YOLOV8的目标检测系统

已于 2024-06-25 16:13:53 修改
阅读量808 收藏 7
点赞数 7
文章标签： YOLO 目标检测 人工智能
于 2024-06-25 16:09:14 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2202_75530902/article/details/139960591
版权

一、项目背景

        本项目旨在创建一个综合性的视频处理工具，融合了目标检测、姿态估计和视频分割等多种计算机视觉技术。通过提供直观的用户界面，使用户能够轻松地对视频进行处理和分析，满足在监控、视频内容创作、科研等领域对视频深入理解和处理的需求。      

二、项目目的 

        目的在于创建一个基于 PyQt5 的图形用户界面（GUI）应用程序，能够方便地打开视频文件，并提供了三种主要的处理功能：追踪、姿态估计和分割。用户可以通过界面上的按钮选择所需的操作，并从预定义的模型选项中选择合适的模型进行处理。整个应用旨在为用户提供一个直观、易用的视频处理工具，使其能够在一个界面中完成多种与计算机视觉相关的任务，而无需复杂的命令行操作或专业知识。同时，通过实时显示处理后的视频帧，让用户能够直观地看到处理效果。   

三、代码概述

        这段代码主要使用了 Python 的多个库和模块，包括 os、sys、cv2 用于处理文件和图像操作，PyQt5 用于构建图形用户界面（GUI），以及 ultralytics 中的 YOLO 模型进行目标检测等任务。

四、关键代码解析

        1.模型选项的定义：

                这部分定义了不同任务所对应的模型路径，为后续根据用户选择加载模型提供了基础。

# 定义模型选择的选项
model_options = {
    "检测模型": "yolov8n.pt",
    "姿态估计模型": "yolov8n-pose.pt",
    "分割模型": "yolov8n-seg.pt"

        2.MainWindow 类的构造函数：

                这里完成了主窗口的初始化工作，包括窗口属性设置、布局安排、按钮创建以及与各种操作对应的事件关联

class MainWindow(QMainWindow):
    def __init__(self):

        3.打开视频的相关办法：

 def open_video(self):
        """
        打开视频文件的方法
        - 弹出文件选择对话框，获取用户选择的视频文件路径
        - 如果未选择文件，弹出错误提示框并返回
        - 尝试使用 OpenCV 打开选择的视频文件
        - 如果打开成功，启用相关操作按钮，并调用显示视频的方法
        - 如果打开失败，弹出错误提示框
        """
        video_path, _ = QFileDialog.getOpenFileName(self, "选择视频文件", "", "Video Files (*.mp4 *.avi)")
        if not video_path:  
            QMessageBox.warning(self, "错误", "未选择视频文件")
            return
        try:
            self.cap = cv2.VideoCapture(video_path)
            self.start_tracking_button.setEnabled(True)
            self.start_estimation_button.setEnabled(True)
            self.start_segmentation_button.setEnabled(True)
            self.show_video()
        except:  
            QMessageBox.warning(self, "错误", "视频文件错误")

        4.各种任务的开始和执行方法：

def start_tracking(self):
        """
        开始追踪的方法
        - 如果视频捕获对象存在
        - 设置追踪标志为 `True`，禁用开始追踪按钮，启用结束追踪按钮
        - 根据选择的模型选项获取模型路径并加载模型
        - 调用追踪视频的方法
        """
        if self.cap is not None:
            self.is_tracking = True  
            self.start_tracking_button.setEnabled(False)
            self.stop_tracking_button.setEnabled(True)

            selected_option = self.model_combobox.currentText()  
            model_path = model_options[selected_option]  

            # 加载模型
            self.model = YOLO(model_path, task='track')

            self.track_video(self.cap)
        开始姿态估计的方法：
 def start_estimation(self):
        """
        开始姿态估计的方法
        - 如果视频捕获对象存在
        - 设置姿态估计标志为 `True`，禁用开始姿态估计按钮
        - 根据选择的模型选项获取模型路径并加载模型
        - 调用姿态估计处理的方法
        """
        if self.cap is not None:
            self.is_estimating = True  
            self.start_estimation_button.setEnabled(False)

            selected_option = self.model_combobox.currentText()  
            model_path = model_options[selected_option]  

            # 加载模型
            self.model = YOLO(model_path, task='pose')

            self.estimate_pose()
         开始分割的方法：
def start_segmentation(self):
        """
        开始分割的方法

        1. 如果视频捕获对象存在：
            - 设置分割标志为 True
            - 禁用开始分割按钮
            - 根据当前选择的模型选项获取模型路径
            - 加载分割模型
            - 调用执行分割的方法
        """
        if self.cap is not None:
            self.is_segmenting = True  
            self.start_segmentation_button.setEnabled(False)

            selected_option = self.model_combobox.currentText()  
            model_path = model_options[selected_option]  

            # 加载模型
            self.model = YOLO(model_path, task='segment')

            self.perform_segmentation()
        主程序入口：
if __name__ == "__main__":
    """
    主程序入口

    1. 创建 PyQt5 应用程序对象
    2. 创建主窗口对象
    3. 显示主窗口
    4. 启动应用程序的主事件循环，并在退出时返回退出状态
    """
    app = QApplication(sys.argv)
    window = MainWindow()
    window.show()
    sys.exit(app.exec_())

        前段界面窗口 ：

 前端的追踪模型运行窗口：

 超详细项目代码分析：

import os
import sys
import cv2
from PyQt5.QtWidgets import *
from PyQt5.QtCore import *
from PyQt5.QtGui import *
from ultralytics import YOLO
"""
上述代码导入了所需的模块和库，包括操作系统相关模块、系统模块、OpenCV 库、PyQt5 的相关模块以及 YOLO 模型库
"""

# 定义模型选择的选项
model_options = {
    "检测模型": "yolov8n.pt",
    "姿态估计模型": "yolov8n-pose.pt",
    "分割模型": "yolov8n-seg.pt"
}
"""
创建一个字典 `model_options`，其中包含了不同任务的模型路径
"""

class MainWindow(QMainWindow):
    def __init__(self):
        """
        主窗口的构造函数
        - 调用父类 `QMainWindow` 的构造函数
        - 设置窗口标题和大小
        - 创建中心部件，并将其设置为窗口的中心部件
        - 创建垂直布局，并将其设置为中心部件的布局
        - 创建水平布局，用于放置各种按钮和组合框
        - 创建并设置打开视频按钮，关联点击事件 `open_video`
        - 创建并设置开始追踪、结束追踪、开始姿态估计、开始分割和退出按钮，分别关联相应的点击事件
        - 创建模型选择组合框，添加选项，并将其添加到水平布局
        - 将水平布局添加到垂直布局
        - 创建用于显示视频的标签，并添加到垂直布局
        - 初始化视频捕获对象、各种操作的标志以及模型对象
        """
        super(MainWindow, self).__init__()
        self.setWindowTitle("基于YOLOv8的目标检测")
        self.setGeometry(100, 100, 800, 600)

        self.central_widget = QWidget()
        self.setCentralWidget(self.central_widget)

        self.layout = QVBoxLayout()
        self.central_widget.setLayout(self.layout)

        self.horizontal_layout = QHBoxLayout()  

        self.open_button = QPushButton("打开视频")
        self.open_button.setFixedSize(100, 30) 
        self.open_button.clicked.connect(self.open_video)
        self.horizontal_layout.addWidget(self.open_button)  

        self.start_tracking_button = QPushButton("开始追踪")
        self.start_tracking_button.setEnabled(False)
        self.start_tracking_button.setFixedSize(100, 30) 
        self.start_tracking_button.clicked.connect(self.start_tracking)
        self.horizontal_layout.addWidget(self.start_tracking_button)  

        self.stop_tracking_button = QPushButton("结束追踪")
        self.stop_tracking_button.setEnabled(False)
        self.stop_tracking_button.setFixedSize(100, 30) 
        self.stop_tracking_button.clicked.connect(self.stop_tracking)
        self.horizontal_layout.addWidget(self.stop_tracking_button) 

        self.start_estimation_button = QPushButton("开始姿态估计")
        self.start_estimation_button.setEnabled(False)
        self.start_estimation_button.setFixedSize(100, 30) 
        self.start_estimation_button.clicked.connect(self.start_estimation)
        self.horizontal_layout.addWidget(self.start_estimation_button)  

        self.start_segmentation_button = QPushButton("开始分割")
        self.start_segmentation_button.setEnabled(False)
        self.start_segmentation_button.setFixedSize(100, 30)  
        self.start_segmentation_button.clicked.connect(self.start_segmentation)
        self.horizontal_layout.addWidget(self.start_segmentation_button) 

        self.exit_button = QPushButton("退出") 
        self.exit_button.setFixedSize(100, 30) 
        self.exit_button.clicked.connect(self.close)  
        self.horizontal_layout.addWidget(self.exit_button)  

        self.model_combobox = QComboBox()  
        self.model_combobox.addItems(model_options.keys())  
        self.horizontal_layout.addWidget(self.model_combobox)  

        self.layout.addLayout(self.horizontal_layout) 

        self.video_label = QLabel()
        self.layout.addWidget(self.video_label)

        self.cap = None
        self.is_tracking = False  
        self.is_estimating = False  
        self.is_segmenting = False  
        self.model = None  

    def open_video(self):
        """
        打开视频文件的方法
        - 弹出文件选择对话框，获取用户选择的视频文件路径
        - 如果未选择文件，弹出错误提示框并返回
        - 尝试使用 OpenCV 打开选择的视频文件
        - 如果打开成功，启用相关操作按钮，并调用显示视频的方法
        - 如果打开失败，弹出错误提示框
        """
        video_path, _ = QFileDialog.getOpenFileName(self, "选择视频文件", "", "Video Files (*.mp4 *.avi)")
        if not video_path:  
            QMessageBox.warning(self, "错误", "未选择视频文件")
            return
        try:
            self.cap = cv2.VideoCapture(video_path)
            self.start_tracking_button.setEnabled(True)
            self.start_estimation_button.setEnabled(True)
            self.start_segmentation_button.setEnabled(True)
            self.show_video()
        except:  
            QMessageBox.warning(self, "错误", "视频文件错误")

    def show_video(self):
        """
        持续读取并显示视频帧的方法
        - 只要视频捕获对象处于打开状态，循环读取帧
        - 如果读取成功，将帧转换为 `QImage` 和 `QPixmap`，并设置到视频标签中显示，处理应用程序事件
        - 如果读取失败，退出循环并释放视频捕获对象
        """
        while self.cap.isOpened():
            success, frame = self.cap.read()
            if success:
                qt_image = QImage(frame.data, frame.shape[1], frame.shape[0], QImage.Format_RGB888)
                pixmap = QPixmap.fromImage(qt_image)
                self.video_label.setPixmap(pixmap)
                QApplication.processEvents()
            else:
                break
        self.cap.release()

    def start_tracking(self):
        """
        开始追踪的方法
        - 如果视频捕获对象存在
        - 设置追踪标志为 `True`，禁用开始追踪按钮，启用结束追踪按钮
        - 根据选择的模型选项获取模型路径并加载模型
        - 调用追踪视频的方法
        """
        if self.cap is not None:
            self.is_tracking = True  
            self.start_tracking_button.setEnabled(False)
            self.stop_tracking_button.setEnabled(True)

            selected_option = self.model_combobox.currentText()  
            model_path = model_options[selected_option]  

            # 加载模型
            self.model = YOLO(model_path, task='track')

            self.track_video(self.cap)

    def stop_tracking(self):
        """
        停止追踪的方法
        - 设置追踪标志为 `False`，启用开始追踪按钮，禁用结束追踪按钮
        """
        self.is_tracking = False  
        self.start_tracking_button.setEnabled(True)
        self.stop_tracking_button.setEnabled(False)

    def track_video(self, cap):
        """
        实际执行追踪和显示追踪结果的方法
        - 只要视频捕获对象处于打开状态且追踪标志为 `True`，循环读取帧
        - 如果读取成功，使用模型进行追踪处理，获取并显示标注后的帧
        - 如果读取失败，退出循环，释放视频捕获对象和关闭 OpenCV 窗口
        """
        while cap.isOpened() and self.is_tracking:  
            success, frame = cap.read()
            if success:
                results = self.model.track(frame, persist=True)
                annotated_frame = results[0].plot()
                qt_image = QImage(annotated_frame.data, annotated_frame.shape[1], annotated_frame.shape[0], QImage.Format_RGB888)
                pixmap = QPixmap.fromImage(qt_image)
                self.video_label.setPixmap(pixmap)
                QApplication.processEvents()
            else:
                break
        cap.release()
        cv2.destroyAllWindows()

    def start_estimation(self):
        """
        开始姿态估计的方法
        - 如果视频捕获对象存在
        - 设置姿态估计标志为 `True`，禁用开始姿态估计按钮
        - 根据选择的模型选项获取模型路径并加载模型
        - 调用姿态估计处理的方法
        """
        if self.cap is not None:
            self.is_estimating = True  
            self.start_estimation_button.setEnabled(False)

            selected_option = self.model_combobox.currentText()  
            model_path = model_options[selected_option]  

            # 加载模型
            self.model = YOLO(model_path, task='pose')

            self.estimate_pose()

    def estimate_pose(self):
        """
        执行姿态估计并显示结果的方法

        循环条件：只要视频捕获对象处于打开状态并且正在进行姿态估计
        1. 从视频捕获对象中读取一帧图像
        2. 如果读取成功：
            - 使用加载的模型对帧进行姿态估计处理
            - 获取处理后的标注帧
            - 将标注帧转换为 QImage 和 QPixmap 格式
            - 将 QPixmap 设置到视频标签中显示
            - 处理应用程序的事件以确保界面更新
        3. 如果读取失败，退出循环
        4. 最后释放视频捕获对象
        """
        while self.cap.isOpened() and self.is_estimating: 
            success, frame = self.cap.read()
            if success:
                results = self.model(frame)
                annotated_frame = results[0].plot()

                qt_image = QImage(annotated_frame.data, annotated_frame.shape[1], annotated_frame.shape[0], QImage.Format_RGB888)
                pixmap = QPixmap.fromImage(qt_image)
                self.video_label.setPixmap(pixmap)

                QApplication.processEvents()
            else:
                break
        self.cap.release()

    def start_segmentation(self):
        """
        开始分割的方法

        1. 如果视频捕获对象存在：
            - 设置分割标志为 True
            - 禁用开始分割按钮
            - 根据当前选择的模型选项获取模型路径
            - 加载分割模型
            - 调用执行分割的方法
        """
        if self.cap is not None:
            self.is_segmenting = True  
            self.start_segmentation_button.setEnabled(False)

            selected_option = self.model_combobox.currentText()  
            model_path = model_options[selected_option]  

            # 加载模型
            self.model = YOLO(model_path, task='segment')

            self.perform_segmentation()

    def perform_segmentation(self):
        """
        执行分割并显示结果的方法

        循环条件：只要视频捕获对象处于打开状态并且正在进行分割
        1. 从视频捕获对象中读取一帧图像
        2. 如果读取成功：
            - 使用加载的模型对帧进行分割处理
            - 获取处理后的标注帧
            - 将标注帧转换为 QImage 和 QPixmap 格式
            - 将 QPixmap 设置到视频标签中显示
            - 处理应用程序的事件以确保界面更新
        3. 如果读取失败，退出循环
        4. 最后释放视频捕获对象
        """
        while self.cap.isOpened() and self.is_segmenting: 
            success, frame = self.cap.read()
            if success:
                results = self.model(frame)
                annotated_frame = results[0].plot()

                qt_image = QImage(annotated_frame.data, annotated_frame.shape[1], annotated_frame.shape[0], QImage.Format_RGB888)
                pixmap = QPixmap.fromImage(qt_image)
                self.video_label.setPixmap(pixmap)

                QApplication.processEvents()
            else:
                break
        self.cap.release()

if __name__ == "__main__":
    """
    主程序入口

    1. 创建 PyQt5 应用程序对象
    2. 创建主窗口对象
    3. 显示主窗口
    4. 启动应用程序的主事件循环，并在退出时返回退出状态
    """
    app = QApplication(sys.argv)
    window = MainWindow()
    window.show()
    sys.exit(app.exec_())

总结：

        通过以上代码的实现，我们成功构建了一个集成了多种计算机视觉任务的 PyQt5 应用程序。用户可以通过简单的操作选择模型和执行相应的任务，并在界面中实时查看处理结果

本文文章链接：YOLOV8的目标检测系统-CSDN博客

你的名字·
关注
  • 7
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
YOLOv8目标检测代码如何实现训练、测试、指标评估、调用摄像头实时检测和目标追踪的接口调用脚本
一个兴趣使然CVer的博客
07-31 1万+
YOLOv8是单阶段目标检测的集大成之作，它可以帮助我们在图像或视频中自动识别和定位感兴趣的目标物体。本文将介绍如何调用YOLOv8的API实现训练、测试和调用摄像头进行实时检测和追踪。
基于YOLOv8模型的海洋生物目标检测系统（PyTorch+Pyside6+YOLOv8模型）（含源码+模型+可修改
AI算法爱好者角落
04-17 1598
1、模型训练与导入：使用 YOLOv8（You Only Look Once version 8）目标检测模型进行深海鱼数据集的训练。YOLOv8 因其高效的速度和准确度而受到青睐。训练好的模型可以以 ONNX 或 PyTorch（PT）格式导出，方便在不同的平台和框架上部署。用户可以通过系统界面上传并导入自己的训练模型，实现模型的初始化。2、图像、视频和摄像头检测：图像检测：用户可以通过页面上传单张或多张图片，系统使用已训练的模型对图片中的深海鱼进行检测，并将结果可视化展示在页面上。
基于YOLOV8的目标检测系统项目详细讲解
2301_80854431的博客
06-24 985
本项目使用的是。
睿智的目标检测66——Pytorch搭建YoloV8目标检测平台
Bubbliiiing的学习小课堂
05-15 4万+
又搞了个YoloV8，看起来似乎在抢这个名字。YoloV8所使用的主干特征提取网络主要为速度快做了一些优化：1、颈部结构使用普通的步长为2的3x3卷积。YoloV5最初使用了Focus结构来初步提取特征，在改进后使用了大卷积核的卷积来初步提取特征，速度都不快。YoloV7则使用了三次卷积来初步提取特征，速度也不快。YoloV8则使用普通的步长为2的3x3卷积核来初步提取特征（估计是感受野够了）。这样做会损失一些感受野，但是可以提高模型的速度。
【YOLOv8】实战一：手把手教你使用YOLOv8实现实时目标检测
热门推荐
virobotics的博客
04-15 9万+
YOLOv8导出为onnx模型，YOLOv8在LabVIEW中的部署，实现实时目标检测！在CPU和GPU上实现加速
YOLOv8目标检测源码.rar
05-11
YOLO（You Only Look Once）系列是深度学习...通过研究源码，不仅可以掌握YOLOv8的设计原理，还能了解到如何实现一个高效的目标检测系统，这对于任何对计算机视觉和深度学习感兴趣的开发者来说都是一次宝贵的学习机会。
yolov8目标检测权重
02-29
YOLO（You Only Look Once）是一种实时目标检测系统，它在计算机视觉领域有着广泛的应用。YOLOv8是YOLO系列的最新版本，这个压缩包文件包含的是YOLOv8模型的权重，这些权重用于训练后的模型，可以快速地对图像进行...
YOLOv8 目标检测源码
02-27
YOLO，即“你只看一次”（You Only Look Once），是一种实时的、端到端的目标检测系统，因其高效性和准确度而受到广泛关注。YOLOv8 是该系列的最新版本，它在前几代的基础上进行了优化，提升了检测速度和精度。 ...
基于Gradio的YOLOv8通用目标检测与图像分割演示系统
04-24
在YOLOv8的目标检测系统中，结合Gradio，我们可以构建一个直观的演示平台，让用户上传图片并立即看到目标检测的结果，极大地提高了模型的可操作性和用户体验。 这个基于Gradio的YOLOv8演示系统具有以下关键特性： ...
YOLOv8目标检测任务预训练模型
03-02
YOLOv8是一款高效、精准的目标检测模型，其在计算机视觉领域有着广泛的应用。Yolo，全称为"YOLO：You Only Look Once"，是一种实时的物体检测系统，旨在快速而准确地识别图像中的多个对象。YOLO系列模型以其快速的...
YOLO场景
weixin_52236586的博客
07-24 277
YOLO（You Only Look Once）目标检测技术的应用场景示例表格，包括各种领域的实际应用：
【YOLOv8系列】图像分类篇----通过YOLOv8实现图像分类功能
AnChenliang_1002的博客
07-24 123
最近需要使用YOLOv8实现图像分类的功能，因此记录一下整个过程。
YOLO训练触发早停
weixin_52236586的博客
07-25 333
日志：or use。
YOLO训练过程日志，数值都小于1原因？
weixin_52236586的博客
07-24 393
在YOLO等目标检测模型中，总损失是多个损失项的组合。通常，总损失会进行归一化以平衡各个损失项的影响。这种组合的归一化处理通常会使总损失值较小，但它提供了一个有效的衡量标准来评估模型的整体性能。总之，损失值小于1是正常的，归一化处理是为了确保训练过程中的稳定性和有效性。关注损失值的变化趋势比关注绝对值更为重要，这样可以更好地了解模型的训练情况。如果你的YOLOv5训练日志显示损失值如。
基于yolov8的实例分割全过程详细教学
qq_36738025的博客
07-25 187
（3）修改数据集的配置文件ultralytics-main\ultralytics\cfg\datasets\coco128-seg.yaml ，换上自己数据集的路径以及标签名称，和目标检测一样；修改model的配置文件ultralytics-main\ultralytics\cfg\models\v8\yolov8-seg.yaml 下的类别，将80类换成自己的类别个数。这里由于保存的是json所以要更新为txt格式，记得修改路径。在当前文件夹下运行，记得更换一下下面的路径。
YOLOv8魔改核心-模型yaml文件解析与网络结构打印
mw的博客
07-25 771
本篇文章主要用于YOLOv8中网络模型yaml文的解读，我们一般只知道如何去训练模型，和配置yaml文件，但是对于yaml文件是如何输入到模型里，模型如何将yaml文件解析出来的确是不知道的，下面我们从yaml文件来讲解。
yolov8.1超简单环境搭建、标注、训练、转onnx、转输出维度
最新发布
one goto one 的博客
07-25 225
(最新的yolo8改用默认GPU版的onnxruntime，要安装一下下面的库，否则ONNX转换会有警告)gitub镜像下载地址:https://hub.nuaa.cf/shouxieai/infer。
yolov8训练自己的实例分割数据集
耶律大石的博客
07-24 495
参考：2、下载最新yolov8代码。
yolov8 目标检测追踪
06-13
YOLOv8（You Only Look Once version 8）是目标检测算法YOLO（You Only Look Once）的一个最新迭代版本。YOLO是一系列实时目标检测系统的开创者，因其快速的速度和相对较高的检测精度而闻名。YOLOv8继承了YOLO系列的实时性和易用性，同时进行了多方面的改进。 1. **架构**：YOLOv8采用了单阶段检测器的设计，即在一次前向传播中直接预测出物体的位置和类别，这与两阶段方法（如R-CNN）相比更高效。 2. **模型大小和性能**：它支持不同尺寸的网络结构，包括较大的模型（如YOLOv5）和轻量级模型，适应不同的计算资源需求。YOLov8优化了模型设计，旨在提供更好的速度-精度平衡。 3. **数据集和训练**：YOLOv8可以在更大的数据集上进行训练，如COCO，这有助于提高模型的泛化能力。它可能使用迁移学习技术，从预训练的大型模型开始，然后微调适应特定任务。 4. **目标追踪**：YOLOv8本身并不是一个专门的追踪系统，但它检测到的目标可以作为追踪算法的输入。通常，结合其他追踪技术（如卡尔曼滤波、深度关联法等），可以在连续帧中跟踪同一物体。 5. **优点**：YOLOv8具有实时性、高效率和准确性，特别适合于无人机、自动驾驶车辆、监控等应用中对实时性能要求高的场景。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

你的名字·

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值