waste-datasets-review - 包含任何类型的垃圾、垃圾、废物和垃圾的图像数据集列表

最新推荐文章于 2024-02-29 08:45:38 发布
最新推荐文章于 2024-02-29 08:45:38 发布
阅读量1.2k 收藏 12
点赞数 1
文章标签： 深度学习

废物数据集审查

包含任何类型的垃圾、垃圾、废物和垃圾的数据集列表。在detectwaste.ml项目期间创建

今天，每年生产超过 3 亿吨塑料。塑料无处不在，我们在日常生活中不断使用它。

检测垃圾项目的想法是使用人工智能来检测环境中的塑料垃圾。我们的解决方案将适用于视频和摄影。我们的目标是将 AI 用于公益。

访问majsylw/litter-detection-review，查看有关环境中垃圾问题的论文、项目和其他资源的更广泛评论。

贡献

随意添加新数据集的简短描述问题或创建拉取请求- 将新数据集添加到表中或填写缺少的描述。

概括

姓名编号类别编号子类别编号图像注解评论网站描述
垃圾桶 1.03347 212实例分割水下图像网站✔️
垃圾-ICRA193345 700检测水下图像网站✔️
塔可28601 500分割荒野中的废物网站✔️
炸玉米饼盒子760在制品检测荒野中的废物在制品✔️
无人机Vaste1——772分割无人机数据集github✔️
垃圾网6——2 527分类清晰的背景github✔️
瓦达巴8颜色、尺寸、形状或材料4 000分类塑料数据集，背景清晰网站✔️
GLASSENSE-VISION71362 000分类家居用品，清晰的背景网站✔️
废物分类数据2——~25 000分类从谷歌搜索中抓取卡格✔️
废物分类数据 v23——~27 500分类从谷歌搜索中抓取卡格✔️
寿司餐厅的废弃图片16——500分类清晰的背景卡格✔️
打开垃圾 map11187> 100k多标签分类荒野中的废物网站✔️
垃圾24尺寸、形状或材料~14 000检测野外废弃物，付费许可证网站✔️
饮用废物分类4——9640检测清晰的背景，（罐头和瓶子）卡格✔️
废物图片34——~24 000分类从谷歌搜索中抓取卡格✔️
现场垃圾3——~2 400分类从 Bing 搜索中抓取kaggle 
github		✔️
深海垃圾5——3 055分类水下图像卡格✔️
MJU-Waste v1.01——2475分割纯色背景，室内 RGBD 图像github✔️
国内垃圾数据集10——> 9000分类/检测荒野废物旅馆，付费许可证，250 张免费图片github✔️
烟头数据集1——2200检测荒野中的废弃旅馆，合成图像网站✔️

描述

垃圾桶 1.0

垃圾观察的实例分割标记数据集

3 个主要类别下的 7212 张图像：生物、垃圾、未知。类别：

  • bio = 海龟、鱿鱼、龙虾、未知、水母、黄貂鱼、虾、小龙虾、章鱼、鲨鱼、贝壳、螃蟹、海星、鳗鱼
  • 垃圾 = 衣服、管道、瓶子、袋子、零食包装纸、手套、轮胎、罐头、杯子、容器、树枝、残骸、防水布、盒子、软管、绳索、干草、网、纸、桶、电线
  • 未知 下载：直接从网站 TrashCan 1.0 An Instance-Segmentation Labeled Dataset of Trash Observations

垃圾-ICRA19：

从视频中提取的 5700 张水下图像的边界框标记数据集 About Jungseok - Jungseok Hong

下载：直接从网站Trash-ICRA19: A Bounding Box Labeled Dataset of Underwater Trash

塔可

打开数据集，其中包含来自 28 个类别和 60 个详细的野外废物子类别的 1500 张图像。COCO-json 中可用的注释。

下载：直接从网站http://tacodataset.org/

炸玉米饼盒子

WIP 下载：直接从网站http://tacodataset.org/

无人机Vaste

无人机垃圾检测智能技术 UAVVaste 数据集迄今为止包含 772 张图像和 3716 个注释。创建数据集的主要动机是缺乏特定领域的数据。广泛用于对象检测评估基准的数据集。该数据集是公开可用的，并打算进行扩展。

annotations [Detection] Segmentation]- GitHub - PUTvision/UAVVaste: UAVVaste: COCO-like dataset and effective waste detection in aerial images [drone] 下载：直接从github上的annotations json GitHub - PUTvision/UAVVaste: UAVVaste: COCO-like dataset and effective waste detection in aerial images

垃圾网

该数据集跨越六类：玻璃、纸张、纸板、塑料、金属和垃圾。目前，该数据集包含 2527 张图像：

  • 501玻璃
  • 594纸
  • 403纸板
  • 482塑料
  • 410金属
  • 137 垃圾

下载：直接从github GitHub - garythung/trashnet: Dataset of images of trash; Torch-based CNN for garbage image classification

也称为垃圾分类数据

垃圾分类数据集包含来自 6 个类别的 2467 张图像：纸板 (393)、玻璃 (491)、金属 (400)、纸 (584)、塑料 (472) 和垃圾 (127)。

下载：直接从kaggle Garbage Classification | Kaggle

塑料废物图像数据库 – WaDaBa

4000 张图像，详细描述了塑料类型（PET、PP、PE-HD...）、物体颜色、变形程度、脏度等。[分类]

将物体放在研究位置，然后用第一类和第二类光拍摄。对每个物体（在垂直轴上）翻转角度不同的 10 张照片进行了系列处理。接下来物体受到不同程度的损坏：小、中、大。每种类型的破坏都制作了 10 张照片。因此，考虑到每个物体的所有变体，拍摄了 40 张照片，乘以物体的数量，在数据库中创建了 4000 张照片。

下载：图像可直接从网站免费下载。签署许可证后可用的注释WaDaBa

GLASSENSE-VISION

家居用品分类。它不是严格的垃圾数据集，但它收集了 2000 多张图像，其中的对象与背景很好地分开。涵盖7大类（纸币、谷物、药品、罐头、番茄酱、水瓶、除臭棒）和136个小类。

Glassense-Vision 是我们获取和注释的一组数据，目的是对所提出的方法进行定量和可重复的评估。该数据集包括 7 个不同的用例，意味着不同的对象类别，我们为每一个提供训练（参考图像也用于构建字典）和测想像。数据集中的所有图像都是手动注释的。不同的用例（对象类别）可以分为三种主要的几何类型：

下载：http : //www.slipguru.unige.it/Data/glassense_vision/

Waste Classification data

Over 25k images already divided into training data - 22564 images and test data - 2513 images. Two main categories: Organic and recyclable

Download: Directly from kaggle Waste Classification data | Kaggle

Waste Classification Data v2

A variation about the Waste Classification data: extended by the new category "N" - Nonrecyclable added.

Over 25k images already divided into training data - 22564 + 2508 (N) images and test data - 2513 images + new 397 from category nonrecyclable. Three main categories: Organic (O) and recyclable (R), and nonrecyclable (N). TRAIN folder contains 2508 images in the "N" directory. The TEST folder contains 397 images in the "N" directory.

Download: Directly from kaggle Waste Classification Data v2 | Kaggle

Open litter map

The biggest dataset with over 100k images in total with 11 main categories and 187 subcategories.[multilabel] [classification] OpenLitterMap

Download: Only from json with scraper - detectwaste scraper

Litter

The Litter dataset contains 14k images with 20k annotations (bounding boxes) and 24 classes. Each class represents an object (cup), while subclasses determine its size, shape, or material (long paper cup/short paper cup).

Download: After buying a license imageannotation.ai

Drinking Waste Classification

该数据集包含约 10,000 张图像，分为 4 类饮用废物：铝罐、玻璃瓶、PET（塑料）瓶和 HDPE（塑料）牛奶瓶。作为伦敦大学学院最后一年个人项目的一部分，照片是用 12 MP 手机相机拍摄的。该数据集使用了从 TrashNet 手动收集的部分图像。

下载：直接从 kaggle Drinking Waste Classification | Kaggle

废物图片

该数据集包含约 24k 图像，分为 34 类废物，用于分类目的。图像被分为训练和测试子集。

下载：直接来自kaggle waste_pictures | Kaggle

spotgarbage - GINI 数据集

图像中的垃圾 (GINI) 数据集包含 2561 个未指定分辨率的图像，其中 1496 个图像由边界框（一类 - 垃圾）注释。Bing Image Search API 用于创建他们的数据集。

下载：直接从github GitHub - spotgarbage/spotgarbage-GINI: Spot Garbage Dataset

深海垃圾

该数据集由约 3k 个图像组成，分为 4 个类别，并在水下拍摄。在 csv 文件中，注释被提供为：

  • 图片来源网址，
  • 废物类别，
  • 拍摄日期，
  • 发现废物的地点和深度，
  • 信息是否包含生物和沉积物，
  • 如果这是一些塑料袋的信息。

下载：直接从 kaggle DeepSeaWaste | Kaggle

MJU-Waste v1.0

该数据集是通过从实验室背景下的大学校园中捕获收集的垃圾项目（人们手中拿着垃圾项目）创建的。数据集中的所有图像都是使用 Microsoft Kinect RGBD 相机捕获的。所有注释均以 PASCAL VOC 和 COCO 格式提供。

MJU-Waste v1，包含 2475 个共同注册的 RGB 和深度图像对。图像被随机分成训练集、验证集和测试集，分别由 1485、248 和 742 张图像组成。作者对所有废物对象使用单一类别标签。

下载：来自GitHub - realwecan/mju-waste: The MJU-Waste dataset from our Sensors paper "A Multi-level Approach to Waste Object Segmentation".上的 Google Drive 链接

国内垃圾数据集

家庭垃圾数据集由家庭常见垃圾对象的图像组成。图像是在各种光照条件、天气、室内和室外拍摄和众包的。该数据集可用于制作垃圾/垃圾检测模型、环保替代建议、碳足迹生成等。

数据集特征

  • 各种垃圾对象类
  • 有材料标签
  • 由 5000 多个唯一用户捕获
  • 高度多样化和高清
  • 各种光照条件
  • 室内外场景

数据集格式

  • 提供分类和检测注释
  • COCO、PASCAL VOC 和 YOLO 格式
  • 大约 9000 多个独特的图像和不断增长
  • Kaggle上只有 250 张免费图片

下载购买许可证后可供下载的图像。从他们的支持详细信息联系他们：https : //github.com/datacluster-labs/Datacluster-Datasets

烟头数据集

该数据集由一组 2200 张合成合成的地​​面香烟图像组成。它专为训练 CNN（卷积神经网络）而设计。你必须阅读并接受非商业教育许可协议的条款才能下载和使用其内容。

数据集特征

  • 注释：具有自定义类别的分段对象检测 COCO 格式。
  • 合成：图像使用自定义代码自动合成，利用 Python 成像库将随机缩放、旋转、亮度等应用于前景切口
  • 地点：地面和烟头的照片是在德克萨斯州奥斯汀拍摄的
  • 相机： iPhone 8，原始像素分辨率 3024 x 4032

在接受非商业、教育许可协议的条款后下载可供下载的图像：https : //www.immersivelimit.com/datasets/香烟-butts

等待破茧
关注
  • 1
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【图像分类数据集】非常全面实用的垃圾分类图片数据集共享
向往有那么一天梦幻的步态识别落地，开花❀！
07-14 1万+
数据集获取不易，听闻国外开源精神非常盛行，那么我开个数据集不过分吧？整体数据集质量非常的不错，放眼全网这么好的数据集恐怕并不多见。
awesome-public-datasets：以主题为中心的总部开放数据集列表
02-09
很棒的公共数据集 注意：此由自动生成。 请不要直接修改此文件。 我们提供来贡献超赞的公共数据集。 进行更多交流。 我很好。 请解决我。 高质量。 它们是从博客，答案和用户响应中收集和整理的。 下面列出的大多数数据集都是免费的，但是有些不是。 其他惊人的超赞列表可以在列表中找到。 目录 [ ] [ ] [ ] NIH芯片数据 [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] 纽约证券交易所市场数据 [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]中的数据 [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [
waste-datasets-review:包含各种垃圾，垃圾，废物和垃圾的图像数据集列表
05-22
废物数据集审查 包含任何垃圾，垃圾，废物和垃圾的数据集列表。 在项目期间创建 如今，每年生产超过3亿吨塑料。 塑料无处不在，我们在日常生活中不断使用它。 检测废物项目的想法是使用人工智能检测环境中的塑料废物。 我们的解决方案将适用于视频和摄影。 我们的目标是永远使用AI。 请访问以查看对涉及环境中垃圾问题的论文，项目和其他资源的更广泛的评论。 贡献 随意添加有关新数据集简短描述的问题或创建拉取请求-将新数据集添加到表中或填写缺少的描述。 概括 名称 编号类别 编号子类别 编号图片 注解 评论 网站 描述 垃圾桶1.0 3 34 7212 实例分段 水下图像 :check_mark: 垃圾桶-ICRA19 3 34 5 700 侦查 水下图像 :check_mark: 塔可 28岁 60 1500 分割 野外浪费 :check_mark: TACO bboxes 7 60 在制品 侦查 野外浪费 在制品 :check_mark:
目标检测+Trash-ICRA19 Dataset 海洋检测+1144张数据集(图片和标签对应）+3个类别检测
04-14
1.水下目标数据集，方便入门学习。 2.Trash_ICRA19 Dataset是一个开放的目标检测数据集，用于海洋水下图像中的目标检测。数据集包含plastic、bio和rov三个类别，以PASCAL VOC数据集的格式进行标注。 3.数据库的亮点是，plastic、bio和rov三个类比数据差不多，用于海洋目标检测。 4.对于一般的目标检测而言，数据集至少应该是千位数甚至上万，可能效果会比较少的数据集更好。 5.上传的是1144张数据集，有图片和标签，全部一一对应。 6.可以对任意数据集进行扩充，如果需要定做，私信我，或者私信找我要扩充之后的数据集，付费咨询。 7.扩充增强方法可以采用数据模糊，亮度，裁剪，旋转，平移，镜像等变化，或者基于深度学习SRGAN增强等方式。
目标检测——生活垃圾数据集
最新发布
qq_43249953的博客
02-29 447
随着城市化进程的加快和人口规模的不断扩大，生活垃圾产生量也在迅速增加，这给城市环境和管理带来了巨大的挑战。因此，有效地管理和处理生活垃圾变得至关重要。而生活垃圾数据集的检测可以为城市管理者提供准确、全面的垃圾产生和处理信息，帮助他们更好地制定垃圾管理策略，提高垃圾处理效率，减少环境污染。生活垃圾数据集的检测有助于推动智能垃圾处理技术的发展。通过对垃圾数据集的深度学习和分析，可以训练出更加精准的垃圾分类和识别模型，为智能垃圾分类设备的研发和应用提供有力支持。
垃圾分类数据集.zip_垃圾分类数据集
07-14
垃圾分类数据集。。。。。。。。。。。。。。
目标检测数据集VOC格式工程车辆数据集系列19斗臂车数据集-254张
05-27
数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：254 标注数量(xml文件个数)：254 标注类别数：2 标注类别名称:["doubiche","car"] 每个类别标注的框数： doubiche count = 269 car count = 16 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
裁剪后的语音识别thchs30数据集
06-25
基于ASRT_SpeechRecognition开源项目，对用于训练的数据集进行裁剪，以便用于低性能机器进行训练和学习
目标检测算法——垃圾分类数据集汇总（附下载链接）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
12-07 9534
🎄🎄近期，小海带在空闲之余收集整理了一批垃圾分类数据集供大家参考。整理不易，小伙伴们记得一键三连喔！！！🎈🎈
深度学习图像处理之垃圾分类
09-29
【超实用课程内容】 深度学习在图像处理领域的发展过程； 解析经典的卷积神经网络； 垃圾分类实战。本课程将使用Pytorch深度学习框架进行实战，并在ubuntu系统上进行演示，包括：不同标注文件下的数据集读取、编写卷积神经网络、训练垃圾分类数据集、测试训练网络模型、网络可视化、性能评估等。 【课程如何观看？】 PC端：https://edu.csdn.net/course/detail/26295 移动端：CSDN 学院APP（注意不是CSDN APP哦） 【学员专享增值服务】 源码开放 课件、课程案例代码完全开放给你，你可以根据所学知识，自行修改、优化 下载方式：电脑登录https://edu.csdn.net/course/detail/26295，点击右下方课程资料、代码等打包下载
垃圾分类数据集+垃圾分类识别训练代码(支持googlenet, resnet, inception_v3, mobilenet_v2)
热门推荐
AI吃大瓜的博客
08-22 2万+
本项目将采用深度学习的方法，搭建一个垃圾分类识别的训练和测试系统，实现智能化垃圾分类。目前，基于ResNet18的垃圾分类识别，在垃圾数据集dataset2，训练集的Accuracy在94%左右，测试集的Accuracy在92%左右.....................
生活垃圾数据集（YOLO版）
qq_44231797的博客
09-23 1722
【有害垃圾】：电池（1 号、2 号、5 号）、过期药品或内包装等；【可回收垃圾】：易拉罐、小号矿泉水瓶；【厨余垃圾】：小土豆、切过的白萝卜、胡萝卜，尺寸为电池大小；【其他垃圾】：瓷片、鹅卵石（小土豆大小）、砖块等。文件结构|----classes.txt # 标签种类|----data-txt\ # 数据集文件集合|----images\ # 数据集图片|----labels\ # yolo标签。
Kaggle垃圾分类数据集
03-27
该数据集是图片数据，分为训练集85%（Train）和测试集15%（Test）。其中O代表Organic（有机垃圾），R代表Recycle（可回收）
垃圾分类数据集及代码
11-11
资源说明： 数据集主要包括6类图片：硬纸板、纸、塑料瓶、玻璃瓶、铜制品、不可回收垃圾 代码运行说明： 1、 安装运行项目所需的python模块，包括tensorflow | numpy | keras | cv2 2、 train.py用于训练垃圾分类模型，由于训练的数据量过于庞大，因此不一并上传 3、 predict.py用于预测垃圾的类别，首先运行predict.py，然后输入需要预测的文件路径，即可得到结果。
Kaggle垃圾分类数据集.rar
04-14
该数据集是图片数据，分为训练集85%（Train）和测试集15%（Test）。其中O代表Organic（有机垃圾），R代表Recycle（可回收）该数据集是图片数据，分为训练集85%（Train）和测试集15%（Test）。其中O代表Organic（有机垃圾），R代表Recycle（可回收）该数据集是图片数据，分为训练集85%（Train）和测试集15%（Test）。其中O代表Organic（有机垃圾），R代表Recycle（可回收）该数据集是图片数据，分为训练集85%（Train）和测试集15%（Test）。其中O代表Organic（有机垃圾），R代表Recycle（可回收）该数据集是图片数据，分为训练集85%（Train）和测试集15%（Test）。其中O代表Organic（有机垃圾），R代表Recycle（可回收）
垃圾分类图片数据集.zip
10-15
本数据集训练和测试图片均来自生活场景。总共四十个类别，类别和标签对应关系在训练集中的dict文件里。图片中垃圾的类别，格式是“一级类别/二级类别”，二级类别是具体的垃圾物体类别，也就是训练数据中标注的类别，比如一次性快餐盒、果皮果肉、旧衣服等。一级类别有四种类别：可回收物、厨余垃圾、有害垃圾和其他垃圾。 数据文件包括训练集(有标注)和测试集(无标注)，训练集的所有图片分别保存在train文件夹下面的0-39个文件夹中，文件名即类别标签，测试集共有400张待分类的垃圾图片在test文件夹下，testpath.txt保存了所有测试集文件的名称，格式为：name+\n。
medical-imaging-datasets:医学影像数据集列表
05-02
医学影像数据集列表。 来源： : 可以在以下位置找到其他可能重叠的列表： : 多峰数据库 活体内显微镜（CIVM），胚胎和新生小鼠中心（H＆E，MR） 用户指南： : LONI图像数据存档 放射学（超声，乳腺摄影，X射线...
垃圾分类数据集.zip
07-13
垃圾分类数据集，可用于训练深度学习模型垃圾分类模型，10000+样本，数据集较大，CSDN无法上传，给了百度云链接 全套500多M 另附生活垃圾分类训练图像数据集每种包含大约400张图片，共1.7万余张图像
TrashNet垃圾分类数据集
08-24
TrashNet垃圾分类数据集
softmax回归预测Fashion-MNIST图像数据集
03-29
本文将介绍如何使用softmax回归对Fashion-MNIST图像数据集进行预测。 Fashion-MNIST是一个替代MNIST手写数字集的图像数据集，用于训练和测试机器学习模型。它包含了10个类别的70,000张灰度图像，每个图像的大小为28x28像素。这些图像涵盖了从衣服、鞋子到手提包等各种物品。 为了使用softmax回归对Fashion-MNIST图像数据集进行预测，我们需要完成以下步骤： 1.加载Fashion-MNIST数据集 首先，我们需要下载并加载Fashion-MNIST数据集。可以使用以下代码块下载和加载数据集： ``` import tensorflow as tf from tensorflow import keras (x_train, y_train), (x_test, y_test) = keras.datasets.fashion_mnist.load_data() ``` 2.预处理数据集 接下来，我们需要对数据集进行预处理。我们需要将每个图像的像素值缩放到0到1之间，并将标签转换为独热编码。可以使用以下代码块完成预处理： ``` x_train = x_train.astype('float32') / 255.0 x_test = x_test.astype('float32') / 255.0 y_train = keras.utils.to_categorical(y_train) y_test = keras.utils.to_categorical(y_test) ``` 3.构建模型 接下来，我们需要构建一个softmax回归模型。我们可以使用一个全连接层作为模型的唯一层，并将softmax函数应用于输出。可以使用以下代码块构建模型： ``` model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.layers.Dense(10, activation='softmax') ]) ``` 4.编译模型 接下来，我们需要编译模型。我们可以使用categorical_crossentropy作为损失函数，并使用adam优化器进行优化。可以使用以下代码块编译模型： ``` model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) ``` 5.训练模型 接下来，我们需要训练模型。我们可以使用fit方法来训练模型，并指定训练数据、批量大小、训练迭代次数和验证数据。可以使用以下代码块训练模型： ``` model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test)) ``` 6.评估模型 最后，我们需要评估模型。我们可以使用evaluate方法来评估模型，并指定测试数据。可以使用以下代码块评估模型： ``` loss, accuracy = model.evaluate(x_test, y_test) print('Test accuracy:', accuracy) ``` 完整代码如下： ``` import tensorflow as tf from tensorflow import keras (x_train, y_train), (x_test, y_test) = keras.datasets.fashion_mnist.load_data() x_train = x_train.astype('float32') / 255.0 x_test = x_test.astype('float32') / 255.0 y_train = keras.utils.to_categorical(y_train) y_test = keras.utils.to_categorical(y_test) model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.layers.Dense(10, activation='softmax') ]) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test)) loss, accuracy = model.evaluate(x_test, y_test) print('Test accuracy:', accuracy) ``` 通过以上步骤，我们就可以使用softmax回归对Fashion-MNIST图像数据集进行预测。

“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