（一）MMDetection3D环境配置

已于 2023-05-29 14:31:25 修改
阅读量5.3k 收藏 91
点赞数 21
分类专栏： MMDetection3d 学习 文章标签： 3d 深度学习 pytorch
于 2023-05-29 14:29:15 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/m0_46556474/article/details/130778016
版权
该文详细介绍了如何配置MMDetection3D的开发环境，包括PyTorch的安装、MMDetection3D的依赖包安装、模型克隆与编译，以及使用demo程序进行3D目标检测的步骤。此外，还涵盖了数据集的准备，如KITTI和NuScenes数据集的下载、组织结构及预处理方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

（一）MMDetection3D环境配置

官方文档：MMDetection3D官方文档
推荐教程：通用视觉框架 OpenMMLab 系列课程之 MMDetection3D
项目地址：https://github.com/open-mmlab/mmdetection3d

第一步：Pytorch环境搭建

1.1 安装pytorch环境

conda create -n pytorch-mmdet3d python=3.8
conda activate pytorch-mmdet3d
conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cudatoolkit=11.3 -c pytorch

1.2 验证pytorch环境

python                     # 3.8.16
import torch
torch.__version__          # 1.10.1
torch.version.cuda         # 11.3
torch.cuda.is_available()  # True
exit()

第二步：安装MMDetection3D

2.1 安装其它包

pip install openmim          # 下载的时候容易报错，多多尝试几次
mim install mmcv-full
mim install mmdet            # 下载的时候容易报错，多多尝试几次
mim install mmsegmentation

2.2 克隆编译MMDetection3D

git clone https://github.com/open-mmlab/mmdetection3d.git
cd mmdetection3d
pip install -e .

2.3 验证MMDetection3D环境

python                     # 3.8.16
import open3d
import mmcv
import mmdet
import mmdet3d
mmdet3d.__version__        # 1.0.0
exit()

第三步：使用demo程序

因为在Xshell的命令端直接运行demo程序不方便进行可视化展示，这里推荐使用MobaXterm的命令端进行可视化展示，在这里可以找到软件安装包的地址。

3.1 使用点云3D目标检测的测试demo

在/mmdetection3d/configs/second中下载预训练模型并保存到/mmdetection/checkpoint文件夹，这里下载的是SECOND模型：
second

## 测试second模型
python demo/pcd_demo.py demo/data/kitti/000008.bin \
	configs/second/second_hv_secfpn_8xb6-80e_kitti-3d-3class.py \
	checkpoints/hv_second_secfpn_6x8_80e_kitti-3d-3class.pth \
	--show

show：表示是否对测试结果进行可视化，需要安装open3d库（没有的话，直接pip install open3d安装一下即可）。

原图如下：
原图1
可视化的结果展示如下：
结果展示1

3.2 使用图像3D目标检测的测试demo（最新的代码存在bug，还在修复）

在/mmdetection3d/configs/smoke中下载预训练模型并保存到/mmdetection/checkpoint文件夹，这里下载的是SMOKE模型：
smoke

## 测试smoke模型
python demo/mono_det_demo.py \
	demo/data/nuscenes/n015-2018-07-24-11-22-45+0800__CAM_BACK__1532402927637525.jpg \
	configs/smoke/smoke_dla34_dlaneck_gn-all_4xb8-6x_kitti-mono3d.pkl \
	checkpoints/smoke_dla34_pytorch_dlaneck_gn-all_8x4_6x_kitti-mono3d.pth \
	--show

show：表示是否对测试结果进行可视化，需要安装open3d库（没有的话，直接pip install open3d安装一下即可）。

原图如下：
原图2
可视化结果如下：

第四步：准备数据集

4.1 KITTI数据集

4.1.1 官网下载KITTI数据集

在KITTI 3D object detection dataset下载KITTI数据集安装包。
当然，如果在官网下载麻烦的话，我已经下载好了，使用百度网盘可以直接进行下载。
百度网盘链接：https://pan.baidu.com/s/1K-UaIFUt_bibjC6ZtLUKYA
提取码：7jq1
道路平面信息是由 AVOD 生成的，其在训练过程中作为一个可选项，用来提高模型的性能，点击下载道路平面信息。
KITTI datasets

4.1.2 官网下载KITTI数据集后的组织结构

在官网下载KITTI数据集后，并在mmdetection3d文件夹下组织成以下所示的结构。

mmdetection3d
├── configs
├── mmdet3d
├── tools
├── data
│   ├── kitti
│   │   ├── ImageSets
│   │   ├── testing
│   │   │   ├── calib
│   │   │   ├── image_2
│   │   │   ├── velodyne
│   │   ├── training
│   │   │   ├── calib
│   │   │   ├── image_2
│   │   │   ├── label_2
│   │   │   ├── velodyne
│   │   │   ├── planes
4.1.3 数据预处理

项目的数据预处理需要使用tools/create_data.py重新处理一次。

cd mmdetection3d
mkdir ./data/kitti/ && mkdir ./data/kitti/ImageSets

# Download data split
wget -c  https://raw.githubusercontent.com/traveller59/second.pytorch/master/second/data/ImageSets/test.txt --no-check-certificate --content-disposition -O ./data/kitti/ImageSets/test.txt
wget -c  https://raw.githubusercontent.com/traveller59/second.pytorch/master/second/data/ImageSets/train.txt --no-check-certificate --content-disposition -O ./data/kitti/ImageSets/train.txt
wget -c  https://raw.githubusercontent.com/traveller59/second.pytorch/master/second/data/ImageSets/val.txt --no-check-certificate --content-disposition -O ./data/kitti/ImageSets/val.txt
wget -c  https://raw.githubusercontent.com/traveller59/second.pytorch/master/second/data/ImageSets/trainval.txt --no-check-certificate --content-disposition -O ./data/kitti/ImageSets/trainval.txt

# Data preprocessing
python tools/create_data.py kitti --root-path ./data/kitti --out-dir ./data/kitti --extra-tag kitti --with-plane
4.1.4 数据预处理后的组织结构

项目的数据预处理后，在mmdetection3d文件夹下将会组织成以下所示的结构。

mmdetection3d
├── configs
├── mmdet3d
├── tools
├── data
│   ├── kitti
│   │   ├── ImageSets
│   │   │   ├── test.txt
│   │   │   ├── train.txt
│   │   │   ├── trainval.txt
│   │   │   ├── val.txt
│   │   ├── testing
│   │   │   ├── calib
│   │   │   ├── image_2
│   │   │   ├── velodyne
│   │   │   ├── velodyne_reduced
│   │   ├── training
│   │   │   ├── calib
│   │   │   ├── image_2
│   │   │   ├── label_2
│   │   │   ├── velodyne
│   │   │   ├── velodyne_reduced
│   │   │   ├── planes
│   │   ├── kitti_gt_database
│   │   │   ├── xxxxx.bin
│   │   ├── kitti_infos_test.pkl
│   │   ├── kitti_infos_train.pkl
│   │   ├── kitti_infos_trainval.pkl
│   │   ├── kitti_infos_val.pkl
│   │   ├── kitti_dbinfos_train.pkl
│   │   ├── kitti_infos_test_mono3d.coco.json
│   │   ├── kitti_infos_train_mono3d.coco.json
│   │   ├── kitti_infos_trainval_mono3d.coco.json
│   │   ├── kitti_infos_val_mono3d.coco.json

4.2 Nuscenes数据集

4.2.1 官网下载Nuscenes数据集

在NuScenes 3D object detection dataset下载nuscenes数据集安装包，请记住下载检测数据集和地图扩展（用于BEV地图分割）。
当然，如果在官网下载麻烦的话，可以参考这篇博客使用百度网盘或者迅雷网盘进行下载。
Nuscenes datasets

4.2.2 官网下载Nuscenes数据集后的组织结构

在官网下载nuscenes数据集后，并在mmdetection3d文件夹下组织成以下所示的结构。

bevfusion
├── assets
├── configs
├── mmdet3d
├── tools
├── data
│   ├── nuscenes
│   │   ├── maps
│   │   │   ├── basemap
│   │   │   ├── expansion
│   │   │   ├── prediction
│   │   ├── samples
│   │   ├── sweeps
│   │   ├── v1.0-test
│   │   ├── v1.0-trainval
4.2.3 数据预处理

项目的数据预处理需要使用tools/create_data.py重新处理一次。

cd mmdetection3d
python tools/create_data.py nuscenes --root-path ./data/nuscenes --out-dir ./data/nuscenes --extra-tag nuscenes
4.2.4 数据预处理后的组织结构

项目的数据预处理后，在mmdetection3d文件夹下将会组织成以下所示的结构。

mmdetection3d
├── assets
├── configs
├── mmdet3d
├── tools
├── data
│   ├── nuscenes
│   │   ├── maps
│   │   │   ├── basemap
│   │   │   ├── expansion
│   │   │   ├── prediction
│   │   ├── samples
│   │   ├── sweeps
│   │   ├── v1.0-test
│   │   ├── v1.0-trainval
│   │   ├── nuscenes_database
│   │   ├── nuscenes_infos_test.pkl
│   │   ├── nuscenes_infos_train.pkl
│   │   ├── nuscenes_infos_val.pkl
│   │   ├── nuscenes_dbinfos_train.pkl
│   │   ├── nuscenes_infos_test_mono3d.coco.json
│   │   ├── nuscenes_infos_train_mono3d.coco.json
│   │   ├── nuscenes_infos_trainval_mono3d.coco.json
│   │   ├── nuscenes_infos_val_mono3d.coco.json

第五步：训练和测试

5.1 使用已有模型在标准数据集上进行训练

5.1.1 在KITTI数据集上训练pointpillars

这里我们以在KITTI数据集上训练pointpillars为例，修改配置文件：

  • 修改epoch：打开/mmdetection3d/configs/pointpillars/pointpillars_hv_secfpn_8xb6-160e_kitti-3d-3class.py文件，修改文件中的epoch_num = 80中的epoch_num参数。
  • 修改batch_size：打开/mmdetection3d/configs/_base_/datasets/kitti-3d-3class.py文件，修改文件中的batch_size=6中的batch_size参数，大家根据自己显卡的显存进行修改。

我们设置好参数后就可以直接执行命令进行训练了，修改配置文件：

## 单卡训练
python tools/train.py configs/pointpillars/pointpillars_hv_secfpn_8xb6-160e_kitti-3d-3class.py

## 多卡训练
CUDA_VISIBLE_DEVICES=0,1,2,3 tools/dist_train.sh configs/pointpillars/pointpillars_hv_secfpn_8xb6-160e_kitti-3d-3class.py 4

训练结束后，我们可以在/mmdetection3d/work-dirs/pointpillars_hv_secfpn_8xb6-160e_kitti-3d-3class文件夹中看到训练结果，包括日志文件（.log）、权重文件（.pth）以及模型配置文件（.py）等。
注意：训练的时候如果报 AttributeError: module ‘numpy’ has no attribute ‘long’ 的错误，请使用命令pip install numpy==1.23.0重装numpy，我原先的版本是1.24.3，重装后的版本是1.23.0。

5.1.2 在NuScenes数据集上训练pointpillars

这里我们以在NuScenes数据集上训练pointpillars为例，修改配置文件：

  • 修改epoch：打开/mmdetection3d/configs/_base_/schedules/schedule-2x.py文件，修改文件中的max_epochs=24中的max_epochs参数。
  • 修改batch_size：打开/mmdetection3d/configs/_base_/datasets/nus-3d.py文件，修改文件中的batch_size=4中的batch_size参数。

我们设置好参数后就可以直接执行命令进行训练了：

## 单卡训练
python tools/train.py configs/pointpillars/pointpillars_hv_fpn_sbn-all_8xb4_2x_nus-3d.py

## 多卡训练
CUDA_VISIBLE_DEVICES=0,1,2,3 tools/dist_train.sh configs/pointpillars/pointpillars_hv_fpn_sbn-all_8xb4_2x_nus-3d.py 4

训练结束后，我们可以在/mmdetection3d/work-dirs/pointpillars_hv_secfpn_sbn-all_8xb4-2x_nus-3d文件夹中看到训练结果，包括日志文件（.log）、权重文件（.pth）以及模型配置文件（.py）等。

5.2 使用已有模型在标准数据集上进行测试

在/mmdetection3d/configs/pointpillars中下载预训练模型并保存到/mmdetection/checkpoint文件夹，这里下载的是PointPillars模型：
pointpillars

5.2.1 在KITTI数据集上测试pointpillars

这里我们以在KITTI数据集上测试pointpillars为例：
测试文件tools/test.py有两个必选参数config和checkpoint，分别为模型配置文件和训练生成的权重文件，其他几个比较重要的参数：

  • eval：使用的评价指标，取决于数据集（“bbox”, “segm”, “proposal” for COCO, and “mAP”, “recall” for PASCAL VOC），这里直接沿用了2D检测中常用的几个评价标准。
  • show：是否对测试结果进行可视化，需要安装open3d库（没有的话，直接pip install open3d安装一下即可）。
  • show_dir：测试结果的保存目录。
## 单卡测试
python tools/test.py configs/pointpillars/pointpillars_hv_secfpn_8xb6-160e_kitti-3d-3class.py \
	checkpoints/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.pth
5.2.2 在NuScenes数据集上测试pointpillars

这里我们以在NuScenes数据集上测试pointpillars为例：

## 单卡测试
python tools/test.py configs/pointpillars/pointpillars_hv_fpn_sbn-all_8xb4_2x_nus-3d.py \
	checkpoints/hv_pointpillars_fpn_sbn-all_4x8_2x_nus-3d.pth

至此，MMDetection3d的环境配置到此结束！感谢大家的观看！
后续我也将为大家继续带来一些经典3D目标检测网络的代码解读，希望大家多多支持和关注！

mmdetection3d 训练
叶子的博客
06-14 7706
mmdetection3d 训练 ​ 本节以SECOND算法为例，简要介绍mmdetection3d second算法训练过程，含数据和python源码详细介绍。 1 mmdetection3d环境安装 mmdetection3d环境详细安装和调试请参考：【mmdetection3d】mmdetection3d安装详细步骤_Coding的叶子的博客-CSDN博客。 2 KITTI数据集准备 mmdetection3d的kitti原始数据集主要由三部份组成，......
基于mmdetection3d框架配置BEVFusion报错：AttributeError: ‘Det3DLocalVisualizer‘ object has no attribute ‘view.
最新发布
**My Coding Family**
04-16 705
🏆本文收录于《全栈Bug调优(实战版)》专栏，主要记录项目实战过程中所遇到的Bug或因后果及提供真实有效的解决方案，希望能够助你一臂之力，帮你早日登顶实现财富自由🚀；同时，欢迎大家关注&&收藏&&订阅！持续更新中，up！up！up！！ 备注：部分问题/疑难杂症搜集于互联网。
从零安装MMdetection3d的过程（Ubuntu2204）
weixin_42749215的博客
12-20 1697
最近要用到MMdetection3d框架，从官网的使用手册和其他人分享的资料&视频查找安装过程，发现现有安装教程都与现版本有出入，所以来分享我的安装过程。
MMdetection3d学习
hollyprince的博客
03-11 128
在 轻松掌握 MMDetection 整体构建流程(一) 文中，重点分析了 MMDetection 框架中 Model 整体构建流程，但仅对 Model 算法组件方面进行深入分析，并未涉及整个框架训练和测试流程。本文核心内容是按照抽象到具体方式，从多个层次进行训练和测试流程深入解析，从最抽象层讲起，到最后核心代码实现，希望帮助大家更容易理解 MMDetection 开源框架整体构建细节。
mmedtection3d环境配置
qq_59835871的博客
05-17 901
mmdet3d详细环境配置，在3090以及20系列显卡适配，目前最舒服的版本
3D目标检测入门-mmdetection3d的环境配置
weixin_51021488的博客
09-02 4597
3d目标检测框架mmdetection3d的安装
MMdetection3d环境搭建
qq_46127597的博客
03-01 1474
1 mmdetedtion3d环境搭建 1.1环境搭建 1.1.1创建虚拟环境并激活 conda create -nconda create -n open-mmlab python=3.7 -yconda activate open-mmlab 1.1.2 安装Pytoch和torchvision
MMDetection3D框架环境配置
tangbenjun的博客
09-09 401
MMDetection3D是一个基于PyTorch的开源3D目标检测框架。下面是MMDetection3D的环境配置步骤：安装Anaconda，教程很多不在说明。
MMdetection3d环境搭建、使用MMdetection3d做3D目标检测训练自己的数据集、测试、可视化，以及常见的错误
2401_88244350的博客
11-18 1325
1、数据集下载主页2、为了方便，这里我直接提供下载链接，大家直接点击即可下载，如果下载较慢，建议科学上网！1）2）3）4）5）6）7）8）9）10）如果你对KITTI 3d数据集还不是很了解，我建议你先去浏览一下面的几篇博客：kitti数据集在3D目标检测中的入门kitti数据集在3D目标检测中的入门(二)可视化详解KITTI数据集可视化。
MMDetection3D对三维数据进行检测
03-28
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）...
超简单mmdetection3d 环境配置（ubantu18.04）
m0_57175342的博客
08-13 1045
mmdetection3d 环境搭建
mmdetection3D环境配置
03-28
</think>### MMDetection3D环境配置分步指南 #### 1. 系统环境准备 - **操作系统**：推荐Ubuntu 18.04/20.04（其他系统需调整依赖） - **CUDA版本**：11.3（与PyTorch版本强相关，需严格匹配）[^1] - **显卡驱动**...
mmdetection3d:OpenMMLab的下一代通用3D对象检测平台
03-17
新闻：我们发布了代码库v0.11.0。 在最近的 2020第五届AI驾驶奥运会的赛中，我们获得了最佳PKL奖和多模式进入第二名，并且获得了仅有的视觉效果。 代码和模型即将发布！ 文档： : 介绍 English | master分支可与PyTorch 1.3+一起使用。 MMDetection3D是一个基于PyTorch的开源对象检测工具箱，面向用于通用3D检测的下一代平台。 它是MMLab开发的OpenMMLab项目的。 主要特点 开箱即用地支持多模态/单模态检测器 它直接支持多模态/单模态检测器，包括MVXNet，VoteNet，PointPillars等。 支持开箱即用的室内/室外3D检测 它直接支持流行的室内和室外3D检测数据集，包括ScanNet，SUNRGB-D，Waymo，nuScenes，Lyft和KITTI。 对于nuScenes数据集，我们还支持。 与2D
花了一天在新pc上调通了mmdetection3d和detr3d的代码环境
晚秋garden
10-05 304
我的电脑基本上是一个全新的ubuntu主机（除了minecraft之外没有任何生产力环境，总算是要开始务正业了），所以从头开始。个人使用的电脑环境：志强2790v3，nvidia 1050ti，4G显存，24G内存，ubuntu20.04。到这里应该算是趟通了detr3d的环境和代码了，后面的时间就可以用来结合学习资料进行比较仔细的研读了。没想到运气比较好，显存刚刚好够，但是计算核心不够多，资源拉爆了，但能跑起来了，能看。换了别的版本也没用，还好锁页内存不是核心功能，只是影响效率，把这个功能关掉。
MMDetection3D 安装和配置指南
gitblog_09616的博客
09-13 727
MMDetection3D 安装和配置指南 mmdetection3d OpenMMLab's next-generation platform for general 3D object detection. 项目地址: htt...
MMDetection3D学习笔记一：环境搭建
qq_44722189的博客
06-14 1163
更推荐直接参考学习官方文档以及官方GitHub仓库，其所包含的内容最全面权威。MMDetection3D是一个基于PyTorch的开源对象检测工具箱，专门用于处理3D场景中检测和分割任务，属于OpenMMLab项目的一部分。可以基于MMDetection3D实现基于点云、图像和多模态数据的3D检测与分割。目前MMDetection3D已经支持数十种不同的算法及多个主流数据集，每个算法都提供了多个SOTA的预训练模型，可以直接使用这些预训练模型实现推理。可以参考模型库和数据集。
mmdetection3d配置步骤
Fzc_Ztt的博客
09-21 341
一、创建虚拟环境 1.要求python3.6+ 二、安装pytorch 1.根据cuda版本选择 参考：ＭＭDetection3D MMCV pip install mmcv-full==1.3.9 -f https://download.openmmlab.com/mmcv/dist/cu102/torch1.9.0/index.html pip install mmdet==2.14.0 pip install mmsegmentation==0.14.1 pip install -v -e .
MMdetection3D环境配置
qq_57290048的博客
11-05 1031
官方给验证代码的会报错报错cudaerror ，这里就是官方给的文件有问题这里建议自己去模型库下载训练好模型文件 ，我使用验证的模型是centerpoint_01voxel_second_secfpn_circlenms_4x8_cyclic_20e_nus_20220810_030004-9061688e.pth下载好模型，在项目文件夹新建checkpoints文件夹放入这个模型文件你也可以用其他模型试一试例如pvrcnn，imvoxelNet。
从零开始mmdetection3d环境搭建
Hello_World_HYC的博客
11-10 1601
从零开始mmdetection3d环境搭建
mmdetection3d 推理
01-04
### 使用 mmdetection3d 进行推理 为了使用 `mmdetection3d` 库进行三维物体检测和其他任务的推理，可以按照以下方法操作。此过程涉及配置文件准备、模型加载以及数据预处理等多个方面。 #### 配置环境与安装依赖项 确保已经正确设置了 Python 环境并安装了必要的库。可以通过 pip 或者 conda 安装 mmdetction3d 及其依赖包： ```bash pip install mmcv-full mmdet mmdet3d ``` #### 加载预训练模型 对于特定的任务（如 LiDAR 基础的目标检测），可以从官方仓库下载对应的权重文件，并指定路径给 config 文件中的 pretrained 参数。下面是一个简单的例子展示如何加载一个基于 PointPillars 的模型用于 KITTI 数据集上的车辆检测[^1]。 ```python from mmdet3d.apis import init_detector, inference_detector config_file = 'configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-car.py' checkpoint_file = 'checkpoints/hv_pointpillars_secfpn_6x8_160e_kitti-3d-car_20200620_230421-aa0fcb51.pth' model = init_detector(config_file, checkpoint_file, device='cuda:0') ``` #### 准备输入数据 通常情况下，测试样本应该遵循所选框架的数据格式要求。如果是以点云作为输入，则可能需要将其转换成 numpy 数组形式；如果是图像序列则需调整尺寸等参数使其匹配网络预期输入规格。这里假设有一个名为 `data_path` 的变量指向待测点云文件的位置。 ```python import torch from mmdet3d.datasets.pipelines import Compose from tools.misc import visualize_open3d as vis_o3d test_pipeline = [ dict(type='LoadPointsFromFile', coord_type='LIDAR'), dict( type='DefaultFormatBundle3D', class_names=['Car'], with_label=False), dict(type='Collect3D', keys=['points']) ] pipeline = Compose(test_pipeline) sample = {'pts_filename': data_path} result = pipeline(sample) data = result['data'] with torch.no_grad(): results = model(return_loss=False, rescale=True, **data) ``` #### 执行预测并解析结果 调用 `inference_detector()` 方法传入初始化好的 detector 和前一步骤得到的数据字典即可获得最终的结果列表。每个元素代表一类对象的信息集合，包括边界框坐标、类别标签及置信度得分等属性。 ```python bboxes, scores, labels = results[0]['boxes_3d'].tensor.cpu().numpy(), \ results[0]['scores_3d'].cpu().numpy(), \ results[0]['labels_3d'].cpu().numpy() for bbox, score, label in zip(bboxes, scores, labels): print(f'Label:{label}, Score:{score:.2f}') print('Bounding Box:', bbox.tolist()) ``` 上述代码片段展示了基本的工作流程，实际应用中还需要考虑更多的细节设置，比如不同的传感器模态组合、更复杂的后处理逻辑等等。
评论 26
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