php创作原声,抖音怎么自己创作原声 制作原声教程分享

抖音软件录制视频可以选择软件里自带的音乐,或者是你自己收藏的音乐,一般都是这样做的,但是如何创作自己的原声音乐呢?一起来看看抖音怎么自己创作原声吧!

抖音怎么自己创作原声

1、第一步首先用手机自带的相机录制一段视频,记住不要在抖音里面直接录制,然后把视频保存到相册里。

3198ec03c766a04f335e1aab7359abba.png

2、第二部将刚刚录制好的视频导入到电脑里,直接把视频整个拷贝到电脑的文件夹里。

a82b2c4d82d2af7cfdbad4ef959a1035.png

3、第三步打开电脑上的剪辑软件视频,将刚刚的视频导入到剪辑软件里。

9e23a9ea86027cbde476f1180a857bf8.png

4、第四步需要导入你自己的音乐,音乐可以是自己编辑的或者是下载音乐,有的软件里也会自带,这一步的目的就是把音乐导入进去。

5aa6d38c854da75176a394108ff8b156.png

5、第五步就是调整视频和音乐的长度,这个取决于个人的喜好需求,编辑完成之后,将视频和音乐做为一个新的文件输出。

e0139a07fc9844482bdb1a1907857dcd.png

6、第六步将用电脑制作好的视频上传到手机里,接着打开手机上的抖音软件,打开界面的加号图标,开始创作视频。

8b52b989e559c573b2e32607d90fee90.png

7、第七步可以进入到下一个界面,点击界面左上角上传选项,将刚才传输到手机上的视频上传。

9f2776d6c56b3166292df34e334ec4fb.png

8、第八步进入到视频的编辑界面,这个界面主要是调整视频的快慢,因为视频在电脑上已经完成编辑了,所以这里什么都不用调节,直接点击下一步。

ceb47fc0419fb6fde19a98a2c567c6ec.png

9、第九步这里也是同样的不需要任何操作,直接点击下一步。

8fb86debc064e626a8bed816c026e6cf.png

10、第十步就是发布的界面,在这里输入自己想要发布的文字信息,发布之后耐心等待发布成功。

2cbf522a3fc8364d31f475034108f213.png

11、最后发布成功之后,就可以进入到已经发布的视频界面,在界面下方就可以看到自己创作的原声显示,别人也可以收藏你的音乐使用,这就是属于你自己创作的原声音乐了。

a31ed39de86be9f2827c7243110d9931.png

这就是完整的创作原声音乐的教程了,看是不是跃跃欲试呢?去创作属于自己的原声音乐吧。

免责申明:本栏目所发资料信息部分来自网络,仅供大家学习、交流。我们尊重原创作者和单位,支持正版。若本文侵犯了您的权益,请直接点击提交联系我们,立刻删除!

  • 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