YOLOv8-DeepSORT-对象跟踪（车辆识别检测）

已于 2023-12-28 14:37:32 修改
阅读量765 收藏 14
点赞数 8
文章标签： YOLO 目标检测 目标跟踪 计算机视觉
于 2023-12-28 14:35:17 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/gh_12138/article/details/135267862
版权

本文章为记录使用YOLOv8-DeepSORT-对象跟踪项目。

开发环境

conda activate '环境名'

1、python3.8

2、Anaconda3

开发环境搭建

1、创建一个虚拟环境用于项目

conda create -n '自定义环境名' python=3.8

2、激活虚拟环境

conda activate 环境名

激活陈功如下图：

克隆储存库

GitHub项目地址：YOLOv8-DeepSORT-对象跟踪，需要更详细的了解项目可以查看

git clone https://github.com/MuhammadMoinFaisal/YOLOv8-DeepSORT-Object-Tracking.git

克隆完成如下图：

完整的项目结构如下：

.
└── YOLOv8-DeepSORT-Object-Tracking
    ├── CONTRIBUTING.md
    ├── figure
    │   ├── figure1.png
    │   ├── figure2.png
    │   └── figure3.png
    ├── MANIFEST.in
    ├── mkdocs.yml
    ├── README.md
    ├── requirements.txt
    ├── setup.cfg
    ├── setup.py
    ├── ultralytics
    │   ├── hub
    │   │   ├── auth.py
    │   │   ├── __init__.py
    │   │   ├── __pycache__
    │   │   │   ├── auth.cpython-38.pyc
    │   │   │   ├── __init__.cpython-38.pyc
    │   │   │   ├── session.cpython-38.pyc
    │   │   │   └── utils.cpython-38.pyc
    │   │   ├── session.py
    │   │   └── utils.py
    │   ├── __init__.py
    │   ├── models
    │   │   ├── README.md
    │   │   ├── v3
    │   │   │   ├── yolov3-spp.yaml
    │   │   │   ├── yolov3-tiny.yaml
    │   │   │   └── yolov3.yaml
    │   │   ├── v5
    │   │   │   ├── yolov5l.yaml
    │   │   │   ├── yolov5m.yaml
    │   │   │   ├── yolov5n.yaml
    │   │   │   ├── yolov5s.yaml
    │   │   │   └── yolov5x.yaml
    │   │   └── v8
    │   │       ├── cls
    │   │       │   ├── yolov8l-cls.yaml
    │   │       │   ├── yolov8m-cls.yaml
    │   │       │   ├── yolov8n-cls.yaml
    │   │       │   ├── yolov8s-cls.yaml
    │   │       │   └── yolov8x-cls.yaml
    │   │       ├── seg
    │   │       │   ├── yolov8l-seg.yaml
    │   │       │   ├── yolov8m-seg.yaml
    │   │       │   ├── yolov8n-seg.yaml
    │   │       │   ├── yolov8s-seg.yaml
    │   │       │   └── yolov8x-seg.yaml
    │   │       ├── yolov8l.yaml
    │   │       ├── yolov8m.yaml
    │   │       ├── yolov8n.yaml
    │   │       ├── yolov8s.yaml
    │   │       ├── yolov8x6.yaml
    │   │       └── yolov8x.yaml
    │   ├── nn
    │   │   ├── autobackend.py
    │   │   ├── __init__.py
    │   │   ├── modules.py
    │   │   ├── __pycache__
    │   │   │   ├── autobackend.cpython-38.pyc
    │   │   │   ├── __init__.cpython-38.pyc
    │   │   │   ├── modules.cpython-38.pyc
    │   │   │   └── tasks.cpython-38.pyc
    │   │   └── tasks.py
    │   ├── __pycache__
    │   │   └── __init__.cpython-38.pyc
    │   └── yolo
    │       ├── cli.py
    │       ├── configs
    │       │   ├── default.yaml
    │       │   ├── hydra_patch.py
    │       │   ├── __init__.py
    │       │   └── __pycache__
    │       │       ├── hydra_patch.cpython-38.pyc
    │       │       └── __init__.cpython-38.pyc
    │       ├── data
    │       │   ├── augment.py
    │       │   ├── base.py
    │       │   ├── build.py
    │       │   ├── dataloaders
    │       │   │   ├── __init__.py
    │       │   │   ├── __pycache__
    │       │   │   │   ├── __init__.cpython-38.pyc
    │       │   │   │   ├── stream_loaders.cpython-38.pyc
    │       │   │   │   ├── v5augmentations.cpython-38.pyc
    │       │   │   │   └── v5loader.cpython-38.pyc
    │       │   │   ├── stream_loaders.py
    │       │   │   ├── v5augmentations.py
    │       │   │   └── v5loader.py
    │       │   ├── dataset.py
    │       │   ├── datasets
    │       │   │   ├── Argoverse.yaml
    │       │   │   ├── coco128-seg.yaml
    │       │   │   ├── coco128.yaml
    │       │   │   ├── coco.yaml
    │       │   │   ├── GlobalWheat2020.yaml
    │       │   │   ├── ImageNet.yaml
    │       │   │   ├── Objects365.yaml
    │       │   │   ├── SKU-110K.yaml
    │       │   │   ├── VisDrone.yaml
    │       │   │   ├── VOC.yaml
    │       │   │   └── xView.yaml
    │       │   ├── dataset_wrappers.py
    │       │   ├── __init__.py
    │       │   ├── __pycache__
    │       │   │   ├── augment.cpython-38.pyc
    │       │   │   ├── base.cpython-38.pyc
    │       │   │   ├── build.cpython-38.pyc
    │       │   │   ├── dataset.cpython-38.pyc
    │       │   │   ├── dataset_wrappers.cpython-38.pyc
    │       │   │   ├── __init__.cpython-38.pyc
    │       │   │   └── utils.cpython-38.pyc
    │       │   ├── scripts
    │       │   │   ├── download_weights.sh
    │       │   │   ├── get_coco128.sh
    │       │   │   ├── get_coco.sh
    │       │   │   └── get_imagenet.sh
    │       │   └── utils.py
    │       ├── engine
    │       │   ├── exporter.py
    │       │   ├── __init__.py
    │       │   ├── model.py
    │       │   ├── predictor.py
    │       │   ├── __pycache__
    │       │   │   ├── exporter.cpython-38.pyc
    │       │   │   ├── __init__.cpython-38.pyc
    │       │   │   ├── model.cpython-38.pyc
    │       │   │   ├── predictor.cpython-38.pyc
    │       │   │   ├── trainer.cpython-38.pyc
    │       │   │   └── validator.cpython-38.pyc
    │       │   ├── trainer.py
    │       │   └── validator.py
    │       ├── utils
    │       │   ├── autobatch.py
    │       │   ├── callbacks
    │       │   │   ├── base.py
    │       │   │   ├── clearml.py
    │       │   │   ├── comet.py
    │       │   │   ├── hub.py
    │       │   │   ├── __init__.py
    │       │   │   ├── __pycache__
    │       │   │   │   ├── base.cpython-38.pyc
    │       │   │   │   ├── clearml.cpython-38.pyc
    │       │   │   │   ├── comet.cpython-38.pyc
    │       │   │   │   ├── hub.cpython-38.pyc
    │       │   │   │   ├── __init__.cpython-38.pyc
    │       │   │   │   └── tensorboard.cpython-38.pyc
    │       │   │   └── tensorboard.py
    │       │   ├── checks.py
    │       │   ├── dist.py
    │       │   ├── downloads.py
    │       │   ├── files.py
    │       │   ├── __init__.py
    │       │   ├── instance.py
    │       │   ├── loss.py
    │       │   ├── metrics.py
    │       │   ├── ops.py
    │       │   ├── plotting.py
    │       │   ├── __pycache__
    │       │   │   ├── autobatch.cpython-38.pyc
    │       │   │   ├── checks.cpython-38.pyc
    │       │   │   ├── dist.cpython-38.pyc
    │       │   │   ├── downloads.cpython-38.pyc
    │       │   │   ├── files.cpython-38.pyc
    │       │   │   ├── __init__.cpython-38.pyc
    │       │   │   ├── instance.cpython-38.pyc
    │       │   │   ├── loss.cpython-38.pyc
    │       │   │   ├── metrics.cpython-38.pyc
    │       │   │   ├── ops.cpython-38.pyc
    │       │   │   ├── plotting.cpython-38.pyc
    │       │   │   ├── tal.cpython-38.pyc
    │       │   │   └── torch_utils.cpython-38.pyc
    │       │   ├── tal.py
    │       │   └── torch_utils.py
    │       └── v8
    │           └── detect
    │               ├── deep_sort_pytorch
    │               │   ├── configs
    │               │   │   └── deep_sort.yaml
    │               │   ├── deep_sort
    │               │   │   ├── deep
    │               │   │   │   ├── checkpoint
    │               │   │   │   │   └── ckpt.t7
    │               │   │   │   ├── evaluate.py
    │               │   │   │   ├── feature_extractor.py
    │               │   │   │   ├── __init__.py
    │               │   │   │   ├── model.py
    │               │   │   │   ├── original_model.py
    │               │   │   │   ├── __pycache__
    │               │   │   │   │   ├── feature_extractor.cpython-38.pyc
    │               │   │   │   │   ├── __init__.cpython-38.pyc
    │               │   │   │   │   └── model.cpython-38.pyc
    │               │   │   │   ├── test.py
    │               │   │   │   ├── train.jpg
    │               │   │   │   └── train.py
    │               │   │   ├── deep_sort.py
    │               │   │   ├── __init__.py
    │               │   │   ├── __pycache__
    │               │   │   │   ├── deep_sort.cpython-38.pyc
    │               │   │   │   └── __init__.cpython-38.pyc
    │               │   │   ├── README.md
    │               │   │   ├── sort
    │               │   │   │   ├── detection.py
    │               │   │   │   ├── __init__.py
    │               │   │   │   ├── iou_matching.py
    │               │   │   │   ├── kalman_filter.py
    │               │   │   │   ├── linear_assignment.py
    │               │   │   │   ├── nn_matching.py
    │               │   │   │   ├── preprocessing.py
    │               │   │   │   ├── __pycache__
    │               │   │   │   │   ├── detection.cpython-38.pyc
    │               │   │   │   │   ├── __init__.cpython-38.pyc
    │               │   │   │   │   ├── iou_matching.cpython-38.pyc
    │               │   │   │   │   ├── kalman_filter.cpython-38.pyc
    │               │   │   │   │   ├── linear_assignment.cpython-38.pyc
    │               │   │   │   │   ├── nn_matching.cpython-38.pyc
    │               │   │   │   │   ├── track.cpython-38.pyc
    │               │   │   │   │   └── tracker.cpython-38.pyc
    │               │   │   │   ├── tracker.py
    │               │   │   │   └── track.py
    │               │   │   └── sort - Copy
    │               │   │       ├── __init__.py
    │               │   │       ├── iou_matching.py
    │               │   │       ├── kalman_filter.py
    │               │   │       ├── linear_assignment.py
    │               │   │       ├── nn_matching.py
    │               │   │       └── preprocessing.py
    │               │   ├── LICENSE
    │               │   ├── README.md
    │               │   └── utils
    │               │       ├── asserts.py
    │               │       ├── draw.py
    │               │       ├── evaluation.py
    │               │       ├── __init__.py
    │               │       ├── io.py
    │               │       ├── json_logger.py
    │               │       ├── log.py
    │               │       ├── parser.py
    │               │       ├── __pycache__
    │               │       │   ├── __init__.cpython-38.pyc
    │               │       │   └── parser.cpython-38.pyc
    │               │       └── tools.py
    │               ├── __init__.py
    │               ├── predict.log
    │               ├── predict.py
    │               ├── __pycache__
    │               │   ├── __init__.cpython-38.pyc
    │               │   ├── predict.cpython-38.pyc
    │               │   ├── train.cpython-38.pyc
    │               │   └── val.cpython-38.pyc
    │               ├── test3.mp4
    │               ├── train.py
    │               ├── val.py
    │               ├── yolov8l.pt
    │               └── yolov8n.pt
    ├── ultralytics.egg-info
    │   ├── dependency_links.txt
    │   ├── entry_points.txt
    │   ├── PKG-INFO
    │   ├── requires.txt
    │   ├── SOURCES.txt
    │   └── top_level.txt
    ├── YOLOv8_DeepSORT_TRACKING_SCRIPT.ipynb
    └── YOLOv8_Detection_Tracking_CustomData_Complete.ipynb

运行代码的步骤

转到克隆的文件夹

cd YOLOv8-DeepSORT-Object-Tracking

 在虚拟环境中安装依赖项

pip install -e '.[dev]'

 注意：numpy==1.23.5，numpy版本高于1.23.5可能无法运行，因为代码依赖于旧版的numpy

进入detect文件

cd ultralytics/yolo/v8/detect

 从驱动器下载 DeepSORT Zip 文件后，将其解压缩到子文件夹中，并将 deep_sort_pytorch 文件夹放入 yolo/v8/detect 文件夹中

下载 DeepSORT 文件地址如下：下载 DeepSORT 文件

下载示例视频：示例视频

运行predict.py文件，进行目标检测+跟踪

python predict.py model=yolov8l.pt source="test3.mp4" show=True

 运行效果

龚子小哥哥�
关注
  • 8
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
【深度学习】基于YOLOv8与DeepSORT实现多目标跟踪
qq_45306739的博客
03-30 448
2024年4月1日----
Object-tracking-deepsort
04-05
yolov4-deepsort 使用YOLOv4，DeepSort和TensorFlow实现的对象跟踪。 YOLOv4是一种先进的算法，它使用深度卷积神经网络来执行对象检测。 我们可以将YOLOv4的输出输入这些对象检测到Deep SORT（带有Deep Association Metric的简单在线和实时跟踪）中，以创建一个高度精确的对象跟踪器。 关于对象的对象跟踪器的演示 汽车上的对象跟踪器演示 入门 首先，请通过Anaconda或Pip安装适当的依赖项。 我建议使用GPU的人使用Anaconda路由，因为它可以为您配置CUDA工具包版本。 conda（推荐） # Tensorflow CPU conda env create -f conda-cpu.yml conda activate yolov4-cpu # Tensorflow GPU conda env create -
YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数
10-06
本资源纯属免费，不收任何钱和任何积分，纯粹为爱发电，本资源已经为大家整合好了的，看我的博客部署好直接用：https://blog.csdn.net/Little_Carter/article/details/133610076?spm=1001.2014.3001.5501 资源原本项目源码地址：https://github.com/MuhammadMoinFaisal/YOLOv8-DeepSORT-Object-Tracking 本资源提供了基于YOLOv8-deepsort算法的智能车辆目标检测、车辆跟踪和车辆计数的实现方案。首先，利用YOLOv8算法对视频中的车辆目标进行检测，并对检测到的目标进行标记。然后，通过deepsort算法对标记的车辆目标进行跟踪，实现车辆目标的持续跟踪。最后，根据跟踪结果对车辆数量进行统计，实现车辆计数功能。本资源提供了完整的代码实现和详细的使用说明，帮助读者快速掌握基于YOLOv8-deepsort的智能车辆目标检测、车辆跟踪和车辆计数技术。
yolov8 + deepsort 用于进行多目标检测（车流统计，人流统计）
liuxuan19901010的博客
05-08 2993
yolov8多目标识别
yolov4-deepsort：使用YOLOv4，DeepSort和TensorFlow实现的对象跟踪
02-06
yolov4-deepsort 使用YOLOv4，DeepSort和TensorFlow实现的对象跟踪。 YOLOv4是一种先进的算法，它使用深度卷积神经网络来执行对象检测。 我们可以将YOLOv4的输出输入这些对象检测到Deep SORT（具有Deep Association Metric的简单在线和实时跟踪）中，以创建高度准确的对象跟踪器。 对象跟踪器演示 汽车上的对象跟踪器演示 入门 首先，请通过Anaconda或Pip安装适当的依赖项。 我建议使用GPU的人使用Anaconda路由，因为它可以为您配置CUDA工具包版本。 conda（推荐） # Tensorflow CPU con
YOLOv5-deepsort 车辆行人目标跟踪
12-06
YOLOv5-deepsort 车辆行人目标跟踪，代码以配置好，下载后配置环境就可以使用，包括有训练好的YOLOv5车辆行人检测模型，并附上了测试视屏，并可绘制出目标 的运动轨迹，有使用说明可以参考，目标类别名为person，car，用于检测和跟踪车辆行人 https://blog.csdn.net/weixin_51154380/article/details/126395695?spm=1001.2014.3001.5502
ckpt.t7文件deepsort重识别模型.zip
03-06
ckpt.t7文件deepsort重识别模型
YOLOv8+DeepSORT多目标跟踪(行人车辆计数与越界识别)
08-01
本课程使用YOLOv8和DeepSORT对视频中的行人、车辆做多目标跟踪计数与越界识别(电子围栏)，开展YOLOv8目标检测和DeepSORT多目标跟踪强强联手的应用。课程分别在Windows和Ubuntu系统上做项目演示，并对DeepSORT原理和代码做详细解读（使用PyCharm单步调试讲解）。课程包括：基础篇、实践篇、原理篇和代码解析篇。Ÿ  基础篇包括多目标跟踪任务介绍、常用数据集和评估指标；Ÿ  实践篇包括Win10和Ubuntu系统上的YOLOv8+DeepSORT的多目标跟踪计数与越界识别具体的实践操作步骤演示，特别是对行人、车辆的ReID数据集讲解了训练方法；Ÿ  原理篇中讲解了马氏距离、匈牙利算法、卡尔曼滤波器的原理，并解读了SORT和DeepSORT论文；Ÿ  代码解析篇中使用PyCharm单步调试对DeepSORT的代码逐个文件进行讲解。课程提供注释后的代码和代码解析文档。
基于YOLOv8与DeepSORT实现多目标跟踪——算法与源码解析
知来者逆的博客
11-08 9796
基于目标检测YOLOv8与目标追踪DeepSORT实现的多目标实时追踪，算法原理与源码解析。
YOLOv8+DeepSORT多目标车辆跟踪（车辆检测+跟踪+车辆计数）（内附免费资源+部署讲解）
热门推荐
Little_Carter的博客
10-06 1万+
欢迎来到我的博客！今天我们将一起探讨一种先进的视觉跟踪算法——YOLOv8+deepsort。该算法结合了YOLOv8目标检测算法和deepsort跟踪算法，能够在复杂场景中实现准确且稳定的目标跟踪。本篇文章将带您了解YOLOv8+deepsort跟踪算法的优势、特点以及在各个领域的应用场景，帮助您更深入地理解这一技术。目标跟踪是计算机视觉领域的一个关键任务，旨在在不同的视频帧中识别并跟踪特定目标。随着深度学习技术的发展，目标跟踪算法的性能得到了显著提升。
yolov8+deepsort的代码实现
m0_56175815的博客
01-17 993
yolov8+deepsort的代码实现
YOLOv5-Deepsort行人检测和跟踪代码+训练好的模型
07-11
1、yolov5-deepsort行人检测和跟踪，包含YOLOv5训练好的行人检测权重以及各种训练曲线，目标类别为person 2、可以生成行人运动轨迹 3、pytorch框架，python代码 4、结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743
目标跟踪+YOLOv8-deepsort 实现智能车辆跟踪+计数系统
07-09
目标跟踪+YOLOv8-deepsort 实现智能车辆跟踪+计数系统： - 本工程包含源码及详细操作视频 - 里边也包含了环境搭建+demo运行的详细教程 适合研究小白等
Object-Detection-and-Tracking:deep_sort_yolov3
05-11
YOLOv3 + Deep_SORT YOLOv3 + Deep_SORT实现多类多目标检测（计数） 要求 OpenCV 凯拉斯 NumPy 斯克林 枕头 张量流-gpu 1.10.0 它用： 检测： 用于检测每个视频帧上的对象。 -用自己的数据训练YOLOv3模型 跟踪： 可以跟踪不同帧上的那些对象。 该存储库包含用于使用深度关联度量标准（Deep SORT）进行简单在线和实时跟踪的代码。 我们扩展了原始的SORT算法，以基于深层外观描述符集成外观信息。 有关更多信息，请参见。 快速开始 0.要求 pip install -r requirements.txt 1.将代码下载到您的计算机。 git clone https://github.com/xiaoxiong74/Object-Detection-and-Tracking.git 2.下载并将其放置在deep_s
homebridge-volvo：沃尔沃Homebridge插件
02-03
霍夫桥 关于 这是的插件，可让您控制Volvo汽车，并旨在复制官方Volvo On Call应用程序的大部分功能。 安装 插件安装 使用以下命令安装 ： npm install -g homebridge 使用以下命令安装homebridge-volvo： npm install -g homebridge-volvo 通过编辑~/.homebridge/config.json文件或使用配置homebridge-volvo。 请参见下面的示例： 组态 基本配置示例： { " accessory " : " Volvo " , " name " : " Volvo " , " email " : " [email protected] " , " password " : " 1234 " , " region " : " " } 完整配置示例： { " accessory " : " Volvo " , " name " : " My Volvo Car " , " email " : " [email protected] " , "
YOLOV3-SORT:基于Opencv和Filterpy实现YOLOV3-SORT车辆跟踪与车流统计算法
05-10
YOLOV3-SORT实现车辆跟踪与车流统计 代码简单，适合新手学习，ID Switch较多。 先学习SORT算法，明白基于检测的目标跟踪基本框架，然后在学习Deepsort。 Tutorial文件夹是教程，下载后用浏览器查看 实现效果： 下载YOLOv3-416权重 基于Opencv的Dnn模块实现yolov3目标检测 卡尔曼滤波 Tutorial也有Kalman推导和基于python的实现 基于Filterpy实现Kalman滤波 指派问题与匈牙利解法 笔记： 基于scipy.optimize的linear_sum_assignment实现匈牙利匹配
YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数已测
最新发布
03-04
本资源提供了基于YOLOv8-deepsort算法的智能车辆目标检测、车辆跟踪和车辆计数的实现方案。首先，利用YOLOv8算法对视频中的车辆目标进行检测，并对检测到的目标进行标记。然后，通过deepsort算法对标记的车辆目标...
YOLOv8添加DeepSORT目标追踪算法
weixin_70423469的博客
08-10 2738
多目标追踪算法核心思想是将目标检测和目标跟踪分离开来，首先使用目标检测算法对视频帧中的目标进行检测，然后将检测到的目标转化为特征向量，使用深度学习模型对目标特征进行学习， 最后使用==卡尔曼滤波器==对目标进行跟踪，实现对目标的连续跟踪。其中运行命令的时候会出现很多报错，大部分是应为环境的关系，还有一些包版本冲突问题，这里因为已经过一段时间了，我当时报错没有记录下来，都是一条条去解决的，问题不是很大，如果有报错不会的可以私信我，尽量看看。然后按照readme文档将环境配置好。进入到detect中。
基于yolov8+deepsort的多目标跟踪完成行人、车辆计数和越界检测
Levante_ceo的博客
11-12 3036
​。
yolov8-deepsort
09-07
YOLOv8-DeepSORT是一种目标检测和跟踪算法的组合，它结合了YOLOv8目标检测算法和DeepSORT目标跟踪算法。 YOLOv8是一种实时目标检测算法，它采用了迁移学习和骨干网等技术来提高检测准确度和速度。YOLOv8将图像划分为网格，每个网格预测一定数量的边界框和类别概率，并通过非极大值抑制来过滤冗余的框，最终输出目标的位置和类别。相比于传统的目标检测算法，YOLOv8具有更快的检测速度和较高的准确度。 DeepSORT是一种基于深度学习的目标跟踪算法，它通过将目标的特征嵌入到低维空间中，使用卡尔曼滤波和匈牙利算法来对目标进行匹配和跟踪。DeepSORT还引入了外观描述符和运动描述符，提高了对目标的鲁棒性和准确度。相比于传统的目标跟踪方法，DeepSORT在多目标跟踪场景下表现更加稳定和精确。 YOLOv8-DeepSORT结合了YOLOv8的快速目标检测和DeepSORT的准确目标跟踪，可以在实时视频流中对多个目标进行检测和跟踪。它可以应用于交通监控、行人计数、视频分析等领域，为实时目标分析提供了一种高效的解决方案。同时，YOLOv8-DeepSORT还可以通过多线程和GPU并行计算来加快处理速度，满足对实时性要求较高的应用场景。

“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 2
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