fasterRCNN模型实现飞机类目标检测

已于 2024-09-16 18:18:48 修改
阅读量1.2k 收藏 16
点赞数 20
文章标签： 目标检测 人工智能 计算机视觉
于 2024-09-16 17:59:57 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/2401_87275147/article/details/142305181
版权

加入会员社群，免费获取本项目数据集和代码：点击进入>>

关于python哥团队

我们是一个深度学习领域的独立工作室。团队成员有：中科大硕士、纽约大学硕士、浙江大学硕士、华东理工博士等，曾在腾讯、百度、德勤等担任算法工程师/产品经理。全网20多万+粉丝，拥有2篇国家级人工智能发明专利。

团队特色：深度实战、算法创新、论文复现

学校/培训机构等市场上大多数课程是理论教学或基础通用项目，我们专注于：1）中高端， 深度学习模型，而非简单的机器学习。2）深度项目实战，各类模型变种覆盖全面，提供市场上不好搜没地方学的技术教程。3）算法创新，顶级期刊/论文/毕设/竞赛一对一辅导。

1. 项目简介

项目 A025 是基于 Faster R-CNN 模型实现的飞机类目标检测任务。该项目的主要目标是开发一个能够在图像中准确识别并定位飞机的深度学习模型，为自动化监控、卫星图像分析以及军事领域的目标检测提供解决方案。随着深度学习技术的进步，卷积神经网络（CNN）已经在图像分类和物体检测等任务中展现了强大的能力。而 Faster R-CNN 作为其中的经典目标检测模型，结合了区域提议网络（RPN）和基于特征图的分类与回归模块，使得目标检测变得更加高效且精确。

在此项目中，我们使用 Faster R-CNN 模型来处理复杂的航空图像数据，识别其中的飞机目标。Faster R-CNN 的结构分为两大部分：首先，区域提议网络生成一系列可能包含目标的候选区域；其次，这些候选区域会被进一步分类为飞机或背景，并进行精确定位。这一方法较之于传统的基于滑窗或选择性搜索的目标检测方法，能够更好地平衡检测速度与精度，在实际应用中具备更强的可扩展性和稳定性。

2.技术创新点摘要

  1. 使用预训练模型进行微调：项目加载了一个预训练的 Faster R-CNN 模型，特别是基于 ResNet50 的骨干网络，并利用 COCO 数据集的权重进行微调。这种方法能够加快训练过程，减少对大型数据集的依赖，并确保模型能够在新任务中快速收敛，特别是在较小的训练集上，这是一种常见且有效的策略。
  2. 自定义数据增强：通过代码中的配置，项目特别引入了数据增强机制，比如图像翻转（flip_rate = 0.5），有效提升了模型的泛化能力。这种增强不仅扩大了数据的多样性，还能帮助模型更好地适应实际应用场景中的变化，如不同视角的飞机图像。

3. 数据集与预处理

项目使用的数据集主要包含飞机类目标的标注数据，每张图片都标注了飞机的边界框（Bounding Box）以及对应的标签。数据集中每张图像通常包含一个或多个飞机目标，适合进行目标检测任务。该数据集的来源可能是公开的航空影像数据集，或者是通过手动标注获得的专有数据，旨在提升模型对飞机目标的识别与检测能力。

在数据预处理方面，项目首先进行了一些必要的预处理步骤以确保模型能够接受并有效处理输入数据。预处理流程包括以下几部分：

  1. 归一化与图像尺寸调整：为了使模型在处理不同分辨率的图像时具有一致性，数据中的图像首先会进行归一化操作，即将像素值缩放到 [0, 1] 范围内。此外，图像的尺寸可能会被调整为统一大小，以适应网络输入的需求。
  2. 数据增强：为增强模型的泛化能力，项目引入了数据增强技术。最常见的操作包括水平翻转（根据设定的概率进行），这种操作在目标检测任务中特别有效，因为它增加了不同视角下的飞机样本，模拟了实际场景中的多样性，提升了模型的鲁棒性。此外，项目可能还使用了其他增强方式，如随机裁剪、旋转或亮度调整等，这些操作能够进一步丰富数据集的多样性，避免模型过拟合。
  3. 特征工程：在特征提取方面，项目利用了卷积神经网络（CNN）自带的特征提取能力，特别是通过 ResNet50 网络获取高级特征。项目并没有进行传统的手动特征工程，而是依靠深度学习模型自动学习图像的空间信息和结构特征。

在这里插入图片描述

4. 模型架构

项目使用了基于 Faster R-CNN 的目标检测模型，具体为 fasterrcnn_resnet50_fpn。模型主要由以下几个部分组成：

主干网络（Backbone） ：使用了 ResNet50 作为特征提取器，通过多层卷积层提取输入图像的高级特征。这部分的数学公式主要是基于卷积运算：

X out = Conv ( X in , W ) + b X_{\text{out}} = \text{Conv}(X_{\text{in}}, W) + b Xout​=Conv(Xin​,W)+b

其中 Xin 是输入特征图，W 是卷积核，b是偏置项。

特征金字塔网络（FPN, Feature Pyramid Network） ：这是 Faster R-CNN 的一个扩展，用于生成不同尺度的特征金字塔，提升模型对多尺度目标的检测能力。FPN 在多层特征图上进行横向连接和自上而下的路径组合，主要计算为：

P l = Conv ( C l ) + UpSample ( P l + 1 ) P_{l} = \text{Conv}(C_{l}) + \text{UpSample}(P_{l+1}) Pl​=Conv(Cl​)+UpSample(Pl+1​)

其中 Pl是第 lll 层的金字塔特征图，Cl 是来自 backbone 的特征图。

区域提议网络（RPN, Region Proposal Network） ：RPN 通过滑动窗口生成候选框，使用 anchors（预定义的框架）来提议潜在目标位置。RPN 的核心计算是：

L RPN = L cls + λ L reg L_{\text{RPN}} = L_{\text{cls}} + \lambda L_{\text{reg}} LRPN​=Lcls​+λLreg​

其中 Lcls 是分类损失，Lreg是回归损失。

ROI Head（区域兴趣框头） ：在 RPN 提供的候选框基础上，ROI Head 进一步对每个候选框进行分类和精确定位。分类器使用 softmax：

p i = e z i ∑ j = 1 K e z j p_i = \frac{e^{z_i}}{\sum_{j=1}^{K} e^{z_j}} pi​=∑j=1K​ezj​ezi​​

其中 pi 是第 i类的预测概率。

模型的整体训练流程：

训练数据准备：首先将数据集拆分为训练集和验证集，数据通过 DataLoader 进行批次加载，并进行归一化和数据增强（如水平翻转）。

模型初始化：加载预训练的 Faster R-CNN 模型，并将其最后的分类层替换为与目标类别数量匹配的预测器。模型运行在 GPU（若可用）上。

损失函数：损失函数由分类损失和边界框回归损失组成，模型通过最小化这两个损失来进行参数更新。

训练过程：在每个 epoch，模型通过训练集进行前向传播和反向传播，优化器根据损失更新模型参数。训练过程中还使用验证集来监控模型性能。

评估指标：

准确率（Accuracy） ：在验证集上评估检测的正确率。

平均精度（mAP, Mean Average Precision） ：这是目标检测常用的评估指标，通过计算不同 IoU（Intersection over Union）阈值下的精度，衡量模型的检测性能。

5. 核心代码详细讲解

1. 数据预处理与增强

解释：

  • 这个类继承自 torchvision.transforms 的 RandomHorizontalFlip，实现了图像和对应目标的水平翻转。
  • torch.rand(1) < self.p 用于控制翻转的概率，其中 self.p 是翻转概率。
  • F.hflip(image) 是水平翻转图像的函数。
  • 若目标 target 中包含边界框信息（boxes），则会根据图像宽度 width 调整目标框的坐标（将水平翻转后的坐标重计算）。
  • 同样，如果目标中包含掩码（masks），会对其进行水平翻转。

2. 数据集加载器

解释：

  • 这是自定义的数据集类，用于将数据集转换为 PyTorch 模型可以处理的格式。
  • self.transforms 是数据增强操作，self.df 是数据集的 DataFrame。
  • getitem 方法用于获取特定索引下的图像和目标数据。首先根据 image_id 获取目标数据，然后读取图像，并构建一个包含边界框（boxes）、标签（labels）、图像 ID、iscrowd 标志和目标面积的目标字典（target）。
  • 图像数据和目标数据会通过 get_transform 进行数据增强操作，之后图像像素值会被归一化到 [0, 1] 范围内，边界框的坐标会被转换为 float32 类型以便模型处理。

3. 模型架构构建

解释：

  • 该函数用于创建并返回一个基于 Faster R-CNN 的目标检测模型。
  • 首先，torchvision.models.detection.fasterrcnn_resnet50_fpn 使用 ResNet50 作为骨干网络，并通过 FPN 提升特征提取能力。
  • 预训练权重通过 torch.load(pretrained_path) 加载，然后使用 load_state_dict 函数将其应用到模型中。
  • 为了适应新的任务，修改了 Faster R-CNN 的预测头（box_predictor）。模型的 ROI Head 部分的分类层 cls_score 的输入特征数量被提取出来，然后将该分类层替换为一个新的 FastRCNNPredictor，该预测器可以根据目标类别数量（num_classes）进行分类。

4. 模型训练与评估

解释：

  • 这个训练循环包括模型的训练和验证过程。
  • model.train() 进入训练模式，开始处理训练数据。训练过程中，图像和目标被转换为 device 上的张量（如 GPU）。然后通过调用模型，返回损失字典（loss_dict），包含分类损失和边界框回归损失。
  • 损失值通过 sum() 求和，然后通过 backward() 进行反向传播，更新模型参数。
  • 在验证阶段，模型切换到评估模式 model.eval()，且禁用梯度计算 torch.no_grad()，模型对验证集进行推断以计算损失，但不会更新权重。

6. 模型优缺点评价

模型优点：

  1. 预训练模型的使用：该模型基于 Faster R-CNN，并使用了预训练的 ResNet50 作为骨干网络，预训练模型能够加速收敛，减少对大量标注数据的依赖，同时提升模型的准确性。
  2. 多尺度特征提取：通过引入特征金字塔网络（FPN），模型具备处理不同尺度目标的能力，使其在飞机检测任务中表现出色，能够应对图像中飞机目标大小的多样性。
  3. 自定义数据增强：在数据预处理过程中，模型引入了水平翻转等增强技术，有效提高了模型的泛化能力，使得模型在不同角度和场景下对目标的鲁棒性得到增强。
  4. 灵活的 ROI 头部调整：通过自定义 FastRCNNPredictor 分类头，可以灵活应对不同数据集的需求，并根据目标类别数量动态调整模型结构。

模型缺点：

  1. 计算资源需求大：Faster R-CNN 虽然精度较高，但训练时间长，计算资源需求大，尤其是在多层卷积和 FPN 的作用下，对硬件要求较高，不适合实时检测任务。
  2. 检测速度较慢：相较于更轻量的目标检测模型（如 YOLO 系列），Faster R-CNN 的检测速度较慢，尤其在需要快速响应的场景中可能表现不足。
  3. 数据增强手段单一：当前的数据增强方法仅限于水平翻转等简单操作，缺乏更多多样化的增强手段，未考虑旋转、缩放、亮度调整等增强方式。

可能的改进方向：

  1. 模型结构优化：可以考虑采用更轻量化的网络结构，如使用 MobileNet 或 ShuffleNet 替代 ResNet50，提升模型的检测速度和计算效率。
  2. 增加数据增强方法：引入更多的数据增强方法，如随机裁剪、颜色抖动、亮度调整等，以进一步提升模型的泛化能力，尤其在数据量较小的情况下。
  3. 超参数调整：可以进一步优化学习率、批次大小、训练轮次等超参数，使模型更快收敛，同时避免过拟合或欠拟合问题。
  4. 结合其他检测模型：可以结合一些较新的模型架构，如使用 YOLOv5 或 EfficientDet，以提升检测速度，同时保持精度。
    在这里插入图片描述
    热门推荐：
    CNN模型实现mnist手写数字识别
    改进创新TransUNet图像分割
    efficientnet-b3模型实现动物图像识别与分类
深度学习实战训练营
关注
实战5：基于 Pytorch 搭建 Faster-R-CNN 实现飞机目标检测（代码+数据）
01-09 1536
实战5：基于 Pytorch 搭建 Faster-R-CNN 实现飞机目标检测（代码+数据）
使用pytorch的预训练模型fasterrcnn实现目标检测
qwwwwwwbnm的博客
01-10 870
pytorch使用预训练模型进行目标检测
006 基于FasterRCNN的目标检测系统
2201_75291175的博客
06-05 266
常用包括车辆、行人、飞机、轮船、猫、狗、马、鸟、羊、自行车、瓶、椅子、火车、沙发、餐桌、电视机、盆栽植物等几十个类别进行检测和识别。）加载摄像头进行检测：可以选择摄像头进行目标检测，系统将检测和识别后的结果标注在图像流上并在界面上自动展示。）加载图像进行检测：可以选择图像进行目标检测，系统将检测和识别后的结果标注在图像上并在界面上自动展示。）加载视频进行检测：可以选择视频进行目标检测，系统将检测和识别后的结果标注在视频上并在界面上自动展示。界面的背景、按钮等，界面的操作和相关的代码都有详细的注释。
目标检测学习--Faster RCNN
panghuzhenbang的博客
06-08 1363
论文地址《Faster R-CNN Towards Real-Time Object》Faster RCNN将特征提取(feature extraction)，proposal提取，bounding box regression(Region Refine)，classification都整合在了一个网络中，使得检测性能较RCNN、Fast RCNN进一步提高。如上图所示： Conv layers：Faster RCNN首先使用一组基础的conv+relu+pooling操作提取输入image的featur
Faster-RCNN·代码解读系列02：一口气拿下Faster RCNN模型及其设计原理
小李的研究生学习日记
07-06 1155
本文旨在详细解析Faster R-CNN的工作原理及其设计原理，帮助读者深入理解这一重要模型。Faster R-CNN是在Fast R-CNN的基础上进一步发展的，其核心贡献在于引入了RPN网络，实现了候选框（Region Proposal）的自动生成，从而替代了传统的Selective Search算法，大大提升了检测速度。Faster R-CNN通过共享卷积特征，将RPN和Fast R-CNN融合为一个端到端的网络，实现了更高效的训练和检测。
目标检测网络 -- FasterRCNN
bywl_zts的博客
05-08 2641
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 FasterRCNN知识点一、ROI Pooling 一、ROI Pooling roi是在原图中的感兴趣区域：可以理解为region of interest。将原图进行特征提取时得到feature map，那么相应的ROI就会在feature map上有映射，这个映射过程就是roipooling的一部分，一般ROI的步骤会继续进行max pooling，进而得到我们需要的feature map，送入后面继续计算。 ...
目标检测经典论文详解之（一）Faster RCNN
公众号/知乎: AI算法札记，欢迎关注交流
01-13 1946
论文：  R-CNN (https://arxiv.org/abs/1311.2524) Fast R-CNN (https://arxiv.org/abs/1504.08083) Faster R-CNN (https://arxiv.org/abs/1506.01497) 代码：（mxnet）https://github.com/ijkguo/mx-rcnn 代码：（gluoncv）h...
目标检测——Faster RCNN
PRIS-SCMonkey的博客
03-06 664
本文假设读者已有图像分类及Fast-RCNN的基础。 对于Faster-RCNN来说，数据的流动可以从两个方面来理解，其一是从anchor的产生经过系统的筛选和分类以及回归最后得到候选框及其附加信息的角度出发。二是从输入三维图像矩阵的各种卷积变换到最后得到的结果出发。将两个数据的流动方向结合一起会对理解该模型更有帮助。 如果你还没有接触过目标检测系列的论文，可以去看我们上两篇的博客： 目标检测——...
深度学习和目标检测系列教程 23-300 ：FasterRCNN和yolov5训练飞机目标识别的小项目
微信号：RunsenLiu
09-05 4665
FasterRCNN和yolov5训练飞机目标识别的项目 目标检测算法主要包括：两类two-stage和one-stage 一类是two-stage，two-stage检测算法将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），这一类的典型代表是R-CNN, Fast R-CNN, Faster R-CNN，Mask R-CNN家族。他们识别错误率低，漏识别率也较低，但速度较慢，不能满足实时检测场景。 另一类方式称为one-stage检
基于Pytorch搭建Faster R-CNN实现飞机目标检测-数据集
01-09
根据提供的"基于Pytorch搭建Faster R-CNN实现飞机目标检测_数据集"，这个数据集应该包含飞机的标注图像，每个图像有对应的标注信息，如边界框坐标和类别标签。标准的数据集格式通常为PASCAL VOC或COCO，但这里可能是...
基于Faster-RCNN的遥感图像飞机检测算法
03-08
然后,在扩增后的数据集上,使用深度残差网络对图像进行特征提取,针对数据集中飞机目标的长宽比特点优化区域建议网络;同时,为了防止训练集中正负样本不均衡,采用在线困难样本挖掘方法对数据进行训练.在CCCV2017数据集...
【AI大模型】Kimi API大模型接口实现
最新发布
qq_25888559的博客
09-15 806
Kimi智能助手在效率（免费榜）排名从2024年1月14日的第436名提升至3月19日的第11名。而尚未上线的GPT-4.5 Turbo上下文窗口指定为25.6万个token，能同时处理约20万个单词，Kimi升级后，长文本能力为其10倍。在2023年10月初次亮相时，该模型的处理能力还仅有约20万汉字。2024年3月18日，月之暗面宣布Kimi智能助手启动200万字无损上下文内测。
生成式人工智能在新加坡的发展现状和地位
wukangjupingbb的博客
09-11 1090
依据国际隐私专业人员协会(IAPP)的相关报告，2020年，上述两机构更新了该模型框架，发布了第二版，并推出了《组织实施和自我评估指南》，帮助组织评估其人工智能治理实践与型框架的匹配程度，还发布了《案例汇编》，展示了组织如何实施负责任的人工智能治理实践。2019年，金融管理局宣布与金融行业合作创建Veritas框架，为金融机构提供可验证的方法，将FEAT原则纳入其人工智能和数据分析驱动的解决方案中。新加坡在人工智能治理方面采取了部门性的方法，即通过各个行业的监管机构来管理人工智能的使用。
从AI到大数据，数字技术服务平台全栈赋能企业升级
smjt2024的博客
09-11 640
海量的数据中蕴含着丰富的信息和价值，数字技术服务平台能够收集、整理和分析这些数据，为企业提供精准的市场洞察和决策支持。企业可以通过参加树莓集团举办的培训课程和研讨会，了解最新的数字技术趋势和应用案例，提升自身的数字技术水平。从技术咨询、解决方案设计到系统实施和运维，数字技术服务平台为企业提供一站式的服务，让企业无需担心技术难题，专注于自身的核心业务。树莓集团的数字技术服务平台，以其先进的技术、专业的服务和丰富的经验，为企业提供了全栈赋能。在数字时代，让我们共同利用数字技术服务平台，开启企业升级的新篇章。
Djourney新手入门基础，AI摄影+AI设计+AI绘画-AIGC作图
DAMOXINGHAITAI的博客
09-14 896
（全套教程文末领取哈）从大模型系统设计入手，讲解大模型的主要方法；在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；以SD多模态大模型为主，搭建了文生图小程序案例；以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
常见本地大模型个人知识库工具部署、微调及对比选型
09-14 838
由于作者的眼界、精力和能力也有限，并且确实也不是专业的AI研究员，仅仅是一位兴趣使然的爱好者，这里列出的几款也单纯只是作者平常关注到的，所以可能也不全，请各位见谅！文章从起笔写到这里已经过了三天了，这三天也基本把上文提到的大模型侧工具全部体验了一遍，下面说一下主要结论吧。从功能丰富度和性能优化的角度综合评估，LM Studio明显更胜一筹。从工具本身使用及模型部署效率来看，Ollama的上手速度会更快，使用会更便捷，效率也会更高。从企业级稳定性和高可用。
中伟视界：皮带跑偏检测算法及其实现模型和判断方法
yinweicai的专栏
09-13 1549
皮带输送机的跑偏检测技术，包括图像处理算法、机器学习模型和物联网技术的应用，详细阐述了各类判断方法及实际案例，强调实时监测和高精度检测的优势，提高了生产效率和安全管理水平。
解锁企业潜能，Vatee万腾平台引领智能新纪元
mingxiaoge的博客
09-13 314
同时，通过数据分析，平台还能为企业提供精准的生产计划建议，帮助企业实现资源的优化配置，降低生产成本，提高市场竞争力。它提供了智能化的管理平台，帮助企业实现数据的集中管理和分析。同时，平台还能根据企业的实际情况，提供定制化的管理方案，助力企业实现精细化管理，提升整体运营效率。通过与行业内的合作伙伴和科研机构建立紧密的合作关系，平台能够为企业提供最新的技术动态和市场趋势分析，助力企业把握先机，赢得未来。它不仅仅是一个技术工具，更是企业转型升级的加速器，能够深入企业运营的每一个角落，挖掘并释放企业潜藏的价值。
fasterRCNN模型的文字检测
09-12
### 回答1： 我可以给你介绍一下FasterRCNN模型的文字检测，它是一种基于深度学习的文字检测方法，可以有效的检测和识别文字内容。它的检测原理是利用卷积神经网络（CNN）提取图像特征，然后使用Region Proposal Network（RPN）提取候选文本区域，再通过文本分类和文本定位，最后得到文本检测结果。 ### 回答2： Faster R-CNN是一种常用于图像目标检测的模型，它通过整合了快速区域提议网络（RPN）和区域分类网络实现目标的检测。在Faster R-CNN模型中，文字检测也可以通过相似的方法完成。 在文字检测中，首先通过RPN网络生成一系列候选文本区域。RPN网络通过滑动窗口在图像上进行扫描，并使用锚点框来提出候选文本区域的概率分布。 接下来，将RPN网络提出的候选文本区域输入给区域分类网络。区域分类网络通过对这些候选区域进行分类和回归，进一步筛选和修正候选文本区域的位置和形状。 在区域分类网络中，一些常用的特征提取和分类网络如卷积神经网络（CNN）被使用。这些网络能够提取图像的特征，并通过分类器来对候选文本区域进行分类，以确保所选的区域包含文本。 最后，通过将候选文本区域进行后处理，去除重叠的区域，得到最终的文字检测结果。 与传统的文字检测方法相比，Faster R-CNN模型能够更准确地定位和识别文字，同时具有较快的检测速度。通过使用深度学习方法，Faster R-CNN模型能够从大量的图像数据中学习并提取到有效的特征，从而提高了文字检测的准确性和鲁棒性。并且，Faster R-CNN模型还可以通过调整网络结构或训练参数来应对不同场景下的文字检测任务。 ### 回答3： fasterRCNN模型是一种用于文字检测的深度学习模型。它是在传统RCNN（Region Convolutional Neural Networks）模型基础上进行了改进的一种方法。 fasterRCNN模型主要包含两个步骤：区域提议和特征提取。首先，通过使用Selective Search等算法，从输入图像中生成一系列可能包含文字的候选区域。然后，利用卷积神经网络（CNN）从这些候选区域中提取特征。 在特征提取的过程中，fasterRCNN模型采用了一个称为RPN（Region Proposal Network）的子网络。RPN网络通过在不同尺度和长宽比的锚框上应用卷积操作，来预测候选区域中是否包含文字。这样，模型可以根据网络输出的置信度，筛选出可能包含文字的候选区域。 接下来，将被筛选出来的候选区域送入卷积网络继续提取特征。最后，模型通过全连接层和softmax回归层来对这些候选区域进行分类，确定文字区域的位置和类别。 相比于传统的RCNN模型，fasterRCNN模型通过引入RPN网络，将候选区域的生成和特征提取结合在了一起，实现了端到端的训练，极大地提高了检测速度。此外，fasterRCNN模型还采用了共享卷积操作，减少了计算量，进一步加快了检测过程。 总的来说，fasterRCNN模型通过提出RPN网络和共享卷积操作，实现了快速准确地检测文字区域的功能。它在文字检测任务中得到了广泛应用，并取得了很好的效果。
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
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