鸿蒙和米家啥区别,魅族家居接入鸿蒙!

‍‍

‍‍今天,要特别表扬我一直非常喜欢的珠海小厂——魅族。

下午两点半,魅族将举办智能家居发布会,主题是魅族智能家居接入鸿蒙系统。

a65e6bb8272ebc1b48934063bafd82c3.png

说这个事儿之前,简单科普一下鸿蒙。

现在大家都知道,鸿蒙是手机系统,6月2号的发布会将发布首发搭载鸿蒙的手机。

了解多的多一点的小伙伴知道,鸿蒙不只是手机系统,还是智能家居的系统,可以用手机遥控家电。

不过智能家居这东西,小米有,苹果也有,鸿蒙和现有解决方案到底有什么差别?

c2f8e87fdb22fb347421e99677d806b1.png

简单说就是,米家是以小爱同学为核心的,让你可以通过语音控制各种家电,相当于给所有家电装一个遥控器。

而鸿蒙真的是一个智能系统,不需要控制,各种智能家居之间可以自己通信,提高你的使用体验。

粗暴直白的对比一下。

用米家,半夜热醒了,大喊一声小爱同学,把空调调低点。

用鸿蒙,主机通过一些场景了一些数据,如果温度传感器收集到了室内外的温度,收集到手环的睡眠程度。

这时候主机自动控制空调或者是空气净化器以达到最佳的舒适程度,这期间你一直处于安稳的睡眠。

搞明白区别了吧。

米家叫智能家居,鸿蒙叫全屋智能。

d0d051dadd351fce8cd6b9a957ee4b63.png

除了使用体验,鸿蒙在供应链上也有很大优势。

米家,是统一其他厂家的设计风格,贴上小米的LOGO,这样风格统一,颜值高,而且便宜,缺点是你只有米家一家可选。

鸿蒙,是让其他家电品牌用自己的系统,你买的仍然是美的、海尔、方太……这些品牌,这些老牌子大多拥有更好的质量(和更高的价格),鸿蒙是让他们更智能。

e4923ede50671dbe01815ff7e33ec684.png

站在开发者角度,开发米家要协调操作系统、接口、数据交换格式,非常繁琐,而且可以实现的功能有限。

而鸿蒙全部采用统一系统,开发起来更方便,能实现更多功能。

长远来看,鸿蒙用起来会比米家更流畅和舒适。

不过米家有一个鸿蒙可能永远比不上的优点:便宜。

因为米家的初衷,就是用小米和极致性价比和简约美学,改造小家电,让更多人用上便宜的科技好物。

6a17694515e04e997cb82652e93c425e.png

而鸿蒙的追求是更好的体验,当然要牺牲价格。

所以可能9999就能买一个超大杯米家,但超大杯的鸿蒙则要149999……

d2820f1d8bd844ed80a8c3aded87224b.png

不过贵从来不是产品的问题,而是用户的问题,鸿蒙显然比米家更能代表智能家居的未来,因此也大受关注。

魅族这次和鸿蒙结合,不是魅族手机要搭载鸿蒙系统,而是魅族智能家居要用鸿蒙系统了。

比如开头这个魅族吸顶灯。

a65e6bb8272ebc1b48934063bafd82c3.png

这时候有小伙伴要问了,除了等魅族还有啥智能家居呢?

答案是好像也没啥了……

df873b71d62846b5989ba095cc49aeb1.png

今天发布会可能会有魅族手表,也是鸿蒙系统的……聊胜于无吧。

魅族加入华为更大的意义是,终于有传统手机品牌加入鸿蒙阵营了,这些品牌原本是站在华为对立面的。

毕竟华为本身是做手机的,如果从智能家居的角度考虑,既然要用鸿蒙,为什么不买华为呢?

而魅族此举,等于认可了鸿蒙的价值,给其他国产手机品牌带了个好头。

话说魅族虽然现在手机疲软,但在支持国产方面,向来立场坚定。

2b6803f3dd15e27c15b541b57b2df832.png

这么说吧,魅族是第一批拥抱联发科的大牌手机,也是第一批拥抱yunOS(阿里的手机系统)的大牌手机。

魅族通过这些合作,顺利从一线大牌,过渡成十八线小厂。

但魅族不忘初心,现在开始拥抱鸿蒙了。

啥也不说了

黄章牛逼

未来可期

  • 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