绘制矢量花束技巧讲解(下)

其实小编是不愿意出下部的,但为了体现小编的专(zhuang)业(bi)程度,小编精心的把剩下的步骤发出来了,绘制到一半的赶紧来学吧。

STEP 09
花束的布局中比较集中的部分我们已经完成了,还需要一些“外围”细节。

让我们利用符号工具来绘制第一个外围细节——散落的蓝色小花。先利用铅笔工具绘制出一朵浅蓝色的花朵,这是一个非常简单的造型。将这个图案拖入到“符号”面板中,将弹出一个新增符号的参数选项框,设置好相应的参数,点击确定后,就可以利用工具栏中的“符号喷枪工具”在相应的位置进行“涂抹”绘制。可以看到符号喷枪工具下方的一系列“移位”“缩放”“旋转”等工具都能群体操作这一组所绘制的符号,要让最终效果表现自然,你不能让这些花朵都呈现出完全相似的样子。

STEP 10
利用同样的方式,我们继续创建新的符号,用符号喷枪工具完成其他的周边细节的绘制。完成绘制后的符号可以进行扩展,扩展成为路径后,还能进行大小位置的修改,这个过程是非常灵活自由的。

营造这种小细节云集起来的感染力量,符号喷枪工具是最方便快捷的。

STEP 11
接下,我们继续添加绿叶和花瓣,但这里的绿叶和花瓣将是以“飘散”的方式围绕整个花束。因此,这里在绘制这些绿叶的时候,比起一片片进行绘制来说,更快捷的方式是利用艺术画笔工具。

最开始就像准备符号一样,让我们用铅笔工具画出叶片和花瓣。然后将其分别拖入到画笔面板中,弹出创建画笔类型选择为“艺术画笔”,对艺术画笔的选项参数进行设置,需要注意的是宽度可以选择“压力”,最小值和最大值都进行调整,并点击确定。

STEP 12
设置好艺术画笔后,就可以选用花瓣的画笔绘制出散落的花瓣。每一笔就能画出一片花瓣,而花瓣的形状外形将根据你的画笔走势来表现。

STEP 13
散落的叶片要比围绕花朵的叶片要小一些,而也呈现“飘散”的动态美感。选中准备好的叶片的画笔,继续绘制出叶片的造型。

这些用艺术画笔创作的图案也要进行“扩展”,扩展成为路径后可以再继续调整它们的位置大小关系。

嵌入文字

要让文字呈现出一种嵌入的效果,就像刚刚我们所讲到的,关键点在于藤蔓的细节。

STEP 14
先用文字工具写出“born as flowers”的文字,排列成为三行,并居中显示。字体我运用的Lobster,连体字形更能很好的和藤蔓的外形关系结合起来。

STEP 15
选中文字进行“创建轮廓”,将创建的文字轮廓再复制一次,粘贴于原有文字的下方,将下方的文字填充为热情的红色。然后利用键盘的方向箭头,对其进行向右方和下方移动3个像素,这样就能凸显出文字的深度。

STEP 16
在增加文字的阴影,选中红色的文字那个路径对象,进入【效果>风格化>投影】,投影的参数设置如下。投影设置好后,我们可以隐隐看到了淡淡的投影。但这并没有结束,接下,我们将这个应用了投影的对象进行扩展外观,并取消编组,这时,这个淡淡的黑色投影将和原有对象分离为两个对象,而将这个红色的文字和之前白色的文字合并为一个组。这是为了接下嵌入文字的方便。

STEP 17
嵌入文字可以说也是一项很繁琐的工序,你需要把文字对象不断来回拆分重组,利用层次关系甚至是形状生成工具进行细微的调整。总的来说,你要让整个画面看上去“合理”。文字遮挡的部分隐没于花束中,空间上的层次要分明。

最终的效果如下:

矢量花束已经制作完成了,小编讲的是不是很仔细呢?如果喜欢的话赶紧自己行动起来吧,多看不如多做,或者你也可以一键下载大师助手APP,都不用自己再画了,多方便,没错,小编今天是来认真(da)教(guang)学(gao)的,不然怎么结束语都一样呢!!!!

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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