box

vagrant使用小结 最近公司用了vagrant的虚拟镜像服务,感觉挺不错的.在此仅记录使用方法. 优点：我们可以通过 Vagrant 封装一个 Linux 的开发环境，分发给团队成员。成员可以在自己喜欢的桌面系统（Mac/Windows/Linux）上开发程序，代码却能统一在封装好的环境里运行，非常霸气. 主要是看重它可以让开发人员在同样开发环境下开发，这样避免每个开发人员因为开发环境不一样导致最后代码上线的一些问题. 缺点：需要提前配置好一个满足开发条件的一些环境.（这个过程其实玩liunx的人，都会，对于不会的人来说，这就是缺点咯.） 本文后面提到的centos-6.5-x86_64-base.box,是centos-6.5的系统，在里面我已经预装了php apache nginx nodejs等等满足程序运行的环境。 下面使用步骤： 1、下载vagrant和VirtualBox vagrant 下载地址： http://www.vagrantup.com/downloads.html VirtualBox下载地址： https://www.virtualbox.org/wiki/Downloads box镜像文件，本文举例子的box文件（centos-6.5-x86_64-base.box，因为源文件太大，就不传了） 2、安装Vagrant 和 VirtualBox 3

最新开发遇到一个弹框，弹框中间有两个内凹的半圆，而且还是透明的，不能遮挡到底层的内容。基于这个需求，找到了一个比较好的实现方法。 先上一下demo效果图： 实现这个效果主要是用了background-image 结合径向渐变radial-gradient。 示例： background-image: radial-gradient(circle 10px at 0 100%, transparent 50px, red 50%); 而对于径向渐变，主要是3个参数控制。 一个是原点和大小。大小类似border-radius的感觉，原点使用at表示可以指定点的坐标，或使用left、right、top、bottom来表示。 其次是两个颜色和透明度、大小等。这里50px或百分比，亲测第一个只有50才是半圆角，而第二个50%貌似影响不大。 下面是代码： <style> p{ margin:0; padding:0; } .top-box{ width:100%; height:200px; background: red; position: relative; margin-bottom:20px; border-radius: 4px 4px 0 0; } .bottom-box{ width:100%; height:100px; background: #fff; position:

目前，几乎所有流行的通用目标检测方法，如经典的两步方法Faster-RCNN，一步方法SSD和YOLO等，都需要根据经验设计不同尺度（可以看成是物体面积）和高宽比的anchor box（有的方法中叫做default box或prior box）。实际上，anchor box是一系列经过设计的、尺寸不同的物体边框。一般情况下，如果我们需要在模型中某层特征图上检测某个特定尺度的物体，可以先为anchor box固定一个面积S，然后变换anchor box的宽、高比，如1:3，1:2，1:1，2:1，3:1（一般会增加一个1:1 的框），从而得到6个尺度的anchor box，最后使用经典的sliding window（滑窗·）的方法得到特征图上每个位置的anchor box。如果该层特征图的尺寸为H×W，总共会产生H×W×6个anchor box（6个尺度）。 图1.SSD中设计的anchor box。(a) 训练集中物体真实边框（蓝色和红色实线）。(b)考虑到接收域，面积较小的物体在较大的特征图中匹配到相应的anchor box（蓝色虚线）。(c)较大的物体在较小的特征图中匹配到相应的anchor box（红色虚线）。 在模型训练时，对于训练集中某类物体的某个样例，选择一个与其交叉面积（IoU）最大的anchor box作为基准点，这个anchor

< style > #box { width : 100 px ; height : 100 px ; background - color : bisque ; border - radius : 50 % ; position : absolute ; } < / style > < body > < div id = "box" style = "left:100px; top:100px" > < / div > < div id = "box2" > < / div > < script > { let box = document . querySelector ( "#box" ) ; let starMouse = { } ; let startEl = { } ; // console.log(getComputedStyle(box)); //获取和设置 元素移动的值 function css ( el , attr , val ) { //获取元素的值 if ( val === undefined ) { //getComputedStyle(el): 会返回指定元素的所有style, 返回值是对象类型 return parseFloat ( getComputedStyle ( el ) [ attr ] ) ; } //设置元素的值 el . style

generator_output = next ( self . _generator ) File "train.py" , line 175 , in data_generator image , box = get_random_data ( annotation_lines [ i ] , input_shape , random = True ) File "F:\yolo\keras-yolo3-voc\yolo3\utils.py" , line 109 , in get_random_data box [ : , [ 0 , 2 ] ] = box [ : , [ 0 , 2 ] ] * nw / iw + dx IndexError : too many indices for array 关于Keras实现yolo v3的数据集错误 在文件夹的根目录中，运行voc_annotation.py文件会生成yolo格式对应的数据集格式，生成2007_train,2007_val,2007_trainval三个文件。 但是我在没有改变voc_annotation.py源代码的情况下生成了三个文件。但是打开其中的2007_train.txt文件会发现，有的图片后面并没有bbox数据，像这样 刚开始我以为是不是代码有些bug.我自己手动把bbox的信息手动添加上了！！！

YOLO( Y ou O nly L ook O nce)是一个流行的目标检测方法，和Faster RCNN等state of the art方法比起来，主打检测速度快。截止到目前为止（2017年2月初），YOLO已经发布了两个版本，在下文中分别称为 YOLO V1 和 YOLO V2 。YOLO V2的代码目前作为 Darknet 的一部分开源在 GitHub 。在这篇博客中，记录了阅读YOLO两个版本论文中的重点内容，并着重总结V2版本的改进。 Update@2018/04: YOLO v3 已经发布！可以参考我的博客 论文 - YOLO v3 。 YOLO V1 这里不妨把YOLO V1论文 “You Only Look Once: Unitied, Real-Time Object Detection” 的摘要部分意译如下： 我们提出了一种新的物体检测方法YOLO。之前的目标检测方法大多把分类器重新调整用于检测（这里应该是在说以前的方法大多将检测问题看做分类问题，使用滑动窗提取特征并使用分类器进行分类）。我们将检测问题看做回归，分别给出bounding box的位置和对应的类别概率。对于给定输入图像，只需使用CNN网络计算一次，就同时给出bounding box位置和类别概率。由于整个pipeline都是同一个网络，所以很容易进行端到端的训练。 YOLO相当快。base

Box和Dropbox都是基于云的内容管理和文件共享系统，专门为企业和企业设计，可将其文档和文件安全地存储在一个中央位置，以便他们可以随时随地共享它们。尽管它们属于不同的公司，但它们具有类似的产品：基于云的存储，跨设备的无缝同步以及安全共享。当然，它们有很多共同点，但Dropbox的主要目的是为个人管理云中的文件，而Box则更注重企业，主要针对企业。两家公司都有一些值得注意的差异，但主要差异在于您访问文件的方式。 什么是Box？ Box是基于云的文件存储和文件共享服务，可为个人和企业提供易于使用的云存储解决方案和协作工具。Box最初由Aaron Levie于2004年作为大学产品开发，并于2005年正式推出，并迅速发展成为面向企业的产品，在全球拥有3700万用户。Box于2015年初在纽交所进行了首次公开募股，此后便取得了显着增 什么是Dropbox？ Dropbox由Drew Houston和Arash Ferdowsi于2007年创立，是一家内容管理和文件共享服务，该公司蓬勃发展，创建了一个协作工作区，可将所有文件和文档集中在一个中央位置。它允许用户上传视频，文档和其他内容以进行备份存储。您在Dropbox上添加的所有内容都会自动与您的Dropbox帐户同步，从而使您可以从任何位置从多个设备访问内容。 Box和Dropbox之间的区别 基本的 Box是一家云存储公司

boolean_mask(a,b) 将使a (m维)矩阵仅保留与b中“True”元素同下标的部分。使用tf.boolean_mask用来过滤概率值比较低的锚盒，这个函数的一个参数b为滤波器掩模，生成掩模要用到逻辑表达式（>或者<）生成布尔值，假设阈值threshold=C，并且当mask和tensor的维度相同时，输出1维矩阵 def yolo_filter_boxes ( box_confidence , boxes , box_class_probs , threshold = 0.6 ) : #第一步：计算锚框得分 box_scores = box_confidence * box_class_probs #找到最大锚框 box_classes = K . argmax ( box_scores , axis = - 1 ) box_class_scores = K . max ( box_scores , axis = - 1 ) #第三步：根据阈值创建掩码 filtering_mask = ( box_class_scores >= threshold ) #对scores, boxes 以及 classes使用掩码 scores = tf . boolean_mask ( box_class_scores , filtering_mask ) boxes = tf .

IOU代码 import numpy as np def iou ( box , boxes , isMin = False ) : #框的格式定义为：[X1,Y1,X2,Y2,C]。一个框和一堆框做比较。为了区分交集是与并集作比较还是和最小面积做比较，先将最小面积赋予默认值0. #计算每个框的面积 box_area = ( box [ 2 ] - box [ 0 ] ) * ( box [ 3 ] - box [ 1 ] ) #先计算box的面积。一个框的面积计算：（X2-X1）*（Y2-Y1）。索引拿到坐标值：（box[2]-box[0]）*（box[3]-box[1]） boxes_area = ( boxes [ : , 2 ] - boxes [ : , 0 ] ) * ( boxes [ : , 3 ] - boxes [ : , 1 ] ) #一堆框的格式：[[],[],[],[],[],...] #计算交集面积 xx1 = np . maximum ( box [ 0 ] , boxes [ : , 0 ] ) #左上角X。交集左上角点坐标：两个相交原框中左上角X和Y各自取较大值，作为交集左上角坐标。用于比较的框的左上角x值：box[0];被比较的框的左上角x值：boxes[0]。去两者较大值。 yy1 = np . maximum ( box [ 1 ] ,

DOM事件0~3 　　不同级别的DOM事件因其实现方式不同，都有自己的特性。 　　0级：是在dom元素上提供相关事件类型属性，js程序可以通过这些特定类型的属性注册事件处理程序。 　　　　特性：一个元素同种类型的事件只能注册一个事件处理程序。 // 可以通过内联 和元素节点的相关属性注册事件处理程序 <div class="box" onclick="alert('box被点击了')" >x</div> document.getElementsByClassName("box")[0].onclick=function(){ 　　console.log("hello box"); } 　　1级：根本就没有。 　　2级：在DOM元素上提供了一个通用的方法，为调用元素注册指定类型的事件处理函数，并可指定事件传播方式。大部分浏览器：addeventListener(event,listener,useCaptrue) IE11以下：attachEvent(event,listener) 　　　　特性：同一个元素上的同类型事件可以注册多个处理函数。事件触发时按照注册顺序触发。 　　3级：是对2级的拓展。 来源： https://www.cnblogs.com/keliguicang/p/10994363.html