越好~

  • 1
    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
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