2021-03-22

1.vue项目初始化

在这里插入图片描述

  • 在cmd里面输入vue ui ,打开可视化,选择项目的存放路径 => 填写项目名称 => 填初始化git仓库信息 init project => 预设面板 可以使用原先保存好的,也可以手动创建 => 功能面板 选择安装哪些功能[ Babel . Router . Linter/Formatter . 使用配置文件 ] => 配置面板 关上第一条(是否使用历史模式的路由) , 第二项选择EsLint+Standard config(标准的配置文件) , 第三项选择 lint on save
  • 安装 Element-UI组件库 选择可视化面板里面的插件 => 添加插件 vue-cli-plugin-element 目前版本是1.0.1 =>配置插件
    在这里插入图片描述
  • 配置axios 库 依赖 => 安装依赖 =>axios 0.18.0 运行依赖

登录界面

(1).渲染login组件并实现路由重定向
  • 在compontents 里面新增Login.vue组件 => 在router.js里面导入Login组件
    在这里插入图片描述
  • 在APP根组件中放路由占位符 <router-view></router-view>
(2).设置背景色并在屏幕中央绘制登陆盒子

在这里插入图片描述

  • 如果没有less-loader就在开发依赖里面安装 less-loader(4.1.0) & less(3.9.0) 再重新启动项目
  • 在src的assets文件夹里面新建一个css文件夹=>global.css全局样式文件
    在这里插入图片描述
  • 在main.js里面要导入全局样式
    在这里插入图片描述
  • 页面背景色
    在这里插入图片描述
  • 中间的白色盒子/头像区域
    在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

  • 登录表单区域
    在这里插入图片描述
    在这里插入图片描述
(3).配置axios发起登录请求

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

(4).路由导航首守卫

在这里插入图片描述
在这里插入图片描述

(5).实现退出

在这里插入图片描述

(6).eslink报分号和双引号错误解决方法

在src里面新建 .prettierrc文件
{ "semi":false, "singleQuote":true }

主页布局

(1.)axios 请求拦截 [接口要求 :需要授权的API 必须在请求头中使用 Authorization 字段提供的 token 令牌 ]

在这里插入图片描述

(2).文本间隔效果从||| 变成| | |

在这里插入图片描述

(3).渲染系统左侧菜单栏

在这里插入图片描述
在这里插入图片描述
效果高亮变成蓝色
在这里插入图片描述
<el-menu>上有个属性active-text-color = “#CCC”
每次只展开一个菜单项,有个属性,看文档
菜单边框对不齐是因为有个灰色的边框线,去掉就行了
1.菜单的折叠展开功能
在这里插入图片描述

laXhpbl80OTQ5OTg3NQ==,size_16,color_FFFFFF,t_70)

在这里插入图片描述
点击折叠,需要在el-menu上面绑定属性
在这里插入图片描述
在data里面定义isCollapse为false,再在事件中写取反
在这里插入图片描述
这时候折叠有个动画效果,在文档中el-menu有个关闭折叠动画的属性
动态改变侧边栏的宽
在这里插入图片描述
路由重定向 一登陆在Home页面中展示Welcome页面组件
1.在components中创建welcome页面组件
2.在router.js中去定义路由,
在这里插入图片描述
在这里插入图片描述

(4)实现侧边栏路由链接的改造

1.给el-menu加属性
在这里插入图片描述
2.把path作为路径,但是路由要加斜线
在这里插入图片描述

(5)点击用户列表展示用户列表组件

在这里插入图片描述

在这里插入图片描述

(6)侧边栏的激活状态(高亮蓝色)

在sessionStorage中保存左侧菜单的激活状态,刷新的时候从sessionStorage中取出来
在这里插入图片描述
在二级菜单中绑定一个点击事件,index的在这里插入图片描述
在这里插入图片描述
保存链接的激活状态方法里面,同时还要给data里面的activePath赋值
在data中保存被激活状态
在这里插入图片描述
再在属性后面赋值保存的
在这里插入图片描述
初始化的时候调用
在这里插入图片描述

l

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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