html、css

一、常用标签
    <!--注释的内容-->

    <!--标题标签:6个级别-->
    <h1>一级标题</h1>
    <h2>二级标题</h2>
    <h3>二级标题</h3>
    <h6>六级标题</h6>
    <!--常用标签-->
    <p>段落标签p,用来存放一大段文字</p>
    <div>做前端布局最最常用的标签,div里面可以放任意内容,任意标签</div>
    <span>经常用来存放几个文字、小图片等</span>

    <br>  换行符号

二、常用的文字控制属性

    color:red; 文字颜色
    font-size:30px;  文字大小
    font-family:"宋体"; 文字类型
    font-weight:bold;  文字加粗
    font-style:italic;  文字倾斜
    text-decoration:underline;  设置下划线
    line-height:26px;   设置行高
    text-indent:2em;    首行缩进两个单位

    三个去掉默认样式:
    font-weight: normal;    文字不加粗
    font-style: normal;     文字不倾斜
    font-decoration: none;  文字没有下划线

三、边框属性
    四个方向的边框:边框粗细 实线/虚线 颜色
    border: 5px solider/dash #000

    四个方向设置边框:
    border-top: 5px solider #000
    border-left:
    border-right:
    border-bottom:

四、列表标签
    1、无序
        <ul>
            <li></li>
        </ul>

    2、有序
        <ol>
            <li></li>
        <ol>

    3、项目列表
        <dl>
            <dt></dt>
            <dd></dd>
            <dd></dd>
            <dd></dd>
        </dl>

    在css中去掉默认样式(列表样式):
        ul{
            list-style: none;
        }

五、表单(写在表单内的元素才能提交到服务器)
    1、表单区域:
        <form action="要提交到的地址" method="post"></form>

    2、文本框:
        <input type="text" placeholder="请输入用户名">
        <input type="password" placeholder="请输入密码">

    3、提交按钮
        <input type="submit" value="注册">

    4、普通按钮
        <input type="button" value="普通按钮">

    5、重置按钮
        <input type="reset" value="重置">

    6、单选框
        <input type="radio" name="sex" id="man"><label for="man">男</label>
        注意: 1、要实现单选所有文本的name必须相同;
              2、要实现点字也能选,文本中必须有id属性,label中的for属性一定要等于id属性的值(文字写在label内);
              3、默认选中,文本中加上checked

    7、下拉菜单:
        <select>
            <option value="北京">北京</option>
            <option value="广州" selected>广州</option>
        </select>

    8、上传文件:
        <input type="file">

    9、文本域:
        <textarea><textarea>

六、盒子实际尺寸的计算:width+padding+border
    box-sizing:border-box:加上这个样式,盒子的尺寸就固定了

七、文字居中
    1、水平居中:text-align:center;
    2、垂直居中:行高等于字体的大小;

八、盒子水平居中:margin: 0 auto
    margin-left给负值,盒子会向左偏移

九、盒子隐藏与显示
    display: none;   /*隐藏之后不占位*/
    display: block;  /*对应的盒子显示*/

十、盒子内容溢出处理
    1、overflow:visible;默认值。会呈现在盒子之外;
    2、overflow:hidden; 隐藏;
    3、overflow:scroll; 有没有超出都有滚动条
    4、overflow:auto;自调节滚动条

十一、表格标签
     <!--table  表格整体标签-->
     <!--tr  行标签,一个tr表示一行-->
     <!--td  单元格标签,一个td表示一个单元格-->

        <table>
            <tr>
                <td>1-1</td>
                <td>1-2</td>
                <td>1-3</td>
            </tr>
            <tr>
                <td>2-1</td>
                <td>2-2</td>
                <td>2-3</td>
            </tr>
        </table>

        /*设置表格边框折叠*/
        border-collapse:collapse;

        table:大盒子要加边框(大小可调节)
        td:小盒子要加边框(撑满)

        td的标签属性(column列,row行)
        <td colspan="2">1-1</td>  <!--理解成跨了两列,对应删除1-2-->
        <td rowspan="2">1-3</td>  <!--理解成跨了两行,对应删除2-3-->

十二、定位(要配合top、lef等方向属性来使用,子绝父相)
    1、相对定位:position:relative;   以当前位置的左上角为起点(占位)

    2、绝对定位:position:absolute;   以父级的左上角为起点(不占位)

    3、固定定位:position:fixed;      以界面的左上角为起点(不占位)
        定位居中:
            position: fixed;
            right: 50%;
            top: 50%;
            width: 600px;
            height: 600px;
            margin-right: -300px;
            margin-top: -300px;
        盒子居中:
            margin: 0 auto;


十三、css权重
    权重:
        标签选择器 < 类选择器< id选择器 < 行内样式

  • 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
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