YOLOv10：实时端到端目标检测的新标准

已于 2025-01-10 11:17:56 修改
阅读量2.2k 收藏 49
点赞数 51
分类专栏： 编程探索 文章标签： YOLO
于 2024-11-20 12:15:00 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/jxjdhdnd/article/details/143896294
版权

🏡作者主页：点击！ 

🤖编程探索专栏：点击！

⏰️创作时间：2024年11月20日10点02分

神秘男子影,
  秘而不宣藏。
泣意深不见,
男子自持重,
   子夜独自沉。

一、背景及意义介绍

YOLO系列因其在计算成本和检测性能之间取得的有效平衡，已成为实时目标检测领域的主导范式。实时目标检测对于自动驾驶、机器人导航、视频监控等应用场景至关重要，这些领域需要快速且准确的目标检测能力以确保安全和效率。

YOLOv10作为高效轻量、端到端实时目标检测的新标准，在自动驾驶、机器人导航、视频监控和人机交互等领域展现出巨大潜力。

二、概述

本文解读并复现的论文是《YOLOv10: Real-Time End-to-End Object Detection》，2024年发表于NeurIPS(Neural Information Processing System)会议。众所周知，NeurIPS会议是计算机人工智能领域的顶会。

三、论文背景

研究背景：

YOLO系列模型作为实时目标检测的主流方法，因其在检测性能和计算效率之间取得的平衡而广受欢迎。然而，随着技术的发展和应用需求的提高，现有YOLO模型在后处理依赖和模型架构设计上存在局限性，这促使研究者探索新的解决方案以进一步提升性能和效率。

  • 尽管YOLO系列取得了显著进展，但其对非最大抑制（NMS）的依赖限制了端到端部署，并影响了推理延迟。此外，YOLOs中各个组件的设计缺乏全面和彻底的检查，导致明显的计算冗余并限制了模型的能力。
  • 针对这些挑战，YOLOv10的研究通过一系列技术创新来进一步提升YOLO系列模型的性能和效率。具体来说，YOLOv10提出了一种新的无NMS训练策略，即一致的双重分配机制，该机制结合了一对多和一对一的标签分配方法，有效减少了对传统非最大抑制（NMS）的依赖。此外，YOLOv10还引入了轻量级分类头、空间-通道解耦下采样技术，以及基于秩引导的块设计，这些优化降低了模型的复杂度并提高了特征融合的效率。同时，YOLOv10还采用了大核卷积和部分自注意力（PSA）模块来增强模型的特征提取和全局建模能力，这些技术在保持高检测速度的同时显著提升了检测准确性。通过这些综合改进，YOLOv10满足了实时目标检测领域对高性能和低延迟的双重要求。

研究意义：

  • 技术创新：
    1. YOLOv10通过一致双重分配的新技术，消除了训练期间对非最大抑制（NMS）的需求，简化了推理过程，显著减少了延迟。
    2. YOLOv10的作者精心优化了模型的各个组件，将效率和准确性放在首位，包括轻量级分类头、独特的空间通道解耦下采样技术和秩引导块设计。
    3. YOLOv10集成了大核卷积和部分自注意力模块等尖端功能，提高了模型的性能而不会产生大量的计算成本。
  • 应用价值：
    1. YOLOv10的高效性和高准确性使其能够理想地识别行人、其他车辆和障碍物，确保顺畅安全的驾驶体验。
    2. 对于从事仓库管理或救援任务的机器人来说，YOLOv10增强了快速准确地检测物体的能力，使机器人能够在动态环境中更有效地运行。
    3. 在安防系统中，YOLOv10的实时检测潜在威胁的能力可以在事件升级前预防，提高公共安全。
  • 启发意义：
    1. YOLOv10的出现预示着目标检测技术将与其他技术如物联网、大数据等融合发展，实现更智能化的应用。
    2. YOLOv10的发展将向多模态数据处理转变，利用大语言模型和自然语言处理的进步来增强目标检测系统。

四、论文思路

YOLOv10在延迟准确性和大小准确性上和其他目标检测模型的比较

YOLOv10提出了一致双重分配策略以实现无需NMS的端到端训练，优化了模型架构通过轻量级分类头、空间-通道解耦下采样和等级引导块设计来提高效率，以及引入大核卷积和部分自注意力模块来增强模型性能，这些技术共同推动了YOLO系列在实时目标检测任务中性能和效率的显著提升。

  1. 无NMS训练策略： YOLOv10中的一项关键创新，它通过引入一致的双重分配机制——结合一对多和一对一的标签分配方法，使得模型在训练时能够获得丰富的监督信号，在推理时则无需依赖传统的非最大抑制（NMS）过程，从而显著提高了目标检测的速度和准确性。模型架构优化集中体现在通过设计轻量级分类头减少计算负担、采用空间-通道解耦下采样提高信息保留率以及实施等级引导块设计以适应不同阶段的信息冗余度，这些综合改进使得模型在保持高检测性能的同时实现了计算效率的显著提升。
  2. 模型架构优化： 通过设计轻量级分类头减少计算负担、采用空间-通道解耦下采样提高信息保留率以及实施等级引导块设计以适应不同阶段的信息冗余度，这些综合改进使得模型在保持高检测性能的同时实现了计算效率的显著提升。
  3. 性能增强技术： YOLOv10的性能增强技术通过引入轻量级分类头降低计算负担、采用空间-通道解耦下采样提升信息保留、实施等级引导的模块设计以减少冗余，并结合大核卷积和部分自注意力机制来扩大感受野和增强全局特征学习能力，这些综合改进在保持高检测性能的同时显著提升了模型的推理速度和效率。

五、模型结构

YOLOv10的模型结构通过精心设计的骨干网络实现高效的特征提取，利用改进的特征融合策略增强多尺度特征的整合能力，并通过引入紧凑倒置块（CIB）和部分自注意力（PSA）等性能增强技术，优化了模型的计算效率和检测准确性，从而在保持高准确率的同时显著提升了模型的推理速度，满足了实时目标检测的严格要求。

  1. 骨干网络： YOLOv10的骨干网络采用改进的CSPNet结构，通过高效的梯度流动和减少计算冗余，提升了特征提取的效率和效果。
  2. 颈部网络：YOLOv10的颈部设计用于汇聚不同尺度的特征，并将其传递到头部。它包括PAN（Path Aggregation Network）层，这可以实现有效的多尺度特征融合。PAN层通过聚合不同层的特征图，增强了模型对不同尺度目标的检测能力。
  3. 检测头：YOLOv10采用了一对多头（One-to-Many Head）的设计，在训练过程中为每个对象生成多个预测，以提供丰富的监督信号并提高学习准确性。同时，它还有一个一对一头（One-to-One Head），在推理过程中为每个对象生成一个最佳预测，消除了对NMS（非最大抑制）的需求，减少了延迟并提高了效率。
  4. 性能增强技术：CIB通过深度可分离卷积和逐点卷积的组合提供了一个轻量而高效的计算单元，而PSA则通过仅对特征的一部分应用自注意力机制，减少了计算复杂度，同时增强了模型的全局建模能力。这些创新使得YOLOv10在处理各种尺寸的目标时更为精准和高效。

六、损失函数

YOLOv10的损失函数是由分类损失、定位损失、置信度损失以及平衡损失等几个主要部分组成的复合函数，这些部分共同作用以优化模型在目标检测任务中的表现，确保模型能够准确分类目标、精确定位目标位置，并在各类别和目标大小之间保持平衡：

  1. 分类损失用于衡量模型对目标类别预测的准确性。通常采用交叉熵损失来计算预测类别概率分布和真实标签之间的差异，从而促使模型正确分类目标。
  2. 定位损失负责优化模型对目标位置的预测。这通常通过计算预测边界框和真实边界框之间的差异来实现，常用的方法包括IoU（交并比）损失或者L1/L2损失，以确保预测框能够准确地覆盖真实目标。
  3. 置信度损失用于衡量模型对目标存在的预测准确性。这包括目标是否被正确识别的置信度，以及预测框与真实目标的匹配程度。
  4. 平衡损失用于处理类别不平衡问题，通过对不同类别或不同困难程度的样本赋予不同的权重，确保模型不会忽视少数类别或难以检测的目标。

七、复现过程（重要）

步骤一：创建环境

在终端运行：

conda create -n yolov10 python=3.9
conda activate yolov10

步骤二：安装库和依赖

继续运行：

pip install -r requirements.txt
pip install -e .
pip install ultralytics

步骤三：定义训练模式

该命令行语句是示例语句，其中的数据集、模型、epoch、batch size、图片大小、单/多卡训练都可根据读者个人需要修改，在刚才的环境上运行：

yolo detect train data=coco.yaml model=yolov10n.yaml epochs=300 batch=32 imgsz=640 device=0

读者也可用下面的代码块写出脚本，直接运行脚本，注意要根据实际情况调整路径：

from ultralytics import YOLOv10

model = YOLOv10.from_pretrained('jameslahm/yolov10{n/s/m/b/l/x}')
# or
# wget https://github.com/THU-MIG/yolov10/releases/download/v1.1/yolov10{n/s/m/b/l/x}.pt
model = YOLOv10('yolov10{n/s/m/b/l/x}.pt')

model.val(data='coco.yaml', batch=256)

步骤四：定义验证模式

该命令行语句是示例语句，其中的数据集、模型、batch size都可根据读者个人需要修改,注意要根据实际情况调整路径：

yolo val model=jameslahm/yolov10n data=coco.yaml batch=256

1

读者也可用下面的代码块写出脚本，直接运行脚本，注意要根据实际情况调整路径和权重：

from ultralytics import YOLOv10

model = YOLOv10.from_pretrained('jameslahm/yolov10{n/s/m/b/l/x}')
# or
# wget https://github.com/THU-MIG/yolov10/releases/download/v1.1/yolov10{n/s/m/b/l/x}.pt
model = YOLOv10('yolov10{n/s/m/b/l/x}.pt')

model.val(data='coco.yaml', batch=256)

步骤五：定义预测模式

yolo predict model=jameslahm/yolov10{n/s/m/b/l/x}

或运行脚本

from ultralytics import YOLOv10

model = YOLOv10.from_pretrained('jameslahm/yolov10{n/s/m/b/l/x}')
# or
# wget https://github.com/THU-MIG/yolov10/releases/download/v1.1/yolov10{n/s/m/b/l/x}.pt
model = YOLOv10('yolov10{n/s/m/b/l/x}.pt')

model.predict()

逐步运行下面的语句，其具体逻辑是导出模型为 ONNX 格式->使用 ONNX 进行预测->导出模型为 TensorRT 引擎(或者使用 trtexec工具)->使用 TensorRT 进行预测：

# End-to-End ONNX
yolo export model=jameslahm/yolov10{n/s/m/b/l/x} format=onnx opset=13 simplify
# Predict with ONNX
yolo predict model=yolov10n/s/m/b/l/x.onnx

# End-to-End TensorRT
yolo export model=jameslahm/yolov10{n/s/m/b/l/x} format=engine half=True simplify opset=13 workspace=16
# or
trtexec --onnx=yolov10n/s/m/b/l/x.onnx --saveEngine=yolov10n/s/m/b/l/x.engine --fp16
# Predict with TensorRT
yolo predict model=yolov10n/s/m/b/l/x.engine

或运行脚本

from ultralytics import YOLOv10

model = YOLOv10.from_pretrained('jameslahm/yolov10{n/s/m/b/l/x}')
# or
# wget https://github.com/THU-MIG/yolov10/releases/download/v1.1/yolov10{n/s/m/b/l/x}.pt
model = YOLOv10('yolov10{n/s/m/b/l/x}.pt')

model.export(...)

此外，还开发了一个网页版的web供算法的可视化演示，运行app.py，程序运行后进入网址http://127.0.0.1:7861/，就会出来一个界面，输入图像后可进行图像检测。

环境要求：

python 3.9

  • torch==2.0.1
  • torchvision==0.15.2
  • onnx==1.14.0
  • onnxruntime==1.15.1
  • pycocotools==2.0.7
  • PyYAML==6.0.1
  • scipy==1.13.0
  • onnxslim==0.1.31
  • onnxruntime-gpu==1.18.0
  • gradio==4.31.5
  • opencv-python==4.9.0.80
  • psutil==5.9.8
  • py-cpuinfo==9.0.0
  • huggingface-hub==0.23.2
  • safetensors==0.4.3

参考文献

[1]Wang, A., Chen, H., Liu, L., Chen, K., Lin, Z., Han, J., & Ding, G. (2024). YOLOv10: Real-time end-to-end object detection. arXiv preprint arXiv:2405.14458.

成功的路上没有捷径，只有不断的努力与坚持。如果你和我一样，坚信努力会带来回报，请关注我，点个赞，一起迎接更加美好的明天！你的支持是我继续前行的动力！"

"每一次创作都是一次学习的过程，文章中若有不足之处，还请大家多多包容。你的关注和点赞是对我最大的支持，也欢迎大家提出宝贵的意见和建议，让我不断进步。"

神秘泣男子

YOLOv10真正实时端到端目标检测（原理介绍+代码详见+结构框图）| YOLOv10如何训练自己的数据集（NEU-DET为案列）
05-27 7729
真正实时端到端目标检测（原理介绍+代码详见+结构框图）| YOLOv10如何训练自己的数据集（NEU-DET为案列）
【论文阅读】YOLOv10: Real-Time End-to-End Object Detection
Limiiiing的博客
08-26 3246
在过去的几年里，由于在计算成本和检测性能之间取得了有效的平衡，YOLOs已经成为实时目标检测领域的主导范式。研究人员已经对yolo的架构设计、优化目标、数据增强策略等进行了探索，并取得了显著进展。然而，对非最大抑制(NMS)的后处理依赖阻碍了yolo的端到端部署，并对推理延迟产生不利影响。此外，YOLOs中各部件的设计缺乏全面彻底的检查，导致计算冗余明显，限制了模型的能力。它提供了次优的效率，以及相当大的性能改进潜力。在这项工作中，我们的目标是从后处理和模型架构两个方面进一步推进YOLOs的性能效率边界。
【论文解析】YOLOv10论文解析与VisDrone数据集训练
weixin_43937010的博客
05-27 2904
背景和动机：YOLOs系列架构中，依赖非最大值抑制（NMS）进行后处理阻碍了YOLO的端到端部署，这对推理延迟产生不利影响。此外，YOLOs模型中各组分的设计缺乏全面、彻底思考，导致计算冗余明显，由此产生的受约束的模型能力也导致了较差的性能。作者的方法和思想：提出一种consistent dual assignment 策略，解决后处理中冗余预测的问题，它同时带来了具有竞争力的性能和低推理延迟；其次，引入了基于效率-精度驱动的整体模型设计策略。
YOLOv10改进系列 ---- Conv篇 ---- 2024.1月最新成果可变形卷积DCNv4（适用检测、Seg、分类、Pose、OBB）
m0_58941767的博客
02-18 3221
本文给大家带来的改进机制是2024-1月的最新成果DCNv4，其是DCNv3的升级版本，效果可以说是在目前的卷积中名列前茅了，同时该卷积具有轻量化的效果！一个DCNv4参数量下降越15Wparameters左右，。它主要通过两个方面对前一版本DCNv3进行改进：首先，它移除了空间聚合中的softmax归一化，这样做增强了其动态特性和表达能力；其次，它优化了内存访问过程，以减少冗余操作，从而加快处理速度。DCNv4的表现可以说是非常的全面，同时该网络为新发目前存在大量使用Bug我均已修复。
【YOLO系列】YOLOv10论文超详细解读（翻译 ＋学习笔记）
路人贾的博客
06-04 2万+
《YOLOv10: Real-Time End-to-End Object Detection》论文翻译＋超详细解读
[卷积神经网络]YOLOv10论文解读
就随便写写....
08-15 1529
YOLOv10的改进点主要由两点：①提出一种基于无NMS的一致的双重训练策略；②提出了整体效率-精度驱动的模型架构设计策略。这两项改进使得YOLOv10相较于RT-DETR快1.8倍，比YOLOv9-C在同性能下降低了46%的延迟，减少了1.8倍的参数。
YOLOv10 论文学习
calvinpaean的博客
05-25 1854
此外，在“一对一”的匹配时，作者采用了 top-1 选项，取得的表现和匈牙利匹配一样，额外的训练时间要更少。为了在训练中省去 NMS，作者提出了双标签分配策略和一致的匹配度量，这样模型能在训练时获得丰富且均衡的监督信号，推理时无需 NMS，从而改善了表现、降低了推理延迟。由于训练的随机性，作者用相同的值来初始化这俩 heads，产生相同的预测结果，也就是说，对于每对预测-ground-truth，“一对一” head 和“一对多” head 输出相同的。但是，它们的计算成本是明显不同的。
YOLOv10：实时端到端目标检测
TJMtaotao的博客，高校计算机教师
05-28 2436
在过去的几年里，YOLO因其在计算成本和检测性能之间的有效平衡而成为实时目标检测领域的主要范例。研究人员对 YOLO 的架构设计、优化目标、数据增强策略等进行了探索，取得了显着进展。然而，后处理对非极大值抑制（NMS）的依赖阻碍了 YOLO 的端到端部署，并对推理延迟产生不利影响。此外，YOLO中各个组件的设计缺乏全面彻底的检查，导致明显的计算冗余并限制了模型的能力。它提供了次优的效率，以及相当大的性能改进潜力。在这项工作中，我们的目标是从后处理和模型架构方面进一步提升 YOLO 的性能效率边界。
YOLOv10简介：实时端到端物体检测.pdf
09-02
YOLOv10是由清华大学的研究人员在Ultralytics Python软件包的基础上提出的一种新的实时目标检测方法。它在解决YOLO以往版本的后处理和模型架构方面的不足的同时，实现了最先进的性能和显著降低的计算开销。YOLOv10...
细读YOLOv10：实时端到端对象检测的笔记
m0_73730717的博客
08-16 1292
我将作者摘要内容简短： YOLOv10针对之前工作分析，发现NMS（非极大值抑制）后续处理依赖阻碍YOLO 的端到端部署，且对推理延迟不友好。此外，他们还发现yolo结构中计算冗余明显，限制了模型的能力。在这项工作中，作者的目标是从后处理和模型架构两个方面进一步推进YOLO的性能效率边界。为此，作者首先提出了一致的双重分配的NMS自由训练的YOLO，这带来了竞争力的性能和低推理延迟的同时。此外，作者从效率和准确性两个角度全面优化了YOLO的各个组件，不但降低了计算开销，提高了性能。
YOLOv10论文解读：实时端到端的目标检测模型
阿旭的博客
05-25 1929
YOLOv10论文解读：实时端到端的目标检测模型
YOLOv10 | 无NMS的YOLO | 实时端到端目标检测的新突破
kay_545
05-25 1996
YOLOv10，yolov8，yolov10
YOLOv10：实时端到端目标检测（论文学习和代码运行）
qq_60199131的博客
05-27 1831
YOLOv10学习。
YOLOv10详细解读 | 一文带你深入了解yolov10的创新点（附网络结构图 + 举例说明）
热门推荐
Snu77的博客
05-26 3万+
Hello，我是Snu77，YOLOv9发布时间没有多久，YOLOv10就紧接着发布于2024.5.23号（不得不感叹YOLO系列的发展速度）！ 本文给大家带来的是YOLOv10的论文详细解读->论文名称为:YOLOv10: Real-Time End-to-End Object Detection（大家看着眼熟么，是不是和RT-DETR的《DETRs Beat YOLOs on Real-time Object Detection》比较像，从这个论文题目可以看到目前的创新方向都是往端到端和实时的方向去搞
YOLOv10 超详细解析 | 网络结构、训练策略、论文解读
秋山丶雪绪的博客
06-09 3万+
网络结构按 YOLOv10m 绘制，不同 scale 的模型在结构上略有不同，而不是像 YOLOv8 一样仅调整 depth 和 width。Head 有部分后续计算与 YOLOv8 完全相同，上图省略，具体请看。YOLOv10 整体的网络结构与 YOLOv8 相同，在一些细节模块上有所改进，查看具体的模块计算方式、优化策略跳转部分。
【论文阅读】 YOLOv10: Real-Time End-to-End Object Detection
shuaijieer的博客
05-24 3230
在过去几年中，YOLOs 因其在计算成本和检测性能之间的有效平衡而成为实时物体检测领域的主流模式。研究人员对 YOLOs 的架构设计、优化目标、数据增强策略等进行了探索，并取得了显著进展。然而，后处理对非最大抑制（NMS）的依赖阻碍了 YOLO 的端到端部署，并对推理延迟产生了不利影响。此外，YOLOs 中各种组件的设计缺乏全面彻底的检查，导致明显的计算冗余，限制了模型的能力。这使得效率不尽如人意，性能还有很大的提升空间。在这项工作中，我们旨在从后处理和模型架构两方面进一步推进 YOLO 的性能-效率边界。
集智书童 | YOLOv10开源｜清华用端到端YOLOv10在速度精度上都生吃YOLOv8和YOLOv9
csdn_xmj的博客
05-27 4815
在本文中，作者针对YOLO系列检测 Pipeline 中的后处理和模型架构进行了研究。对于后处理，作者提出了持续的双重分配以实现无需NMS的训练，从而实现高效的端到端检测。对于模型架构，作者引入了整体效率-精度驱动的模型设计策略，改进了性能与效率之间的权衡。这些改进带来了YOLOv10，这是一个新的实时端到端目标检测器。大量实验表明，与其它先进检测器相比，YOLOv10在性能和延迟方面均达到了最先进水平，充分展示了其优越性。
YoloV10部署落地：用于实时嵌入式目标检测（附论文下载）
gzq0723的博客
05-28 769
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式标题：YOLOv10: Real-Time End-to-End Object Detection论文：https://arxiv.org/pdf/2405.14458源码：https://github.com/THU-MIG/yolov10计算机视觉研究院专栏作者：Edison_GYO...
【论文复现】YOLOv1代码复现
EterNity_TiMe_的计算机学习之路
11-26 692
YOLO系列都包括：输入端、Backbone、Neck，Head
YOLOv8颈部网络
最新发布
02-19
### YOLOv8 颈部网络架构与实现细节 YOLOv8 继承并发展了前几代YOLO系列模型的优点，在颈部（neck）部分采用了路径聚合网络(PANet)[^1]。PANet通过增强特征金字塔结构，使得不同尺度下的目标检测更加精准有效。 #### 特征融合机制 在YOLOv8中，颈部模块主要负责多层特征图之间的信息交互与融合。具体来说： - **自顶向下通路**：从高层语义丰富的特征逐步向低层次传递，补充细粒度的空间位置信息。 - **横向连接**：每一级都存在来自相同分辨率的残差边，用于加强局部区域内的表征能力。 这种设计有助于解决物体大小差异较大时带来的挑战，并提高了小目标检测的效果。 #### 实现细节 以下是YOLOv8颈部网络的一个简化版本Python代码示例: ```python import torch.nn as nn class Neck(nn.Module): def __init__(self, in_channels_list=(256, 512, 1024), out_channel=256): super(Neck, self).__init__() # 定义FPN中的卷积操作 self.lateral_convs = nn.ModuleList() self.fpn_convs = nn.ModuleList() for i in range(len(in_channels_list)): lateral_conv = ConvModule( in_channels_list[i], out_channel, kernel_size=1) fpn_conv = ConvModule( out_channel, out_channel, kernel_size=3, padding=1) self.lateral_convs.append(lateral_conv) self.fpn_convs.append(fpn_conv) def forward(self, inputs): assert len(inputs) == len(self.lateral_convs) # 构建顶层特征 laterals = [ lateral_conv(inputs[i]) for i, lateral_conv in enumerate(self.lateral_convs) ] # 自顶向下构建特征金字塔 used_backbone_levels = len(laterals) for i in range(used_backbone_levels - 1, 0, -1): prev_shape = laterals[i - 1].shape[2:] laterals[i - 1] += F.interpolate( laterals[i], size=prev_shape, mode='nearest') outs = [ self.fpn_convs[i](laterals[i]) for i in range(used_backbone_levels) ] return tuple(outs) ``` 此段代码展示了如何利用PyTorch框架搭建一个简单的颈部网络，其中包含了侧向连接以及逐层上采样的过程。
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

打赏作者

神秘泣男子

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