三维目标检测环境配置

已于 2022-05-29 11:07:17 修改
阅读量1.2k 收藏 1
点赞数 1
文章标签： pytorch 深度学习 人工智能 python
于 2022-02-23 16:10:33 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/DWQIONGER/article/details/123091677
版权

一  cuda版本

nvcc -V

二  pytorch官网，下载cuda和torch的版本

Previous PyTorch Versions | PyTorch

三  mmcv和cuda版本对应安装

GitHub - open-mmlab/mmcv: OpenMMLab Computer Vision Foundation

四 mmdection对应版本

GitHub - open-mmlab/mmdetection: OpenMMLab Detection Toolbox and Benchmark

精品，从第四步操作即可【前面的对应查看】

MMdetection3d环境搭建和使用避坑记录_平山村小明的博客-CSDN博客_mmdetection3d

五 错误及解决

ImportError: libcudart.so.9.0: cannot open shared object file: No such file or directory

解决方案：

cuda版本不对应

ImportError: libcudart.so.9.0: cannot open shared object file: No such file or directory_slamdunkofkd的博客-CSDN博客

ModuleNotFoundError: No module named 'cStringIO'

解决方案 ：

在python3中使用pypcd读取点云数据_Jadon995的博客-CSDN博客_pypcd

 [rospack] Error: package 'mmdet3d' not found

解决方法：

ModuleNotFoundError: No module named 'cython_bbox'

anaconda安装cython_bbox失败_A.Risam的博客-CSDN博客_anaconda 安装cython

[debug]-ubuntu安装cudnn,nvcc -V指令可用,/usr/local/下却没有cuda文件夹原因分析_ai_faker的博客-程序员宅基地

[debug]-ubuntu安装cudnn,nvcc -V指令可用,/usr/local/下却没有cuda文件夹原因分析_ai_faker的博客-程序员宅基地 - 程序员宅基地 (cxyzjd.com)

debug_皮皮虾
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于注意力机制的三维点云车辆目标检测python源码+项目说明.zip
10-07
【资源说明】 基于注意力机制的三维点云车辆目标检测python源码+项目说明.zip 基于注意力机制的3D点云车辆检测算法研究 ### 算法模型图-注意力模型 ![图0]( /results/result0.png) ### 算法模型图-感兴趣区域聚合模型 ![图0]( /results/result-1.png) 感兴趣区域特征聚合模块核心代码 ```python class SimpleVoxel(nn.Module): def __init__(self, num_input_features=4, use_norm=True, num_filters=[32, 128], with_distance=False, name='VoxelFeatureExtractor'): super(SimpleVoxel, self).__init__() self.name = name self.num_input_features = num_input_features # features 是 N*K*3 的张量，跟 pointnet++ 的 sample 和 group 很像 # 它在 KITTILiDAR 类中就已经做过了处理 # num_voxels 是 N*1 的张量 def forward(self, features, num_voxels): #return features # features: [concated_num_points, num_voxel_size, 3(4)] # num_voxels: [concated_num_points] # points_mean 是 K 个近邻点的中心点位置，oncat # points_mean # 保存在 coordinate 变量中 points_mean = features[:, :, :self.num_input_features].sum( dim=1, keepdim=False) / num_voxels.type_as(features).view(-1, 1) return points_mean.contiguous() # SimpleVoxel输出一个 N ∗ K ∗ 4 体素化点云， 4 代表点云xyz值和雷达强度项。 ``` ## 实验代码环境配置 ### Environment ```python Ubuntu 16.04 Python 3.7 pytorch 1.4.0 torchvision 0.5.0 CUDA 10.0 ``` ### Dependencies ```python python3.5+ opencv shapely mayavi spconv (v1.0) ``` ### 实际安装命令 1.基础安装 ```python pip install opencv-python pip install shapely pip install mayavi pip install scikit-image pip install numba pip install matplotlib pip install Cython pip install terminaltables pip install tqdm pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 欢迎下载，沟通交流，互相学习，共同进步！
基于深度学习方法实现三维重建及三维目标检测python源码+详细操作说明+模型.zip
01-05
基于深度学习方法实现三维重建及三维目标检测python源码+详细操作说明+模型 本项目主要包括以下内容： 1. 使用深度学习技术对建筑物进行完整的三维重建，无死角、无畸变。 2. 结合计算机视觉课程知识，识别并计算出楼层数目、最高高度、最宽宽度、 最长长度、窗户数目、窗户面积、整个建筑的体积（立方米数）。 3. 识别并计算楼宇外围物体的数目，比如树木、垃圾箱、灯杆、空调外挂机等等。 我们运用深度学习策略对图像的三维重建主要包括以下步骤： 1. 对图像取特征点(特征提取) 2. 特征点匹配 3. 去除错误匹配点 4. `sfm`恢复相机位姿 5. 稠密重建（也称`mvs`）。 1. 我们首先尝试传统的稠密重建策略，利用patchmatch算法进行处理； 2. 之后再使用深度学习方法，我们采用`patchmatchnet`，`CVP-MVSNet`等算法进行处理。 环境配置 我们项目采用pytorch环境，依赖包的安装: ``` pip install -r requirements.txt ``` 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 欢迎下载，沟通交流，互相学习，共同进步！
版本匹配指南：PyTorch版本、CUDA 版本和MMCV版本的对应关系
创作高质量博文，分享知识，共同进步！
04-05 1344
📚版本匹配不再愁！🔍一文解锁PyTorch、CUDA与MMCV的最佳拍档🎉 🚀深度学习领域，版本匹配是关键！本指南为你揭秘PyTorch、CUDA与MMCV的对应关系，让你轻松选择最佳拍档！🌟 🔍我们深入探讨版本匹配的重要性，并提供版本对应关系表，助你快速定位合适版本。📋 🔧同时，分享如何选择合适的MMCV版本，避免实践中的版本匹配问题。🚀 💡总结与展望，期待与你共同进步，掌握版本匹配的艺术！🤝 #PyTorch版本匹配 #CUDA版本匹配 #MMCV版本选择 #深度学习最佳
无人机三维路径规划附matlab代码.zip
08-12
1.版本：matlab2014/2019a/2021a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题所示，对于介绍可点击主页搜索博客 4.适合人群：本科，硕士等教研学习使用 5.博客介绍：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可si信 %% 开发者：Matlab科研助手 %% 更多咨询关注天天Matlab微信公众号 ### 团队长期从事下列领域算法的研究和改进： ### 1 智能优化算法及应用 **1.1 改进智能优化算法方面（单目标和多目标）** **1.2 生产调度方面** 1.2.1 装配线调度研究 1.2.2 车间调度研究 1.2.3 生产线平衡研究 1.2.4 水库梯度调度研究 **1.3 路径规划方面** 1.3.1 旅行商问题研究（TSP、TSPTW） 1.3.2 各类车辆路径规划问题研究（vrp、VRPTW、CVRP） 1.3.3 机器人路径规划问题研究 1.3.4 无人机三维路径规划问题研究 1.3.5 多式联运问题研究 1.3.6 无人机结合车辆路径配送 **1.4 三维装箱求解** **1.5 物流选址研究** 1.5.1 背包问题 1.5.2 物流选址 1.5.4 货位优化 ##### 1.6 电力系统优化研究 1.6.1 微电网优化 1.6.2 配电网系统优化 1.6.3 配电网重构 1.6.4 有序充电 1.6.5 储能双层优化调度 1.6.6 储能优化配置 ### 2 神经网络回归预测、时序预测、分类清单 **2.1 bp预测和分类** **2.2 lssvm预测和分类** **2.3 svm预测和分类** **2.4 cnn预测和分类** ##### 2.5 ELM预测和分类 ##### 2.6 KELM预测和分类 **2.7 ELMAN预测和分类** ##### 2.8 LSTM预测和分类 **2.9 RBF预测和分类** ##### 2.10 DBN预测和分类 ##### 2.11 FNN预测 ##### 2.12 DELM预测和分类 ##### 2.13 BIlstm预测和分类 ##### 2.14 宽度学习预测和分类 ##### 2.15 模糊小波神经网络预测和分类 ##### 2.16 GRU预测和分类 ### 3 图像处理算法 **3.1 图像识别** 3.1.1 车牌、交通标志识别（新能源、国内外、复杂环境下车牌） 3.1.2 发票、身份证、银行卡识别 3.1.3 人脸类别和表情识别 3.1.4 打靶识别 3.1.5 字符识别（字母、数字、手写体、汉字、验证码） 3.1.6 病灶识别 3.1.7 花朵、药材、水果蔬菜识别 3.1.8 指纹、手势、虹膜识别 3.1.9 路面状态和裂缝识别 3.1.10 行为识别 3.1.11 万用表和表盘识别 3.1.12 人民币识别 3.1.13 答题卡识别 **3.2 图像分割** **3.3 图像检测** 3.3.1 显著性检测 3.3.2 缺陷检测 3.3.3 疲劳检测 3.3.4 病害检测 3.3.5 火灾检测 3.3.6 行人检测 3.3.7 水果分级 **3.4 图像隐藏** **3.5 图像去噪** **3.6 图像融合** **3.7 图像配准** **3.8 图像增强** **3.9 图像压缩** ##### 3.10 图像重建 ### 4 信号处理算法 **4.1 信号识别** **4.2 信号检测** **4.3 信号嵌入和提取** **4.4 信号去噪** ##### 4.5 故障诊断 ##### 4.6 脑电信号 ##### 4.7 心电信号 ##### 4.8 肌电信号 ### 5 元胞自动机仿真 **5.1 模拟交通流** **5.2 模拟人群疏散** **5.3 模拟病毒扩散** **5.4 模拟晶体生长** ### 6 无线传感器网络 ##### 6.1 无线传感器定位（Dv-Hop定位优化、RSSI定位优化） ##### 6.2 无线传感器覆盖优化 ##### 6.3 无线传感器通信及优化（Leach协议优化） ##### 6.4 无人机通信中继优化（组播优化）
基于Matlab搭建单站雷达扫描天空仿真平台.rar
02-08
对象跟踪的目标是在不频繁或不确定的测量值下确定对象的状态。在多个对象的情况下，跟踪算法还必须解决数据关联问题。为了测试这些算法，可以使用跟踪方案来综合生成三维场景中对象的真实检测。 此示例模拟了配备单站雷达传感器的雷达塔扫描天空的场景。在远离传感器的距离处，两架飞机在短时间内近距离飞行。飞机轨迹的紧密间距及其与雷达塔的距离对雷达正确解析两个物体的能力提出了挑战。  应用程序将打开并加载方案。跟踪方案设计器应用程序由一个工具条和三个文档组组成： “平台属性”和“传感器属性”面板位于左侧 平台画布和传感器画布位于中心 右侧显示三维世界视图的方案视图 在此示例中，使用了跟踪方案设计器应用程序来加载跟踪方案会话文件。学习了如何导航应用程序以及如何模拟方案。在这种情况下，两架飞机被单个雷达检测到。在一段时间内，这两架飞机非常接近，以至于雷达无法解析它们。
Python使用pip安装报错ModuleNotFoundError: No module named ‘pkg_resources’的解决方法
12-21
Python使用pip安装报错ModuleNotFoundError: No module named ‘pkg_resources’的解决方法   大家好，我叫亓官劼（qí guān jié ），在CSDN中记录学习的点滴历程，时光荏苒，未来可期，加油~博客地址为：亓官劼的博客 本文原创为亓官劼，请大家支持原创，部分平台一直在盗取博主的文章！！！ 博主目前仅在CSDN中写博客，唯一博客更新的地址为：亓官劼的博客 Python使用pip安装报错ModuleNotFoundError: No module named ‘pkg_resources’的解决方法： 我们在CMD中打开python的
mmdetection3d模型部署的总结【附代码】
一名研究生
07-24 502
关于模型部署中的坑的总结
【点云检测】OpenPCDet 教程系列 [1] 安装 与 ROS运行
这里是张聪明，正在学习中，请稍后
12-24 3413
主要是介绍库的使用，做笔记区OpenPCDet和mmdetection3d有什么区别?- 知乎 (zhihu.com)这是OpenMMLab官方的回复：OpenPCDet 和 mmdetection3d 是两个不同的团队开发和维护的。从功能角度上讲，mmdet3d 支持的场景和任务更多（包含室内室外场景的物体检测和点云分割），各种模态设定更全面（多模态，以及点云或图像的单模态），总体支持的模型数量更多，覆盖面更广，可以适应不同用户多样的使用和研发需求。
三维目标检测之ROS可视化
记录和分享
08-01 7711
用ros可视化Pointpillars在kitti数据集上的检测效果。
【mmdetection3d】——3D 目标检测 NuScenes 数据集
热门推荐
m0_45388819的博客
11-08 1万+
3D 目标检测 NuScenes 数据集 本页提供了有关在 MMDetection3D 中使用 nuScenes 数据集的具体教程。 准备之前 您可以在这里下载 nuScenes 3D 检测数据并解压缩所有 zip 文件。 像准备数据集的一般方法一样，建议将数据集根目录软链接到 $MMDETECTION3D/data。 在我们处理之前，文件夹结构应按如下方式组织。 mmdetection3d ├── mmdet3d ├── tools ├── configs ├── data │ ├── nuscene
MMDetection3D使用学习(mmdet v1.1 rc)
Furtherisxgi的博客
04-15 4130
本文所观看视频教程的mmdet3d版本为v1.0.0 rc5,而我使用的是v1.1.0 rc3。v1.0.0 rc5的一些实现可以参考我的另一篇博客基于MMDet3D的pointpillars和centernet推理（mmdet3d v1.0 rc）或者官方文档。本文会记录学习中遇到的问题。视频链接支持点云、视觉、多模态检测算法，支持室内、室外场景的数据集MMDetection3D目前有两个稳定的版本（总共有三个版本）2018-10 发布2022-02 v1.0 rc (统一的坐标系。
MMDetection3D对三维数据进行检测
03-28
MMDetection3D是一个基于PyTorch的三维目标检测开源工具包，它针对三维数据中的目标检测任务提供了高效、灵活的解决方案。MMDetection3D支持多种主流的三维检测算法，并提供了丰富的数据集接口和预训练模型，使得用户能够方便地进行三维目标检测的研究和应用。 使用MMDetection3D对三维数据进行检测主要涉及以下几个步骤： 安装和配置MMDetection3D：首先，用户需要按照官方文档或相关教程进行MMDetection3D的安装和配置。这通常包括安装必要的依赖库、设置环境变量以及下载MMDetection3D的代码库。 准备三维数据集：为了进行三维目标检测，用户需要准备一个标注好的三维数据集。数据集应包含三维点云数据（如从激光雷达或深度相机获取）以及对应的目标标注信息，如目标的类别、三维边界框等。MMDetection3D支持多种三维数据格式，用户可以根据需要选择合适的数据格式进行准备。 模型选择和配置：MMDetection3D提供了多种先进的三维目标检测算法，如PointRCNN、VoteNet等。用户可以根据自己的需求选择合适的模型，并通过修改配置文
基于Django后端框架的三维点云模型可视化展示与管理系统源码+测试数据+项目操作说明.zip
10-07
【资源说明】 基于Django后端框架的三维点云模型可视化展示与管理系统源码+测试数据+项目操作说明.zip 1 项目介绍 本项目为本人毕业设计研究内容的展示系统，主要聚焦于三维点云上采样与语义分割应用。该系统包括了三维模型的算法处理展示、三维模型上传与管理、三维模型渲染管理等功能，现将其开源，以方便后续有做三维计算机视觉研究的同学做展示使用，也欢迎star/fork/pr/issue，帮助系统更好的完善 :-) 1.1 技术依赖 - 前端依赖：jQuery + Bootstrap3 + ThreeJS + Font-Awesome - 后端依赖：Django - 其它依赖：TensorFlow 1.2 功能介绍 # 1.2.1 展示模块 该模块主要为三维模型的算法处理展示，包括了点云上采样展示、场景上采样展示、分割数据集展示、场景分割展示等功能，展示内容一般为原始模型、处理生成模型和标准模型。 # 1.2.2 模型管理模块 该模块是一个简易的文件管理系统，主要为对三维点云模型进行管理，包括了创建目录、重命名目录、删除目录、上传模型、查看模型、下载模型、移动模型、删除模型、上采样模型、回收站管理等功能。 # 1.2.3 模型渲染模块 该模块主要为对三维模型进行网页端的渲染控制，通过调节参数以达到理想的渲染效果。 # 2 环境配置 1. 创建虚拟环境**visapp**并激活（默认当前已在项目根目录**PCVisAPP**）。 ```shell conda create -n pcvisapp python=3.6 --yes conda activate pcvisapp ``` 2. 安装Python Package依赖。 ```shell pip install -r requirements.txt ``` 3. 编译tf算子。注意，如果当前环境不方便安装tensorflow-gpu或者没有GPU可忽略本步骤，但为了确保系统仍能够正常运行，需要将`PointCloudManage/utils.py`中的代码`from PointCloudManage.upsample_op.model import Model`注释，并适当修改方法`upsample_points`。实际上，方法`upsample_points`的目标即调用基于tf的神经网络对三维点云模型进行上采样操作，该方法内也可替换成你的点云处理算法。 ```shell cd PointCloudManage/upsample_op/tf_ops sh compile_ops.sh ``` 4. 下载[参考测试数据](https://drive.google.com/file/d/1hb78WSrDIp2GRBp63lhRISAsDxK-y7_o/view?usp=sharing)。本步骤为可选，可将[参考测试数据](https://drive.google.com/file/d/1hb78WSrDIp2GRBp63lhRISAsDxK-y7_o/view?usp=sharing)解压并覆盖于`static`目录下。 - [下载链接：Google Drive](https://drive.google.com/file/d/1hb78WSrDIp2GRBp63lhRISAsDxK-y7_o/view?usp=sharing) - [下载链接：百度云（提取码：i353）](https://pan.baidu.com/s/1vbjg-n5-DBMyE-55gNg6jw) 5. 运行系统。运行之前需要修改`PointCloudManage/upsample_op/config.py`内`CFG.gpu`为可使用的GPU。 ```shell python manage.py runserver 0.0.0.0:<ip_port> ``` # 3 效果展示 3.1 主页 ![gif图片未加载见resource目录](./resource/index.gif) 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 欢迎下载，沟通交流，互相学习，共同进步！
基于mmdetection3d框架完成nvx-net算法的训练和推理
最新发布
超爱吃小蛋糕的66的博客
04-22 931
本篇旨在记录在ubuntu20.04搭建mmdetection3d环境，对kitti3D目标检测数据集进行预处理，搭建MVX-NET算法训练环境，并基于kitti数据集进行训练和推理测试
点云目标检测——pointpillars环境配置与训练部署
dui845819593的博客
10-13 1179
如何在mmdet3d中使用自有数据集？- 知乎。
mmdetection3d环境配置过程error大全
weixin_44398263的博客
05-16 9296
1.undefined symbol: _ZN3c107Warning4warnENS_14SourceLocationERKSsb 应该是mmcv-full、pytorch、cuda这些版本不匹配原因 尝试过 torch1.3.1+mmcv-full1.3.1 × torch1.7.1+mmcv-full1.3.1 × 最后按recommend的 conda install pytorch1.5.0 cudatoolkit=10.1 torchvision0.6.0 -c pytorch 即torch1.
mmdetection3d报错问题解决汇总
非晚非晚的博客
06-14 9916
当在mmdetection3d上添加了新的网络结构之后，使用多GPU运行程序时，会报以下错误。ERROR:torch.distributed.elastic.multiprocessing.api:failed (exitcode: 1) local_rank: 0 (pid: 333) of binary: /opt/conda/bin/python Traceback (most recent call last):
【python】ModuleNotFoundError: No module named ‘mmdet3d‘
聿默的博客
12-06 3041
ModuleNotFoundError: No module named ‘mmdet3d‘
mmdetection安装出现的问题
hw200855的博客
06-13 1938
重新编译的后环境里的源文件没有修改，所以你才会报错。因此如果workers=2，那就会把一个相同的随机种子seed同时作用于两个samper，因此就会导致出现两个分支（进程），就会产生不同组的图做的随机操作完全一样的情况。sampers_per_gpu就是控制batch_size的，决定了dataloader一次从dataset里取几个样本（几张图），每张卡取多少sampers，总的batch_size要乘以你用的gpu显卡数目。你指定的类别（2种）与CocoDataset的类别（80种）不匹配。
如何通过D435获取目标物体的三维坐标,使用python给出示范代码
07-12
您可以使用Intel RealSense SDK来获取D435深度相机的数据，并使用Python编写代码。下面是一个简单的示例代码，演示如何使用RealSense SDK获取目标物体的三维坐标： ```python import pyrealsense2 as rs import numpy as np # 配置深度相机 pipeline = rs.pipeline() config = rs.config() config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) # 开启深度相机 pipeline.start(config) try: while True: # 等待深度数据的到来 frames = pipeline.wait_for_frames() depth_frame = frames.get_depth_frame() # 将深度数据转换为numpy数组 depth_image = np.asanyarray(depth_frame.get_data()) # 检测目标物体的像素坐标 target_pixel_x = 320 # 目标物体在图像中的像素坐标x target_pixel_y = 240 # 目标物体在图像中的像素坐标y target_depth = depth_image[target_pixel_y, target_pixel_x] # 目标物体的深度值 # 计算目标物体的三维坐标 depth_intrinsics = depth_frame.profile.as_video_stream_profile().intrinsics target_point = rs.rs2_deproject_pixel_to_point(depth_intrinsics, [target_pixel_x, target_pixel_y], target_depth) # 打印目标物体的三维坐标 print("Target object 3D coordinates:") print("X:", target_point[0]) print("Y:", target_point[1]) print("Z:", target_point[2]) except KeyboardInterrupt: pass # 停止深度相机 pipeline.stop() ``` 请确保您已经安装了pyrealsense2库，并将D435深度相机连接到计算机上。在代码中，我们首先配置了深度相机并启动了数据流。然后，我们使用`wait_for_frames`函数获取深度帧，并将其转换为numpy数组以便进行处理。接下来，您可以指定目标物体在深度图像中的像素坐标，并使用`rs2_deproject_pixel_to_point`函数将其转换为三维坐标。最后，打印出目标物体的三维坐标。 请注意，这只是一个简单的示例代码，您可能需要根据您的具体需求进行适当的修改和优化。同时，确保您的环境中已经正确安装了RealSense SDK和相关的依赖库。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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