手机APP欧米香:美食在线点餐设计揭秘与关键技术

需积分: 50 2 下载量 23 浏览量 更新于2024-06-30 2 收藏 3.19MB DOCX 举报
"手机移动端UI前端在线点餐美食欧米香APP的设计与制作是一份针对美食领域进行创新和实用性的应用软件设计文档。该文档首先强调了美食在现代生活中的重要性,随着生活水平的提升和移动互联网的发展,手机APP成为人们获取美食信息、下订单的重要渠道,特别是在快节奏生活中,美食类APP如欧米香APP起到了便捷生活的角色。 在设计原则部分,文档遵循了图形界面设计的关键准则,如一致性(确保用户界面在整个应用中的视觉风格和行为一致)、简洁性(避免过多复杂的元素,提供直观易懂的交互)和易检索性(使用户能够快速找到所需功能)。设计时还需考虑避免文本输入的繁琐,提供及时的软件反馈,并注重界面元素的清晰、简洁、熟悉感、响应性、一致性和美观性。 章节详细描述了菜单、按钮、文字显示等设计要素,强调了这些元素如何影响用户体验。例如,菜单需要清晰地展示菜品分类,按钮设计应直观易操作,文字则需准确传达信息且易于阅读。图标与图像的设计遵循最少记忆项目原则和操作序列完整性,以帮助用户快速理解和操作。 文档还特别关注了页面设计,包括启动页面、首页、详细页面、动态页面和直播页面,以及关注页面,每个页面都有其特定的功能和目标,共同构建出一个流畅、连贯的用户体验。总结部分回顾了整个设计过程,而致谢和参考文献则展示了作者对各方支持的感谢以及研究的来源。 该文档的关键词包括创意设计、美食、精细分类和送货上门,突显了欧米香APP不仅提供美食信息,还注重个性化服务和用户体验的提升。整体来看,这份文档不仅涵盖了UI设计的基础理论,还深入探讨了移动前端开发在美食类APP中的实践应用,对于美食爱好者和APP开发者来说,具有很高的实用价值。"
2024-09-06 上传
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