设计一个矩形类rectangle_给你一个双12时尚类促销海报设计攻略

745ffe24a4e13727566327aaa5e800dd.png
9d2afc682a9276eb371c555761c6383d.png

双十一过去了,大家本来只是收藏一下喜欢的东西,结果是不是管不住自己的手,又狠狠的剁了一次手,没事,买到就是赚到(自我安慰中...)

3548297b0a5f7267410d355e311f0c84.png

这不,双十二又快到了(再来剁一波...),当然是再来一波干货分享了,精神物质都要富足才阔以嘛。

说到购物,我们身边比较常见的就是促销类海报了,促销类海报有哪些特征呢,这期我们就来讲下女装促销类海报的设计思路,先看几个案例。

4230dff3200e1a7721a50bc5ae19d735.png

可以看出这张海报是一张男装促销海报,以人物为主体,文字围绕着主体排列,同时用黑色色块承载促销信息,突出视觉效果,色块的统一性又不会影响后面的人物主体,男性海报字体也选用了稍粗的字形,我们将元素的分布区域用色块表现出来。

fba6eae6cb76bd23128d072461ec394e.png
28b00f656d9ddb73ad1c0277cab1dd84.png

促销类的海报特征看过之后,我们再来看下时尚海报类的特征,主标题字体选用了Didot系列的字体,字形具有现代感,模特衣着造型也具备时尚感,下面一张是胡歌和霍建华的时尚芭莎杂志封面,可以看出他们的主标题字形也是Didot系列的字体,我们用色块把层级划分出来。

2812218a24ed9806965d087c86573968.png
d022d0d9855316a0fcc91aa13e9aa78c.png

再来看一下横版banner的促销海报,banner中文字一般比较少,编排上对文字之间的层级关系要求就比较高,这张是左字右图,左侧英文主标占比重最大,相应的中文变小做出层级对比,用白底承载主要信息,做出内外空间,最后加上小段英文点缀下,整个画面比较简洁。

d6d69e58c000ce629a5db81561befdf7.png

看了上面的海报,是不是发现一个共同特点,模特都很好看(哈哈)。现在我们来用双十二女装海报做个案例演示,看看时尚女装促销类的海报具体的设计思路。

85e703a193d332d5fd028d89af3ecb19.png

这里我整理了关于促销海报的文案,进行简单的层级划分,分列出主标题与内文信息。

fb52c3cd46fdb9cfb460702b405aa566.png

根据刚才的案例分析,先去网上下载个模特的素材,找一个比较时尚的模特放到画面中。

e78efa8d6d624d6ca96eeaaac7b5c2c1.png

根据主体的特征,竖长型的,人物的趋势与扭头的动作,显然适合放在画面偏右的位置,那么我们先确认主标题与人物的大致位置。

ae9f379b95ef294134a6083214f66c32.png

接下来主标题的字体选用思源宋体,同时翻译成英文用Didot字体表现时尚现代感,进行中英文大小对比。

9472739b794608692b78a491eaeac980.png

将人物与标题都放到画面中,利用错位确定它们的位置关系,进行前后叠压,大家要学会使用叠压的手法,简单但是很出效果。

902f1cba795e592c3570d90cc1ee626c.png

接下来依次对剩余的信息进行符号化处理,字体相应的也选用思源宋体。

783b2cc0f5b580b583dec3635d553275.png

来看画面中还有哪些空间可以承载这些信息,用灰色块标出来,然后把剩余信息放到画面中。

4297e7589316713e2bddf33d21afed02.png

现在看画面是不是比较平稳,这时候教大家一个技巧,我们将信息进行旋转,再加上一个外框和白色的底块承载信息,做出内外空间,破图效果。

504c66f63b001c3ca1292bee447824d8.png

最后就是色彩搭配,这里我们用淡紫色和灰色两种主色调做两个效果,最后我们翻译个小英文,再加一些倾斜的线条和代表时尚的小圆点去丰富画面,整个设计就做完了。

2a0810f7ad953a5cc19cab2c8c8286ae.png

噔噔噔噔~附上两个海报样机效果图。

b92d3287f01d0f946d251f892de84bb1.png

总结一下,日常我们收集好作品的时候,要经常去鉴赏好作品,才能深化印象,看看好的作品是如何划分空间,划分层级关系的,同时了解主标题与主体之间的组合方式,如何结合主体特征去处理空间问题。相信在大家日积月累,多思考,多练习的过程中,也能做出优秀的版式设计。

文中用到的字体有:Didot HTF-L06-Light 思源宋体

09253bb275eff220a2c32d9c8b619c65.png

ps:图片来源于网络,版权归原作者,侵权必删

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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