账龄分析表excel模板_这种高端表格模板你会做吗?Excel制作带照片的员工信息查询表...

作者汪汪琪 转自Word联盟

今天,教大家用Excel制作一份带照片的员工信息查询表。只需输入员工的姓名,就能显示对应员工的详细信息以及照片,使用起来非常方便。
效果演示

1473e4556b9438fec1c12b6cb34de479.gif

前期准备

在Sheet1中我制作好的没有添加信息的模板,Sheet2中是录入好的人员信息以及对应的照片。文章底部,会提供素材模板下载,方便大家练习。

7dca6324ddf224179e865c6f2588a3d9.gif

开始制作

1、选中C13单元格,使用VLOOKUP函数。

公式「=VLOOKUP(F4,Sheet2!B2:Q11,2,0)」

说明:

Lookup_value:要查找的值;这里我们查找的是姓名,通过对应姓名找到其他信息。
Table_array:区域;通过上面的目标,在哪个区域内查找!这里,我们选定区域是Sheet2中的B2:Q11。
Col_index_num:返回的值在查找区域中的第几列?如果查工号那就是第二列,也就是2。
Range_lookup:TRUE = 模糊匹配 = 1;FALSE = 精确匹配 = 0 ;用精 确匹配。

大家按照上述方法将其他空白区域填充正确的函数。

4e9772e1fd78054bf2cdbb83f91e8d28.gif

2、然后将光标定位到任意单元格,进入「公式」-「定义的名称」-「定义名称」,在「名称」中输入「照片」;「引用位置」中输入「=INDIRECT("Sheet2!$R$"&MATCH(Sheet1!$F$4,Sheet2!$B:$B,0))」。

479bf3920b3436875ad3990a48633f10.gif

3、进入「文件」-「选项」-「快速访问工具了」,在「不在功能区中的命令」中找到「照相机」,点击“添加”,确定。此时,我们就可以看到快速访问工具栏上就会多出一个照相机图标。

5d0bc218d8792c05e74e5aff248fa6f2.gif

4、进入“Sheet2”中,然后将光标定位到“S2”单元格,按一下方向键的“向左箭头”,此时我们就选中了R2单元格,然后点击一下刚刚添加的“照相机”。然后回到“Sheet1”中,在照片区域上拖出照片,再在“编辑栏”输入“=照片”后回车。


4fcad22f65defe507b43a970cb5a4415.gif

5、拖出来的照片边框会有黑色,而且边上还有多余的东西。大家可以右键选择照片,「设置图片格式」,将「线条」中选择为「无线条」;然后使用裁剪功能,将周围多余的东西裁剪掉就行了。

3a3c11576ee218bb0b80cea91e612a52.gif
  • 0
    点赞
  • 1
    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),示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),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,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示TP与预测边界框数量的比值 Recall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