【绝对有用】yolo系列目标检测 核心技术点 汇总

YOLO (You Only Look Once) 是一种高效的目标检测算法，它以速度和精度著称。YOLO 的工作原理是将目标检测视为一个回归问题，直接从图像的像素空间预测目标的类别和位置。YOLO 目标检测头包括以下几个关键部分：

  1. 输入图像处理：

    • YOLO 接受大小固定的输入图像（如 416x416 或 608x608）。
    • 输入图像会被分成一个 SxS 的网格（如 13x13, 19x19）。

  2. 特征提取器：

    • 通常使用一个卷积神经网络（如 Darknet）来提取图像的特征。
    • 特征提取器的输出是一个特征图，该特征图的尺寸比输入图像小得多，但保留了图像中的关键信息。

  3. 检测头：

    • 检测头的输入是特征提取器的输出特征图。
    • 每个网格单元预测 B 个边界框，每个边界框由 5 个参数（x, y, w, h, confidence）和 C 个类别概率组成。
      • x 和 y 是边界框中心相对于网格单元的位置。
      • w 和 h 是边界框的宽度和高度，相对于整个图像。
      • confidence 是边界框中包含目标的置信度。
      • C 个类别概率用于表示该边界框属于每个类别的概率。
    • 因此，检测头的输出尺寸为 SxSx(B*(5+C))。

  4. 损失函数：

    • YOLO 的损失函数包括三个部分：
      • 位置损失（Localization Loss）：预测的边界框与真实边界框之间的差异。
      • 置信度损失（Confidence Loss）：预测的置信度与实际是否包含目标的差异。
      • 分类损失（Classification Loss）：预测的类别概率与实际类别的差异。

  5. 非极大值抑制（NMS）：

    • YOLO 可能会产生多个重叠的边界框，为了去除冗余，使用非极大值抑制（NMS）来过滤掉置信度较低的框，保留置信度最高的框。

具体细节如下：

  1. 输入图像处理：

    • 图像被调整到一个固定的大小，并标准化处理。
    • 图像被划分为 SxS 的网格，每个网格单元负责检测一个特定区域内的目标。

  2. 特征提取器（例如 Darknet-53）：

    • 由一系列的卷积层、池化层和激活函数（如 ReLU 或 Leaky ReLU）组成。
    • 输出一个特征图，这个特征图包含了图像的空间特征。

  3. 检测头：

    • 在 YOLOv3 中，使用了多尺度检测，分别在三个不同的尺度上进行预测。
    • 每个尺度的检测头会输出不同大小的特征图（例如 13x13、26x26、52x52），每个特征图的每个单元预测多个边界框。

  4. 边界框预测：

    • 每个网格单元预测 B 个边界框，每个边界框包含 4 个位置参数（tx, ty, tw, th）、1 个置信度、以及 C 个类别概率。
    • 使用以下公式将网络的输出转换为实际边界框坐标：
      • bx = σ(tx) + cx
      • by = σ(ty) + cy
      • bw = pw * e^tw
      • bh = ph * e^th
      • 其中 (cx, cy) 是网格单元的左上角坐标，pw 和 ph 是预测框的预设宽度和高度。

  5. 损失函数：

    • YOLO 的损失函数由位置误差、置信度误差和分类误差组成。
    • 使用均方误差（MSE）计算位置误差。
    • 使用交叉熵损失（Cross-Entropy Loss）计算分类误差。

  6. 后处理（如非极大值抑制）：

    • 通过非极大值抑制（NMS）去除冗余的边界框，只保留最可信的检测结果。

以上是 YOLO 目标检测头的详细解析，如果你有更具体的问题或需要进一步的细节，可以继续提问。

YOLO检测头的输出尺寸为SxSx(B(5+C))。这是通过分析YOLO的设计和预测目标检测框的方式得出的。下面是详细的解释：*

  1. 网格划分（Grid Division）：

    • 输入图像被划分为一个SxS的网格。例如，假设输入图像大小为 416x416，YOLO可能会将其划分为一个 13x13 或 19x19 的网格。
    • 每个网格单元负责预测该单元内是否有目标，以及目标的具体信息。

  2. 每个网格单元的预测：

    • 每个网格单元预测 ( B ) 个边界框。典型的值为 ( B = 2 ) 或 ( B = 3 )。
    • 每个边界框包含5个预测参数和C个类别概率。

  3. 边界框参数：

    • 5个预测参数分别为：
      • ( x ) 和 ( y )：边界框中心相对于网格单元的位置偏移。
      • ( w ) 和 ( h )：边界框的宽度和高度，相对于整个图像的比例。
      • ( confidence )：该边界框包含目标的置信度。

  4. 类别概率：

    • 每个边界框预测C个类别概率，即该框属于每个类别的概率分布。
    • 因此，对于每个边界框，我们需要预测 ( 5 + C ) 个值。

  5. 总输出：

    • 对于每个网格单元，预测 ( B ) 个边界框，每个边界框包含 ( 5 + C ) 个值。
    • 因此，每个网格单元的输出尺寸为 ( B x (5 + C) )。

将这些结合起来，整个输出特征图的尺寸为 SxSx(B*(5+C))。

具体例子

假设我们使用YOLOv3，输入图像被划分为 13x13 的网格，B=3，C=80（例如在COCO数据集上）：

  1. 网格划分：

    • ( S = 13 )，输入图像被划分为 13x13 的网格。

  2. 每个网格单元的预测：

    • 每个网格单元预测3个边界框。
    • 每个边界框包含 ( 5 + 80 ) 个值（x, y, w, h, confidence + 80个类别概率）。

  3. 总输出：

    • 每个网格单元的输出尺寸为 ( 3 x (5 + 80) = 3 x 85 = 255 )。
    • 因此，整个输出特征图的尺寸为 ( 13 x 13 x 255 )。

YOLO检测头的输出尺寸为 ( S x Sx (B x (5 + C)) ) 是通过考虑每个网格单元的预测边界框数量、每个边界框的参数数量以及类别数量计算得出的。这种设计使得YOLO能够在单次前向传递中完成目标检测。

在YOLO中，边界框预测是通过将网络的输出转换为实际的边界框坐标来实现的。以下是详细的解释和一个例子：

详细解释

  1. 输出预测：

    • 每个网格单元预测B个边界框，每个边界框包含4个位置参数（( t_x, t_y, t_w, t_h )）、1个置信度、以及C个类别概率。
    • ( t_x ) 和 ( t_y ) 是相对于网格单元左上角的偏移，范围在0到1之间。
    • ( t_w ) 和 ( t_h ) 是边界框宽度和高度的对数尺度。

  2. 转换公式：

    • 将网络输出的4个位置参数转换为实际的边界框坐标。
    • ( b_x = S(t_x) + c_x )：边界框中心的x坐标。( S) 是sigmoid函数，将输出限制在0到1之间。( c_x ) 是网格单元左上角的x坐标。
    • ( b_y = S(t_y) + c_y )：边界框中心的y坐标。( c_y ) 是网格单元左上角的y坐标。
    • ( b_w = p_w x e^{t_w} )：边界框的宽度。( p_w ) 是预设的宽度锚点。
    • ( b_h = p_h x e^{t_h} )：边界框的高度。( p_h ) 是预设的高度锚点。

举例

假设我们有一个13x13的网格，输入图像大小为416x416，使用了3个边界框预测（B=3），每个边界框的锚点宽度和高度分别为(pw, ph)。

  1. 假设网格单元 (i, j)：

    • 该网格单元的左上角坐标为 (i, j)。
    • 假设 i=5, j=7，那么 ( c_x = 5 ), ( c_y = 7 )。

  2. 预测参数：

    • 网络输出的预测参数 ( t_x = 0.5 ), ( t_y = 0.6 ), ( t_w = -0.2 ), ( t_h = 0.3 )。
    • 锚点宽度和高度分别为 ( p_w = 1.2 ), ( p_h = 1.8 )。

  3. 转换实际边界框坐标：
    在这里插入图片描述

  4. 实际边界框坐标：

    • 边界框中心坐标： ( (5.622, 7.645) )
    • 边界框宽度和高度： ( (0.982, 2.428) )

解释关键点

  • Sigmoid函数：用来将 ( t_x ) 和 ( t_y ) 的输出值限制在0到1之间，这样它们可以表示相对于网格单元的偏移量。
  • 指数函数：用来将 ( t_w ) 和 ( t_h ) 的对数尺度转换为实际的边界框宽度和高度，锚点宽度和高度是预设的，表示预测框的基本尺度。

完整公式

在这里插入图片描述

通过这些公式，YOLO可以将网络输出的预测参数转换为实际的边界框坐标，用于目标检测。

YOLO 的损失函数由三个主要部分组成：位置损失（Localization Loss）、置信度损失（Confidence Loss）和分类损失（Classification Loss）。以下是每个部分的详细解释及举例：

1. 位置损失（Localization Loss）

在这里插入图片描述

2. 置信度损失（Confidence Loss）

在这里插入图片描述

3. 分类损失（Classification Loss）

在这里插入图片描述

损失函数的总和

总损失函数是位置损失、置信度损失和分类损失的总和。

在这里插入图片描述

举例

假设一个13x13的网格，B=2，C=3（例如3个类别：猫、狗、鸟）。输入图像大小为416x416，锚点宽度和高度分别为(pw, ph)。

假设：
  • 真值（ground truth）边界框中心点 (bx_gt, by_gt) = (5.5, 7.2)，宽度和高度 (bw_gt, bh_gt) = (2.0, 3.0)，类别为猫（类别索引0）。
  • 预测边界框中心点 (bx, by) = (5.6, 7.1)，宽度和高度 (bw, bh) = (2.1, 2.9)，置信度 = 0.8，类别概率 [0.7, 0.2, 0.1]（分别对应猫、狗、鸟）。
位置损失：

在这里插入图片描述

置信度损失：

在这里插入图片描述

分类损失：

在这里插入图片描述

总损失：

在这里插入图片描述

通过这些计算，可以看到如何从YOLO的预测结果和真值计算出总损失。这些损失会用于反向传播，以优化YOLO网络的参数，使得模型预测的边界框和类别越来越准确。

非极大值抑制（NMS）是一种在目标检测中常用的后处理技术，用于去除多余的检测框。YOLO 在预测过程中，可能会生成多个重叠的边界框，这些边界框可能会对同一个目标进行多次检测。NMS 的目标是通过保留置信度最高的边界框，去除那些冗余的、置信度较低的边界框，从而精简检测结果。

NMS 的工作原理

  1. 输入：

    • 一组边界框，每个边界框包括坐标（x, y, w, h）和一个置信度分数。

  2. 步骤：

    1. 按置信度排序：将所有边界框按照置信度分数从高到低排序。
    2. 选取最高置信度框：选取置信度最高的边界框，称之为 A，并将其加入最终的检测结果中。
    3. 计算重叠区域：计算 A 与剩余边界框之间的重叠区域（IoU，Intersection over Union）。
    4. 移除重叠框：移除与 A 的重叠程度超过某一阈值的边界框（例如 IoU > 0.5）。
    5. 重复步骤：从剩余的边界框中再次选取置信度最高的框，并重复上述过程，直到所有的框都处理完毕。

  3. 输出：

    • 经过筛选后的边界框集合，每个边界框代表一个独立的目标检测。

举例

假设我们有5个边界框，它们的置信度和坐标如下：

框ID置信度xywh
A0.930405060
B0.832424858
C0.7528385262
D0.61002003040
E0.429395161
步骤1：按置信度排序

排序后的边界框为：A, B, C, D, E

步骤2：选取置信度最高的框A

将边界框A加入最终检测结果中。

步骤3：计算重叠区域（IoU）

计算A与剩余边界框（B, C, D, E）之间的IoU：

  • IoU(A, B)
  • IoU(A, C)
  • IoU(A, D)
  • IoU(A, E)

假设计算的IoU如下：

  • IoU(A, B) = 0.85
  • IoU(A, C) = 0.8
  • IoU(A, D) = 0.0
  • IoU(A, E) = 0.82
步骤4：移除重叠框

设定阈值为0.5，移除IoU超过0.5的框（B, C, E），仅保留框D。

步骤5：重复步骤
  1. 从剩余的框中选取置信度最高的框，即D。
  2. 将D加入最终检测结果中。
  3. D没有与其他框重叠的情况，结束过程。
最终结果

经过NMS后的最终检测结果为：

  • 框A（置信度0.9，坐标[30, 40, 50, 60]）
  • 框D（置信度0.6，坐标[100, 200, 30, 40]）

代码示例（Python）

下面是一个使用Python实现NMS的简单代码示例：

import numpy as np

def iou(box1, box2):
    x1, y1, w1, h1 = box1
    x2, y2, w2, h2 = box2
    xi1 = max(x1, x2)
    yi1 = max(y1, y2)
    xi2 = min(x1 + w1, x2 + w2)
    yi2 = min(y1 + h1, y2 + h2)
    inter_area = max(0, xi2 - xi1) * max(0, yi2 - yi1)
    box1_area = w1 * h1
    box2_area = w2 * h2
    union_area = box1_area + box2_area - inter_area
    return inter_area / union_area

def non_max_suppression(boxes, scores, iou_threshold):
    idxs = np.argsort(scores)[::-1]
    selected_idxs = []
    while len(idxs) > 0:
        current = idxs[0]
        selected_idxs.append(current)
        idxs = idxs[1:]
        idxs = [i for i in idxs if iou(boxes[current], boxes[i]) < iou_threshold]
    return selected_idxs

# Example usage:
boxes = [[30, 40, 50, 60], [32, 42, 48, 58], [28, 38, 52, 62], [100, 200, 30, 40], [29, 39, 51, 61]]
scores = [0.9, 0.8, 0.75, 0.6, 0.4]
iou_threshold = 0.5

selected_idxs = non_max_suppression(boxes, scores, iou_threshold)
print("Selected boxes after NMS:", [boxes[i] for i in selected_idxs])

总结

非极大值抑制（NMS）通过保留置信度最高的边界框并移除重叠的置信度较低的边界框，有效地去除了冗余检测框，使得目标检测结果更加精简和准确。

下面是iou函数的详细理论计算过程：

Intersection over Union (IoU) 的计算

IoU 是衡量两个边界框重叠区域与它们的联合区域之间比值的一种指标。计算过程分为以下几步：

在这里插入图片描述
在这里插入图片描述

代码详细注释

def iou(box1, box2):
    # 获取第一个边界框的坐标和尺寸
    x1, y1, w1, h1 = box1
    # 获取第二个边界框的坐标和尺寸
    x2, y2, w2, h2 = box2
    
    # 计算交集区域的左上角坐标
    xi1 = max(x1, x2)
    yi1 = max(y1, y2)
    
    # 计算交集区域的右下角坐标
    xi2 = min(x1 + w1, x2 + w2)
    yi2 = min(y1 + h1, y2 + h2)
    
    # 计算交集区域的宽度和高度（确保交集宽高不为负）
    inter_width = max(0, xi2 - xi1)
    inter_height = max(0, yi2 - yi1)
    
    # 计算交集区域的面积
    inter_area = inter_width * inter_height
    
    # 计算两个边界框的面积
    box1_area = w1 * h1
    box2_area = w2 * h2
    
    # 计算联合区域的面积
    union_area = box1_area + box2_area - inter_area
    
    # 计算 IoU（交集面积 / 联合面积）
    return inter_area / union_area

举例

假设有两个边界框：

  • 边界框1：左上角坐标为(2, 3)，宽度和高度分别为4和5。
  • 边界框2：左上角坐标为(3, 4)，宽度和高度分别为5和6。
    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

通过这些步骤，我们计算出了两个边界框之间的 IoU 值为约 0.316。这表示两个边界框的重叠区域占它们联合区域的 31.6%。

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：/a/749956.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

原、反、补码之间的相互转换以及计算机硬件实现有符号数、无符号数、定点小数、定点整数的加减法运算

原、反、补码之间的相互转换以及计算机硬件实现有符号数、无符号数、定点小数、定点整数的加减法运算

目录 原、反、补码之间的相互转换 无符号整数的加减运算 无符号整数的加法运算 无符号整数的减法运算 有符号整数的加减运算 有符号整数补码的加法运算 有符号整数补码的减法运算 定点小数的加减运算 定点小数补码的加法运算 定点小数补码的减法运算 定点小数VS定点整…
阅读更多...
Advantest 93000测试机中CLOCK DOMAIN 详解

Advantest 93000测试机中CLOCK DOMAIN 详解

爱德万测试&#xff08;Advantest&#xff09;的V93000系列测试系统是一个高度模块化和可扩展的平台&#xff0c;专为复杂和高性能的半导体器件测试而设计&#xff0c;包括系统级芯片&#xff08;SoC&#xff09;、存储器、射频&#xff08;RF&#xff09;和混合信号器件等。在…
阅读更多...
Apple Intelligence，我们能得到什么？（上）

Apple Intelligence，我们能得到什么？（上）

苹果公司WWDC 2024发布会&#xff0c;苹果AI成为最吸睛的焦点。不过&#xff0c;苹果的AI不是大家口中的AI&#xff0c;而是苹果独有的概念&#xff1a;Apple Intelligence&#xff0c;苹果智能。 所谓Apple Intelligence&#xff0c;被定义为iPhone、iPad和Mac的个人智能系统…
阅读更多...
Android U Settings 应用中 APN 菜单实现的代码逻辑

Android U Settings 应用中 APN 菜单实现的代码逻辑

功能简介 MobileNetwork移动网络设置页面下有【接入点设置】（APN）。 问题：为什么Controller初始化找不到pref，然后报错。 Note：什么时候切换成Controller的呢？在Android T&U 上还没有更新成kt实现 ，但是已经有Controller的方案。 流程逻辑 1、界面“telephony_a…
阅读更多...
Day35：2734. 执行字串操作后的字典序最小字符串

Day35：2734. 执行字串操作后的字典序最小字符串

Leetcode 2734. 执行字串操作后的字典序最小字符串 给你一个仅由小写英文字母组成的字符串 s 。在一步操作中&#xff0c;你可以完成以下行为&#xff1a; 选择 s 的任一非空子字符串&#xff0c;可能是整个字符串&#xff0c;接着将字符串中的每一个字符替换为英文字母表中的前…
阅读更多...
摒弃反模式：使用Kotlin委托优化Android BaseActivity

摒弃反模式：使用Kotlin委托优化Android BaseActivity

摒弃反模式&#xff1a;使用Kotlin委托优化Android BaseActivity 在Android开发中&#xff0c;许多开发者习惯于创建名为“BaseActivity”或“BaseFragment”的基类&#xff0c;以便在所有Activity或Fragment中共享一些通用行为。这种方法乍一看似乎是个好主意&#xff0c;但实…
阅读更多...
SecureCRT使用SSH登录服务器报错：Key exchange failed

SecureCRT使用SSH登录服务器报错：Key exchange failed

SecureCRT使用SSH登录Ubuntu服务器报错&#xff1a;Key exchange failed 原因&#xff1a; ssh客户端与服务器的公钥协商失败&#xff0c;SecureCRT客户端所指定的秘钥交换算法&#xff08;KexAlgorithms &#xff09;&#xff0c;不在服务端支持范围内。可能是服务端的sshd版…
阅读更多...
预警与校准并行：可燃气体报警器在矿区井下甲烷泄露防控中的应用

预警与校准并行：可燃气体报警器在矿区井下甲烷泄露防控中的应用

在矿区井下作业中&#xff0c;甲烷泄露是一个严重威胁工人生命安全和矿区生产安全的隐患。因此&#xff0c;及时、准确地预警甲烷泄露并采取相应的处理措施显得尤为重要。 可燃气体报警器作为一种有效的监测工具&#xff0c;在预防甲烷泄露事故中发挥着不可替代的作用。 在这…
阅读更多...
Linux通过expect实现免交互

Linux通过expect实现免交互

免交互 Here Document 用于将多行字符串直接传递给命令的方式&#xff0c;不需要人为交互命令界面&#xff0c;实现免交互 当使用Here Document操作文件时&#xff0c;需要借助一个文件结束符 EOF&#xff1a;文件结束符 示例 在脚本文件中写入以下内容 <<&#x…
阅读更多...
5. PyTorch+NCCL源码编译

5. PyTorch+NCCL源码编译

系列文章 第1章 多机多卡运行nccl-tests 和channel获取第2章 多机多卡nccl-tests 对比分析第3章 使用tcpdump抓取rdma数据包第5章 PyTorchNCCL源码编译 目录 系列文章前言一、本地环境二、安装cudnn三、使用pytorch自带NCCL库进行编译安装1. 源码编译2. 查看版本和all_reduce测…
阅读更多...
Nature推荐的三种ChatGPT论文写作指令（含PDF下载）

Nature推荐的三种ChatGPT论文写作指令（含PDF下载）

1. 润色学术论文 ChatGPT学术润色指令&#xff1a; “I’m writing a paper on [topic]for a leading [discipline] academic journal. WhatItried to say in the following section is [specific point]. Please rephrase itfor clarity, coherence and conciseness, ensuri…
阅读更多...
电脑系统重装怎么操作？分享四个win10重装系统方法

电脑系统重装怎么操作？分享四个win10重装系统方法

“我遇到了一些笔记本电脑的问题&#xff0c;别人告诉我解决这个问题需要重新安装Win10电脑系统。但我不记得我把光盘放在哪里了&#xff0c;我能否在不丢失文件的情况下重新安装操作系统&#xff1f;电脑系统重装怎么操作&#xff1f;”虽然电脑自带系统中有多种方法可供选择&…
阅读更多...
嵌入式工程师从0开始，到底该学什么，怎么学

嵌入式工程师从0开始，到底该学什么，怎么学

在开始前刚好我有一些资料&#xff0c;是我根据网友给的问题精心整理了一份「嵌入式的资料从专业入门到高级教程」&#xff0c; 点个关注在评论区回复“666”之后私信回复“666”&#xff0c;全部无偿共享给大家&#xff01;&#xff01;&#xff01;嵌入式是个大筐&#xff0…
阅读更多...
C++之STL（十二）

C++之STL（十二）

1、容器适配器 #include <iostream> #include <stack> #include <list> #include <queue> #include <functional> #include <iterator>using namespace std;int main() {// 栈&#xff08;先进后出filo&#xff09;stack<int, list<…
阅读更多...
boss直聘招聘数据爬取及可视化分析2.0

boss直聘招聘数据爬取及可视化分析2.0

boss直聘招聘数据爬取及可视化分析2.0 一、需求介绍二、完整代码2.1 爬虫代码2.2 数据可视化模块一、需求介绍 笔者在前两篇介绍boss直聘招聘数据爬取和可视化分析的博客的基础上，对代码和功能进行了完善。在数据爬取的模块，代码更加简洁易懂，且性能更加稳定；在数据可视化…
阅读更多...
【AI大模型】Transformers大模型库（十四）：Datasets Viewer

【AI大模型】Transformers大模型库（十四）：Datasets Viewer

目录 一、引言 二、Datasets Viewer数据查看器 2.1 概述 2.2 示例 三、总结 一、引言 这里的Transformers指的是huggingface开发的大模型库&#xff0c;为huggingface上数以万计的预训练大模型提供预测、训练等服务。 &#x1f917; Transformers 提供了数以千计的预训练…
阅读更多...
linux的安全技术和防火墙

linux的安全技术和防火墙

一、安全技术 1.入侵检测系统&#xff1a;特点式不阻断网络访问&#xff0c;主要式提供报警和事后监督&#xff0c;不主动介入&#xff0c;默默的看着你&#xff08;相当于360安全卫士&#xff09; 2.入侵防御系统&#xff1a;透明模式工作&#xff0c;对数据包&#xff0c;网…
阅读更多...
音频——性能测试中的基本概念

音频——性能测试中的基本概念

文章目录 频率响应平均电平增益ADC 路径增益DAC 路径增益底噪信噪比总谐波失真+噪声（THD+N）延迟频率响应 对于音频设备，频率响应可以理解为音频设备对不同频率信号的处理或重现。对于音频信号频率，一般关注20Hz~20kHz范围。理想情况下，输入幅度相同的不同频率信号，过音频…
阅读更多...
springboot社区维修平台

springboot社区维修平台

设计技术&#xff1a; springboot、mysql、maven、前端vue 主要功能&#xff1a; 住户管理、社区公告管理、维修工管理、维修订单管理、接单信息管理、订单信息管理、在线沟通管理、举报信息管理、留言板管理、系统管理等功能模块。 管理员功能模块 管理员通过后台登录页面…
阅读更多...
sessionStorage 能在多个标签页之间共享数据吗？

sessionStorage 能在多个标签页之间共享数据吗？

&#x1f9d1;‍&#x1f4bb; 写在开头 点赞 收藏 学会&#x1f923;&#x1f923;&#x1f923; 最近&#xff0c;我的一个朋友在面试中被一个关于 sessionStorage 的问题难住了。我们来聊聊这个话题。 sessionStorage 能在多个标签页之间共享数据吗&#xff1f; 在回答…
阅读更多...
最新文章

Copyright @ 2022~2023