Loading [MathJax]/jax/input/TeX/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >如何从Dribbble的“飞机稿”中汲取营养?

如何从Dribbble的“飞机稿”中汲取营养?

作者头像
用户5009027
发布于 2019-06-02 13:13:20
发布于 2019-06-02 13:13:20
1.3K0
举报
文章被收录于专栏:静Design静Design

关注+标星「静Design

海量设计干货 每天准时放送

不管你同不同意,Dribbble上的设计都在直接或者间接的影响着我们的UI设计趋势的变革,虽然有些设计看起来只是飞机稿,有些则没有考虑产品的真实需求。但是咱们UI设计师小伙伴却善于提炼和改进,将这些设计趋势和风格为我所用,提炼出适合本国产品和用户的界面。比如直接我们提到过,腾讯QQ手机端改版中大量使用无分隔线的设计,就是这种趋势的再利用和深度思考所产生的结果

因此,有人问我怎么看待Dribbble,我想说:当你真正能从这些Dribbble风设计中看到趋势,并加以思考,创造出独特的属于自己的风格,且被市场和用户认同的时候,这才是你真正进入UI设计后半场真正的入场券。

接下来,让我们看看最近Dribbble中的优秀(fei ji gao)设计吧!记得,欣赏的过程中提炼+批判+思考,这才是学习的正确方式哦~

这个游乐园主题的设计运用了大量的插画和鲜艳的颜色进行搭配,白色背景与大阴影的搭配让浏览者眼前一亮。这也是典型的Dribbble风格,相信大家都能明白。

设计师:Moze

https://dribbble.com/shots/6369889-Park-navigation-app-Vol-1

如果是图书类型的应用,你会选择怎样的设计风格呢?好的,同样是白色背景,无边框设计已经大量鲜艳颜色的使用,其实看多了,我们能找出这种类型设计的规律来。总结一下,就是:矢量插画+艳丽色彩+白背景+大阴影+大留白。Get到了吗?想一想,如果让你来做一个图书类型的应用,除了这样的风格,怎么能让自己的设计显得更加与众不同而不是完全的为了Dribbble而Dribbble呢?

设计师:Anton Mikhaltsov

https://dribbble.com/shots/6367657-Reading-App-Design

下面这个设计是国内UI设计师的作品。其实,我们仔细观察,会发现不少套路,抛开这样颜色纯净的书封面,那么这样的设计稿是否具有足够高的可用性。毕竟,不是所有的书都是这样的风格,那么作为设计师的大家应该如何处理?从一定程度上来说,下面这个设计稿,并不能算正面例子。他的最大意义是让我们了解配图对于设计稿的重要性。

设计师:Mr.Shi Li

https://dribbble.com/shots/6368615-New-Bookstore8

接下来欣赏一副插画作品,简单的线条勾勒出一男一女的生活,那么他们两个人到底在干什么呢?睡觉还是?大家自己 猜一猜。方块和圆形的搭配是这幅图俄亮点,女性是柔软的曲线,男性是刚硬的直线。对比鲜明。

设计师:Afterglow

https://dribbble.com/shots/6369340-Psychology-Illustration-Poster

印度尼西亚设计师的作品,绿色的美食应用。emmmm,绿色也许是很清新的颜色,但是对于我们国内的小伙伴来说,可能缺少那么一点点食欲。大家怎么看呢?反正,我觉得看了绿色后,不太饿了(笑)。在本作中,大家可以学习一下navibar的设计,通常,它会和轮播图各搭界一半,形成视觉层次感。

设计师:Sulton hand

https://dribbble.com/shots/6369568-Food-Recipes-App/attachments/1363850

其实静电总想在Dribbble中给大家找一点不一样的风格的设计,因为插画风看多了也是会腻歪的。那么这幅大家觉得如何?健身类型的应用。当然,这里我们又Get到一个设计的诀窍,纯色背景!你会发现,如果你随便扔上去一张乱糟糟的模特图片,你的设计马上就完蛋了。这个设计的特点就是模特背景全部是精挑细选的图片,看起来是不是精致了很多?那么?各位小伙伴,你是不是要考虑下,自己拿起相机,租个摄影棚,来拍摄一些这样的照片?或者把他们抠出来重新处理来用,会更好一些呢?这对于我们的后期运营提出了超级高的要求。怎么说,设计总是在不断的妥协中成长吧。

设计师:Ramotion

https://dribbble.com/shots/6302983-Vshr-d-Mobile-Design

下面这幅图,我们要学习的,就是它更纯净,更鲜艳的颜色。总感觉这样的图稍微有些调皮和有趣,它们适合用在更有风格的产品中,而不是过于商务和正统的产品。因此,请大家在设计任何一类产品时,务必考虑产品的调性,公司的风格。因为不是所有的企业和用户都喜欢这样的风格。

设计师:Mike | Creative Mints

https://dribbble.com/shots/6285205-Bogo-Apps-Web-site-design

想象一下,图片对于一副设计来说是否特别的重要呢?人如果下面这个图换成一副照片,或者科幻电影里那样的场景,那就真的更酷了。所以,这幅作品给我们的启示就是,选图太重要了。

设计师:Walid Beno

https://dribbble.com/shots/6361527-Titan-Mining-Concept

当我们看了太多的设计后,你是否会感慨,现在的UI设计已经不是单纯的排版了,而是在拼配图。确实,这就是UI设计的后半场,也是所有设计的后半场,网页设计,app设计,还有各种各种设计。(摊手)现在的设计形式越来越多样化,多元化,各位UI设计师也不能仅仅局限于排版了,当进入后半场,要么思维强(广度和深度),执行力强,要么技术更牛,你会选择哪一种发展方向呢?

不管是不是飞机稿,希望各位设计师都拥有足够的能力,将自己的设计稿变现,被市场认可,被用户认可。

设计师:Roman Klčo

https://dribbble.com/shots/6362521-Fuel-Station-at-Night

欣赏的过程中提炼+批判+思考,

这才是学习的正确方式哦~

而单纯的临摹,不分场景和用户的套模板

最终会让你走入死胡同

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-04-22,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 静Design 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Kaggle座头鲸识别赛,TOP10团队的解决方案分享
这是近期Kaggle上颇受欢迎的一次竞赛,常用的分类方法无法处理大量的无标注数据,只有对传统的方法进行创新,才能够获得高分。
大数据文摘
2019/03/19
9540
Kaggle座头鲸识别赛,TOP10团队的解决方案分享
独家 | 面部识别技术能用来识别鲸鱼? Kaggle露脊鲸识别大赛NO.1教你实现!
本文长度为5624字,建议阅读10分钟 本文为你分享《露脊鲸识别大赛》冠军的竞赛经验。 《露脊鲸识别大赛》是由NOAA渔场和Kaggle数据科学平台组织的计算机视觉竞赛。deepsense.io的机器学习团队在竞赛中获得了第一名。本文翻译自他们的经验分享帖。 比赛官网:https://www.kaggle.com/c/noaa-right-whale-recognition/details/ 原文地址:https://deepsense.io/deep-learning-right-whale-reco
数据派THU
2018/01/29
1.1K0
独家 | 面部识别技术能用来识别鲸鱼? Kaggle露脊鲸识别大赛NO.1教你实现!
【深度学习】人脸检测与人脸识别
人脸是个人重要的生物特征,业界很早就对人脸图像处理技术进行了研究。人脸图像处理包括人脸检测、人脸识别、人脸检索等。人脸检测是在输入图像中检测人脸的位置、大小;人脸识别是对人脸图像身份进行确认,人脸识别通常会先对人脸进行检测定位,再进行识别;人脸检索是根据输入的人脸图像,从图像库或视频库中检索包含该人脸的其它图像或视频。
杨丝儿
2022/03/20
10.7K0
【深度学习】人脸检测与人脸识别
传统CV和深度学习方法的比较
来自《Deep Learning vs. Traditional Computer Vision》
Color Space
2022/12/22
1.8K0
传统CV和深度学习方法的比较
一文看懂如何搭建AI应用:10周学会深度学习,还赢下5千美元
春节后第一个休息日,量子位给大家准备了一个不一样的故事。 在这个故事里,主人公David Brailovsky(就叫阿D吧)参加了一场计算机视觉比赛。这个挑战赛要求基于卷积神经网络(CNN),做出一个识别红绿灯的人工智能应用模型。 于是阿D花了10周的时间,从0开始,一点一滴摸索着,搭建、调试、训练和一个深度学习系统。而且还在最后的比赛中一举夺魁,赢了5000美元。 主人公把这个有点逆袭的过程,原原本本的写了下来。量子位也希望对人工智能感兴趣的朋友仔细看一看。不用担心,并不是AI专家才能理解这篇文章。
量子位
2018/01/30
9140
一文看懂如何搭建AI应用:10周学会深度学习,还赢下5千美元
通过部分感知深度卷积网络进行人脸特征点定位
人脸特征点定位是一个非常具有挑战性的研究课题。由于纹理和形状的不同,不同人脸特征点的定位精度差异很大。但大多数现有的方法不能考虑特征点的部分位置。 为了解决这个问题,文章提出一个新颖的用深度卷积神经网络(CNN)端到端的回归框架。深度结构首先通过所有特征点编码图像到特征图上;然后这些特征被送到两个单独子网络模型中去回归轮廓特征点和内部特征点。最后在300-W基准数据集上评估,并证明所提出的深度框架实现了最先进的结果。 主要一些贡献: 提出一个新颖的端到端回归CNN模型用于人脸特征点定位,其通过组合一个轮廓子
企鹅号小编
2018/01/23
8210
通过部分感知深度卷积网络进行人脸特征点定位
AI 行业实践精选:利用深度学习识别交通信号灯
最近我在 Nexar 交通信号灯识别挑战赛上获得了第一名,这是一项由 Nexar 组织的计算机视觉比赛,该公司正在开发一款叫做 AI Dashcam 的软件。 本文中,我将对我所使用的方案进行相关叙述。同时,本文也涉及改善模型过程中使用的方法,不管其有用还是没用。 别担心,即使你不是人工智能方面的专家,也能读懂本文。在本文中。我会集中讲述我曾经的想法和用过的方法,而不是比赛过程中涉及的技术。 基于深度学习的分类器来识别红绿灯的演示版本 挑战 本项比赛中的挑战目标是,识别出司机使用 Nexa
AI科技大本营
2018/04/26
2.7K0
AI 行业实践精选:利用深度学习识别交通信号灯
深度学习人脸识别核心技术—框架和优化目标
注:本文选自人脸图像资深工程师言有三出版的新书《深度学习之人脸图像处理:核心算法与案例实战》(机械工业出版社出版)的6.2节,略有改动。经授权刊登于此。
CV君
2020/08/11
1.1K0
深度学习视觉研究综述
近年来,深度学习在计算机视觉各个领域中的应用成效显著,新的深度学习方法和深度神经网络模型不断涌现,算法性能被不断刷新。
算法进阶
2023/10/10
8070
深度学习视觉研究综述
深度学习教程 | CNN应用:人脸识别和神经风格转换
本系列为吴恩达老师《深度学习专项课程(Deep Learning Specialization)》学习与总结整理所得,对应的课程视频可以在这里查看。
ShowMeAI
2022/04/15
7500
深度学习教程 | CNN应用:人脸识别和神经风格转换
使用深度学习进行分心驾驶检测
https://github.com/Apoorvajasti/Distracted-Driver-Detection
代码医生工作室
2019/12/19
3.2K0
使用深度学习进行分心驾驶检测
【深度学习】目标检测
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。
杨丝儿
2022/03/01
2.8K0
【深度学习】目标检测
[深度学习概念]·深度学习的人脸识别技术发展综述
LFW数据集(Labeled Faces in the Wild)是目前用得最多的人脸图像数据库。该数据库共13,233幅图像,其中5749个人,其中1680人有两幅及以上的图像,4069人只有一幅图像。图像为250*250大小的JPEG格式。绝大多数为彩色图,少数为灰度图。该数据库采集的是自然条件下人脸图片,目的是提高自然条件下人脸识别的精度。该数据集有6中评价标准:
小宋是呢
2019/06/27
1.9K0
[深度学习概念]·深度学习的人脸识别技术发展综述
单样本学习:使用孪生神经网络进行人脸识别
本文介绍了单样本学习,并以孪生神经网络在人脸识别中的应用为例进行说明。单样本学习旨在通过少量样本实现高效学习,而孪生神经网络可以用于人脸识别任务,通过比较两张图片的编码距离来识别是否是同一个人。该文还介绍了如何通过三重损失函数来训练模型,并说明了如何选择用于训练模型的图片。
企鹅号小编
2018/01/09
1.9K0
单样本学习:使用孪生神经网络进行人脸识别
人脸识别技术全面总结:从传统方法到深度学习
自七十年代以来,人脸识别已经成为了计算机视觉和生物识别领域被研究最多的主题之一。基于人工设计的特征和传统机器学习技术的传统方法近来已被使用非常大型的数据集训练的深度神经网络取代。在这篇论文中,我们对流行的人脸识别方法进行了全面且最新的文献总结,其中既包括传统方法(基于几何的方法、整体方法、基于特征的方法和混合方法),也有深度学习方法。
机器之心
2019/03/06
1.1K0
人脸识别技术全面总结:从传统方法到深度学习
StarLKNet | 利用大核卷积和 Mixup 增强的深度学习架构提升识别准确性!
在现代社会,个人信息安全问题越来越受到关注,因为误识别可能对个人的财产安全和隐私造成灾难性的影响。基于密码和身份证等 Token 的认证方法存在被遗忘或被盗的风险。在过去的几十年里,基于生理(如面部[18],指纹[2]和静脉[38, 39])或行为(如步态[3]和眼动[30])特征的个体识别的生物识别技术研究非常广泛。在应用中最常见的生物识别特征是面部和指纹。然而,这些外部特征可能受到潜在的伪造攻击[23]。
集智书童公众号
2024/06/11
3980
StarLKNet |  利用大核卷积和 Mixup 增强的深度学习架构提升识别准确性!
PointNet:三维点云分割与分类的深度学习
本文是关于PointNet点云深度学习的翻译与理解,PointNet是一种直接处理点云的新型神经网络,它很好地体现了输入点云的序列不变性。
点云PCL博主
2019/07/30
2.5K0
PointNet:三维点云分割与分类的深度学习
[深度学习概念]·人脸识别MTCNN解析
人脸识别MTCNN解析 源代码,效果相当不错(只有测试代码): https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.ht
小宋是呢
2019/06/27
1.5K0
[深度学习概念]·人脸识别MTCNN解析
深度学习之视频人脸识别系列三:人脸表征
【磐创AI导读】本文是深度学习之视频人脸识别系列的第三篇文章,介绍人脸表征相关算法和论文综述。在本系列第一篇文章里我们介绍了人脸识别领域的一些基本概念,分析了深度学习在人脸识别的基本流程,并总结了近年来科研领域的研究进展,最后分析了静态数据与视频动态数据在人脸识别技术上的差异;在第二篇文章中介绍了人脸检测与对齐的相关算法。欢迎大家关注我们的公众号:磐创AI。
磐创AI
2018/09/20
1.5K0
深度学习之视频人脸识别系列三:人脸表征
人脸识别技术的真相
人脸识别是机器学习的直接应用,这项技术已经被消费者、行业和执法机关广泛采用,它可能为我们的日常生活带来了便利,但也有严重的隐私问题。人脸识别已经超过了人类的工作效率,但是,在某些应用中实际实现时还存在问题。 立足于九十年代MIT的Eigenfaces方法,人脸识别第一次成功的大规模实现是2014年Facebook的DeepFace项目,准确性在实验室条件下达到了人类水平。从2014年开始,更大的训练数据集、GPU以及神经网络架构的快速发展进一步提高了人脸识别在通向现实世界可靠应用的更为丰富的上下文中的效率。
程序你好
2018/07/20
1.9K0
推荐阅读
相关推荐
Kaggle座头鲸识别赛,TOP10团队的解决方案分享
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档