轻量化YOLOv7系列：结合G-GhostNet | 适配GPU，华为诺亚提出G-Ghost方案升级GhostNet

在这里插入图片描述

轻量化YOLOv7系列：结合G-GhostNet | 适配GPU，华为诺亚提出G-Ghost方案升级GhostNet

  • 需要修改的代码
    • models/GGhostRegNet.py代码
  • 创建yaml文件
  • 测试是否创建成功

  本文提供了改进 YOLOv7注意力系列包含不同的注意力机制以及多种加入方式，在本文中具有完整的代码和包含多种更有效加入YOLOv8中的yaml结构，读者可以获取到注意力加入的代码和使用经验，总有一种适合你和你的数据集。

🗝️YOLOv7实战宝典--星级指南：从入门到精通，您不可错过的技巧

  -- 聚焦于YOLO的 最新版本， 对颈部网络改进、添加局部注意力、增加检测头部，实测涨点

💡 深入浅出YOLOv7：我的专业笔记与技术总结

  -- YOLOv7轻松上手， 适用技术小白，文章代码齐全，仅需 一键train，解决 YOLOv7的技术突破和创新潜能

❤️ YOLOv8创新攻略：突破技术瓶颈，激发AI新潜能"

   -- 指导独特且专业的分析， 也支持对YOLOv3、YOLOv4、YOLOv5、YOLOv6等网络的修改

🎈 改进YOLOv7专栏内容《YOLOv7实战宝典》📖 ，改进点包括：    替换多种骨干网络/轻量化网络， 添加40多种注意力， 包含自注意力/上下文注意力/自顶向下注意力机制/空间通道注意力/，设计不同的网络结构，助力涨点！！！

在这里插入图片描述

  YOLOv7注意力系列包含不同的注意力机制

需要修改的代码

models/GGhostRegNet.py代码

  1. 新建这个文件，放入网络代码
import torch
import torch.nn as nn
import torch.nn.functional as F
def conv3x3(in_planes, out_planes, stride=1, groups=1, dilation=1):"""3x3 convolution with padding"""return nn.Conv2d(in_planes, out_planes, kernel_size=3, stride=stride,padding=dilation, groups=groups, bias=False, dilation=dilation)def conv1x1(in_planes, out_planes, stride=1):"""1x1 convolution"""return nn.Conv2d(in_planes, out_planes, kernel_size=1, stride=stride, bias=False)class GHOSTBottleneck(nn.Module):expansion = 1__constants__ = ['downsample']def __init__(self, inplanes, planes, stride=1, downsample=None, group_width=1,dilation=1, norm_layer=None):super(GHOSTBottleneck, self).__init__()if norm_layer is None:norm_layer = nn.BatchNorm2dwidth = planes * self.expansion# Both self.conv2 and self.downsample layers downsample the input when stride != 1self.conv1 = conv1x1(inplanes, width)self.bn1 = norm_layer(width)self.conv2 = conv3x3(width, width, stride, width // min(width, group_width), dilation)self.bn2 = norm_layer(width)self.conv3 = conv1x1(width, planes)self.bn3 = norm_layer(planes)self.relu = nn.SiLU(inplace=True)self.downsample = downsampleself.stride = stridedef forward(self, x):identity = xout = self.conv1(x)out = self.bn1(out)out = self.relu(out)out = self.conv2(out)out = self.bn2(out)out = self.relu(out)out = self.conv3(out)out = self.bn3(out)if self.downsample is not None:identity = self.downsample(x)out += identityout = self.relu(out)return out# class LambdaLayer(nn.Module):
#     def __init__(self, lambd):
#         super(LambdaLayer, self).__init__()
#         self.lambd = lambd
#
#     def forward(self, x):
#         return self.lambd(x)class Stage(nn.Module):def __init__(self, block, inplanes, planes, group_width, blocks, stride=1, dilate=False, cheap_ratio=0.5):super(Stage, self).__init__()norm_layer = nn.BatchNorm2ddownsample = Noneself.dilation = 1previous_dilation = self.dilationself.inplanes = inplanesif dilate:self.dilation *= stridestride = 1if stride != 1 or self.inplanes != planes:downsample = nn.Sequential(conv1x1(inplanes, planes, stride),norm_layer(planes),)self.base = block(inplanes, planes, stride, downsample, group_width,previous_dilation, norm_layer)self.end = block(planes, planes, group_width=group_width,dilation=self.dilation,norm_layer=norm_layer)group_width = int(group_width * 0.75)raw_planes = int(planes * (1 - cheap_ratio) / group_width) * group_widthcheap_planes = planes - raw_planesself.cheap_planes = cheap_planesself.raw_planes = raw_planesself.merge = nn.Sequential(nn.AdaptiveAvgPool2d(1),nn.Conv2d(planes + raw_planes * (blocks - 2), cheap_planes,kernel_size=1, stride=1, bias=False),nn.BatchNorm2d(cheap_planes),nn.SiLU(inplace=True),nn.Conv2d(cheap_planes, cheap_planes, kernel_size=1, bias=False),nn.BatchNorm2d(cheap_planes),)self.cheap = nn.Sequential(nn.Conv2d(cheap_planes, cheap_planes,kernel_size=1, stride=1, bias=False),nn.BatchNorm2d(cheap_planes),)self.cheap_relu = nn.SiLU(inplace=True)layers = []# downsample = nn.Sequential(#     LambdaLayer(lambda x: x[:, :raw_planes])# )layers = []layers.append(block(raw_planes, raw_planes, 1, downsample, group_width,self.dilation, norm_layer))inplanes = raw_planesfor _ in range(2, blocks - 1):layers.append(block(inplanes, raw_planes, group_width=group_width,dilation=self.dilation,norm_layer=norm_layer))self.layers = nn.Sequential(*layers)def forward(self, input):x0 = self.base(input)m_list = [x0]e = x0[:, :self.raw_planes]for l in self.layers:e = l(e)m_list.append(e)m = torch.cat(m_list, 1)m = self.merge(m)c = x0[:, self.raw_planes:]c = self.cheap_relu(self.cheap(c) + m)x = torch.cat((e, c), 1)x = self.end(x)return xclass GGhostRegNet(nn.Module):def __init__(self, block, layers, widths, layer_number, num_classes=1000, zero_init_residual=True,group_width=8, replace_stride_with_dilation=None,norm_layer=None):super(GGhostRegNet, self).__init__()# ---------------------------------self.layer_number = layer_number# --------------------------------------if norm_layer is None:norm_layer = nn.BatchNorm2dself._norm_layer = norm_layerself.inplanes = widths[0]self.dilation = 1if replace_stride_with_dilation is None:# each element in the tuple indicates if we should replace# the 2x2 stride with a dilated convolution insteadreplace_stride_with_dilation = [False, False, False, False]if len(replace_stride_with_dilation) != 4:raise ValueError("replace_stride_with_dilation should be None ""or a 4-element tuple, got {}".format(replace_stride_with_dilation))self.group_width = group_width# self.conv1 = nn.Conv2d(3, self.inplanes, kernel_size=3, stride=2, padding=1,#                        bias=False)# self.bn1 = norm_layer(self.inplanes)# self.relu = nn.ReLU(inplace=True)if self.layer_number in [0]:self.layer1 = self._make_layer(block, widths[0], layers[0], stride=1,dilate=replace_stride_with_dilation[0])if self.layer_number in [1]:self.inplanes = widths[0]if layers[1] > 2:self.layer2 = Stage(block, self.inplanes, widths[1], group_width, layers[1], stride=1,dilate=replace_stride_with_dilation[1], cheap_ratio=0.5)else:self.layer2 = self._make_layer(block, widths[1], layers[1], stride=1,dilate=replace_stride_with_dilation[1])if self.layer_number in [2]:self.inplanes = widths[1]self.layer3 = Stage(block, self.inplanes, widths[2], group_width, layers[2], stride=1,dilate=replace_stride_with_dilation[2], cheap_ratio=0.5)if self.layer_number in [3]:self.inplanes = widths[2]if layers[3] > 2:self.layer4 = Stage(block, self.inplanes, widths[3], group_width, layers[3], stride=1,dilate=replace_stride_with_dilation[3], cheap_ratio=0.5)else:self.layer4 = self._make_layer(block, widths[3], layers[3], stride=1,dilate=replace_stride_with_dilation[3])# self.avgpool = nn.AdaptiveAvgPool2d((1, 1))# self.dropout = nn.Dropout(0.2)# self.fc = nn.Linear(widths[-1] * block.expansion, num_classes)for m in self.modules():if isinstance(m, nn.Conv2d):nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')elif isinstance(m, (nn.BatchNorm2d, nn.GroupNorm)):nn.init.constant_(m.weight, 1)nn.init.constant_(m.bias, 0)def _make_layer(self, block, planes, blocks, stride=1, dilate=False):norm_layer = self._norm_layerdownsample = Noneprevious_dilation = self.dilationif dilate:self.dilation *= stridestride = 1if stride != 1 or self.inplanes != planes:downsample = nn.Sequential(conv1x1(self.inplanes, planes, stride),norm_layer(planes),)layers = []layers.append(block(self.inplanes, planes, stride, downsample, self.group_width,previous_dilation, norm_layer))self.inplanes = planesfor _ in range(1, blocks):layers.append(block(self.inplanes, planes, group_width=self.group_width,dilation=self.dilation,norm_layer=norm_layer))return nn.Sequential(*layers)def _forward_impl(self, x):if self.layer_number in [0]:x = self.layer1(x)if self.layer_number in [1]:x = self.layer2(x)if self.layer_number in [2]:x = self.layer3(x)if self.layer_number in [3]:x = self.layer4(x)return xdef forward(self, x):return self._forward_impl(x)

在这里插入图片描述

  1. yolo里引用
    在这里插入图片描述

在这里插入图片描述

创建yaml文件

# parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple# anchors
anchors:- [12,16, 19,36, 40,28]  # P3/8- [36,75, 76,55, 72,146]  # P4/16- [142,110, 192,243, 459,401]  # P5/32# yolov7_MY backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [32, 3, 1]],  # 0[-1, 1, Conv, [64, 3, 2]],  # 1-P1/2      [-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [128, 3, 2]],  # 3-P2/4  [-1, 1, Conv, [48, 1, 1]],
#   [-2, 1, Conv, [64, 1, 1]],
#   [-1, 1, Conv, [64, 3, 1]],
#   [-1, 1, Conv, [64, 3, 1]],
#   [-1, 1, Conv, [64, 3, 1]],
#   [-1, 1, Conv, [64, 3, 1]],
#   [[-1, -3, -5, -6], 1, Concat, [1]],
#   [-1, 1, Conv, [256, 1, 1]],  # 11[-1, 1, GGhostRegNet, [48, 0]], # 5[-1, 1, MP, []],[-1, 1, Conv, [48, 1, 1]],[-3, 1, Conv, [48, 1, 1]],[-1, 1, Conv, [48, 3, 2]],[[-1, -3], 1, Concat, [1]],  # 16-P3/8  [-1, 1, Conv, [96, 1, 1]],
#   [-2, 1, Conv, [128, 1, 1]],
#   [-1, 1, Conv, [128, 3, 1]],
#   [-1, 1, Conv, [128, 3, 1]],
#   [-1, 1, Conv, [128, 3, 1]],
#   [-1, 1, Conv, [128, 3, 1]],
#   [[-1, -3, -5, -6], 1, Concat, [1]],
#   [-1, 1, Conv, [512, 1, 1]],  # 24[-1, 3, GGhostRegNet, [96, 1]], # 12[-1, 1, MP, []],[-1, 1, Conv, [96, 1, 1]],[-3, 1, Conv, [96, 1, 1]],[-1, 1, Conv, [96, 3, 2]],[[-1, -3], 1, Concat, [1]],  # 29-P4/16  [-1, 1, Conv, [240, 1, 1]],
#   [-2, 1, Conv, [256, 1, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [[-1, -3, -5, -6], 1, Concat, [1]],
#   [-1, 1, Conv, [1024, 1, 1]],  # 37[-1, 5, GGhostRegNet, [240, 2]], # 19[-1, 1, MP, []],[-1, 1, Conv, [240, 1, 1]],[-3, 1, Conv, [240, 1, 1]],[-1, 1, Conv, [240, 3, 2]],[[-1, -3], 1, Concat, [1]],  # 42-P5/32  [-1, 1, Conv, [528, 1, 1]],
#   [-2, 1, Conv, [256, 1, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [[-1, -3, -5, -6], 1, Concat, [1]],
#   [-1, 1, Conv, [1024, 1, 1]],  # 50[-1, 7, GGhostRegNet, [528, 3]], # 26]# yolov7_MY head
head:[[-1, 1, SPPCSPC, [512]], # 27[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[19, 1, Conv, [256, 1, 1]], # route backbone P4[[-1, -2], 1, Concat, [1]],[-1, 1, Conv, [256, 1, 1]],[-2, 1, Conv, [256, 1, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [256, 1, 1]], # 39[-1, 1, Conv, [128, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[12, 1, Conv, [128, 1, 1]], # route backbone P3[[-1, -2], 1, Concat, [1]],[-1, 1, Conv, [128, 1, 1]],[-2, 1, Conv, [128, 1, 1]],[-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [64, 3, 1]],[-1, 1, Conv, [64, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [128, 1, 1]], # 51[-1, 1, MP, []],[-1, 1, Conv, [128, 1, 1]],[-3, 1, Conv, [128, 1, 1]],[-1, 1, Conv, [128, 3, 2]],[[-1, -3, 39], 1, Concat, [1]],[-1, 1, Conv, [256, 1, 1]],[-2, 1, Conv, [256, 1, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[-1, 1, Conv, [128, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [256, 1, 1]], # 64[-1, 1, MP, []],[-1, 1, Conv, [256, 1, 1]],[-3, 1, Conv, [256, 1, 1]],[-1, 1, Conv, [256, 3, 2]],[[-1, -3, 27], 1, Concat, [1]],[-1, 1, Conv, [512, 1, 1]],[-2, 1, Conv, [512, 1, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[-1, 1, Conv, [256, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, Conv, [512, 1, 1]], # 77[51, 1, RepConv, [256, 3, 1]],[64, 1, RepConv, [512, 3, 1]],[77, 1, RepConv, [1024, 3, 1]],[[78,79,80], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)]

测试是否创建成功

在这里插入图片描述

在这里插入图片描述

这里是引用

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/49894.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

pytest：4种方法实现 - 重复执行用例 - 展示迭代次数

pytest：4种方法实现 - 重复执行用例 - 展示迭代次数

简介：在软件测试中，我们经常需要重复执行测试用例，以确保代码的稳定性和可靠性。在本文中，我们将介绍四种方法来实现重复执行测试用例，并显示当前迭代次数和剩余执行次数。这些方法将帮助你更好地追踪测试执行过程&…
阅读更多...
【Java题解】以二进制加法的方式来计算两个内容为二进制数字的字符串相加的结果

【Java题解】以二进制加法的方式来计算两个内容为二进制数字的字符串相加的结果

🎉欢迎大家收看，请多多支持🌹 🥰关注小哇，和我一起成长🚀个人主页🚀 👑目录 分析：🚀 数字层面分析⭐ 字符串层面分析⭐ 代码及运行结果分析:&#x1f6…
阅读更多...
生活实用英语口语“拆迁”用英文怎么说？柯桥成人学英语到蓝天广场

生活实用英语口语“拆迁”用英文怎么说？柯桥成人学英语到蓝天广场

● 1. “拆迁”英语怎么说？ ● 01. 其实国外也有拆迁 但国外的拆迁，只管拆 不管安置，你爱去哪去哪 英文可以说 housing removal 02. 但我们中国的“拆迁” 既管“拆”也管“迁” （还是中国人幸福~） 英文可以说 housin…
阅读更多...
网络安全基础知识及安全意识培训（73页可编辑PPT）

网络安全基础知识及安全意识培训（73页可编辑PPT）

引言：在当今数字化时代，网络安全已成为企业和个人不可忽视的重要议题。随着互联网的普及和技术的飞速发展，网络威胁日益复杂多变，从简单的病毒传播到高级持续性威胁（APT）、勒索软件攻击、数据泄露等&#x…
阅读更多...
【Python】Facebook开源时间序列数据预测模型Prophet

【Python】Facebook开源时间序列数据预测模型Prophet

文章目录 一、简介二、项目的文件解读三、Prophet类主要方法和参数3.1 主要参数3.2 主要方法 四、用法示例 一、简介 Prophet 是由 Facebook 开发的一个开源工具，用于时间序列数据的预测。它特别适用于处理具有强季节性和趋势的时间序列数据，并且对节假…
阅读更多...
09-软件易用性

09-软件易用性

易用性是用户体验的一个重要方面，网站建设者一般会沉溺于自己的思维习惯，而造成用户使用的不畅。易用性不仅是专业UI/UE人员需要研究，对于网站建设其他岗位的人也应该了解一定的方法去检验和提升网站的易用性。通常对易用性有如下定义: 易理解…
阅读更多...
【iOS】isMemberOfClassisKindOfClass

【iOS】isMemberOfClassisKindOfClass

目录 前言class方法isMemberOfClass和isKindOfClass实例方法分析类方法分析 实例验证总结 前言 认识这两个方法之前，首先要了解isa指向流程和继承链（【iOS】类对象的结构分析）关系，以便理解得更透彻 上经典图： 要注意…
阅读更多...
AM62x和rk3568的异同点

AM62x和rk3568的异同点

AM62x 和 RK3568 是两款不同的处理器，分别来自 Texas Instruments（TI）和 Rockchip。它们在设计目标、架构、性能和应用领域等方面存在一些异同。以下是这两款处理器的对比： 1. 基本架构 AM62x： 架构：基于…
阅读更多...
机器学习数学基础（1）--线性回归与逻辑回归

机器学习数学基础（1）--线性回归与逻辑回归

声明：本文章是根据网上资料，加上自己整理和理解而成，仅为记录自己学习的点点滴滴。可能有错误，欢迎大家指正。 1 线性回归和逻辑回归与机器学习的关系 线性回归属于机器学习 – 监督学习 – 回归 – 线性回归， 逻辑…
阅读更多...
Maven概述

Maven概述

目录 1.Maven简介 2.Maven开发环境搭建 2.1下载Maven服务器 2.2安装，配置Maven 1.配置本地仓库地址 2.配置阿里云镜像地址 2.3在idea中配置maven 2.4在idea中创建maven项目 3.pom.xml配置 1.项目基本信息 2.依赖信息 3.构建信息 4.Maven命令 5.打包Jav…
阅读更多...
企业微信报错，api forbidden 错误码 48002

企业微信报错，api forbidden 错误码 48002

业务场景是这边后端页面点同步就去企微接口拉取客户数据，然后报错如下。 后端抓包返回的json如下 {“errcode”:48002,“follow_user”:[],“errmsg”:“api forbidden, hint: [1721869790252850672734303], from ip: 203.88.203.216, more info at https://open.w…
阅读更多...
数据结构（链表）

数据结构（链表）

🌏个人博客主页：心.c 前言： 最近练习算法回去学了链表，收获挺大的，大概内容整理了一下，语言是用c写的，所以在这里分享给大家，希望大家可以有所收获 🔥🔥&…
阅读更多...
2024年技校大数据实验室建设及大数据实训平台整体解决方案

2024年技校大数据实验室建设及大数据实训平台整体解决方案

随着信息技术的迅猛发展，大数据已成为推动产业升级和社会进步的重要力量。为适应市场需求，培养高素质的大数据技术人才，技校作为职业教育的重要阵地，亟需加强大数据实验室的建设与实训平台的打造。本方案旨在提出一套全面、可行的…
阅读更多...
二维码的生成与识别（python）

二维码的生成与识别（python）

二维码生成 from PIL import Image import qrcode from qrcode.image.styledpil import StyledPilImage from qrcode.image.styles.colormasks import SolidFillColorMask from qrcode.image.styles.moduledrawers import SquareModuleDrawer# 创建二维码对象 qr qrcode.QRCo…
阅读更多...
vue3在元素上绑定自定义事件弹出虚拟键盘

vue3在元素上绑定自定义事件弹出虚拟键盘

最近开发中遇到一个需求: 焊接机器人的屏幕上集成web前端网页, 但是没有接入键盘。这就需要web端开发一个虚拟键盘,在网上找个很多虚拟键盘没有特别适合,索性自己写个简单的 图片: 代码: (代码可能比较垃圾冗余,也没时间优化,凑合看吧) 第一步:创建键盘组件 为了方便使用…
阅读更多...
【Django】 读取excel文件并在前端以网页形式显示-安装使用Pandas

【Django】 读取excel文件并在前端以网页形式显示-安装使用Pandas

文章目录 安装pandas写views写urls安装openpyxl重新调试 安装pandas Pandas是一个基于NumPy的Python数据分析库，可以从各种文件格式如CSV、JSON、SQL、Excel等导入数据，并支持多种数据运算操作，如归并、再成形、选择等。 更换pip源 pip co…
阅读更多...
Flink SQL 实时读取 kafka 数据写入 Clickhouse —— 日志处理（三）

Flink SQL 实时读取 kafka 数据写入 Clickhouse —— 日志处理（三）

文章目录 前言Clickhouse 表设计adlp_log_local 本地表adlp_log 分布式表 Flink SQL 说明创建 Source Table (Kafka) 连接器表创建 Sink Table (Clickhouse) 连接器解析 Message 写入 Sink 日志查询演示总结 前言 在之前的文章中，我们总结了如何在 Django 项目中进…
阅读更多...
构建智慧水利系统，优化水资源管理：结合物联网、云计算等先进技术，打造全方位、高效的水利管理系统，实现水资源的最大化利用

构建智慧水利系统，优化水资源管理：结合物联网、云计算等先进技术，打造全方位、高效的水利管理系统，实现水资源的最大化利用

本文关键词：智慧水利、智慧水利工程、智慧水利发展前景、智慧水利技术、智慧水利信息化系统、智慧水利解决方案、数字水利和智慧水利、数字水利工程、数字水利建设、数字水利概念、人水和协、智慧水库、智慧水库管理平台、智慧水库建设方案、智慧水库解决方案、智慧…
阅读更多...
spring-boot3.x整合Swagger 3 (OpenAPI 3) +knife4j

spring-boot3.x整合Swagger 3 (OpenAPI 3) +knife4j

1.简介 OpenAPI阶段的Swagger也被称为Swagger 3.0。在Swagger 2.0后，Swagger规范正式更名为OpenAPI规范，并且根据OpenAPI规范的版本号进行了更新。因此，Swagger 3.0对应的就是OpenAPI 3.0版本，它是Swagger在OpenAPI阶段推出的一个…
阅读更多...
产品系统的UI暗色系和浅色系模式切换是符合人体视觉工程学的设计

产品系统的UI暗色系和浅色系模式切换是符合人体视觉工程学的设计

视觉革命：UI设计中的暗夜与黎明 UI设计如同夜空中最亮的星辰，引领着用户穿梭于信息的海洋。而今，一场视觉革命正在悄然上演，它关乎于我们的眼睛，关乎于我们的体验——那就是产品系统的UI暗色系和浅色系模式的切换。如…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023