【食物识别】flask部署

最新推荐文章于 2024-08-06 12:45:34 发布
最新推荐文章于 2024-08-06 12:45:34 发布
阅读量991 收藏 12
点赞数 13
分类专栏： 膳逸 文章标签： flask 人工智能 python
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_63073740/article/details/139476040
版权

文章目录

flask安装

pip install flask

创建flask应用

app.py

from flask import Flask, request, jsonify, send_file
import torch
from PIL import Image
import io
import base64
import os

app = Flask(__name__)

# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='path_to_your_model.pt')

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    file = request.files['image']
    img = Image.open(file.stream).convert('RGB')

    # 推理
    results = model(img)

    # 保存结果图片
    results.save(save_dir='results')  # 在results目录下保存结果图片

    # 获取推理结果信息
    predictions = results.pandas().xyxy[0].to_dict(orient="records")

    # 读取结果图片
    result_image_path = os.path.join('results', os.path.basename(file.filename))
    with open(result_image_path, "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

    # 返回结果图片和推理信息
    return jsonify({
        'predictions': predictions,
        'result_image': encoded_string
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

报错：

原因：

是因为torch.hub.load试图下载并运行一个外部仓库，但提供的路径是一个本地路径。因此，应该改用YOLOv5的本地加载方式，而不是通过torch.hub.load。

可以直接使用YOLOv5的官方API加载本地模型文件。

from flask import Flask, request, jsonify
import torch
from PIL import Image
import io
import base64
import os

app = Flask(__name__)

# 加载本地模型
model = torch.load('best.pt')  # 直接加载模型
model.eval()  # 设置模型为评估模式

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    file = request.files['image']
    img = Image.open(file.stream).convert('RGB')

    # 转换图像为Tensor
    img_tensor = torch.from_numpy(np.array(img)).permute(2, 0, 1).float().div(255.0).unsqueeze(0)

    # 推理
    results = model(img_tensor)

    # 处理结果
    results = results.pandas().xyxy[0]  # 结果转换为DataFrame

    # 保存结果图片
    results.render()  # 在原图上绘制结果
    result_img = Image.fromarray(results.imgs[0])
    result_img.save('result.jpg')

    # 获取推理结果信息
    predictions = results.to_dict(orient="records")

    # 读取结果图片
    with open("result.jpg", "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

    # 返回结果图片和推理信息
    return jsonify({
        'predictions': predictions,
        'result_image': encoded_string
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

然后又报错：

原因是torch.load加载模型时，返回的是一个包含模型和其他信息的字典，而不是模型本身。需要从字典中提取实际的模型对象。通常，保存的模型字典包含模型参数和一些元数据，因此需要创建模型实例并加载这些参数。

在YOLOv5中，使用torch.load直接加载模型的权重，然后将其加载到一个YOLOv5模型实例中。

from flask import Flask, request, jsonify
import torch
from PIL import Image
import io
import base64
import os
import numpy as np
import sys

sys.path.append('./')  # 添加当前目录到系统路径
from models.common import DetectMultiBackend  # 导入YOLOv5模型

app = Flask(__name__)

# 加载本地模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = DetectMultiBackend('best.pt', device=device)  # 加载模型并指定设备
model.eval()  # 设置模型为评估模式

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    file = request.files['image']
    img = Image.open(file.stream).convert('RGB')

    # 转换图像为Tensor
    img = np.array(img)
    img_tensor = torch.from_numpy(img).permute(2, 0, 1).float().div(255.0).unsqueeze(0).to(device)

    # 推理
    results = model(img_tensor)

    # 处理结果
    results = results.pandas().xyxy[0]  # 结果转换为DataFrame

    # 保存结果图片
    results.render()  # 在原图上绘制结果
    result_img = Image.fromarray(results.imgs[0])
    result_img.save('result.jpg')

    # 获取推理结果信息
    predictions = results.to_dict(orient="records")

    # 读取结果图片
    with open("result.jpg", "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

    # 返回结果图片和推理信息
    return jsonify({
        'predictions': predictions,
        'result_image': encoded_string
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

然后又报错：

这个之前在windows的时候遇到过，只需要添加以下代码：

import pathlib
pathlib.WindowsPath = pathlib.PosixPath

然后总算能运行通了：

然后考虑暴露端口，

于是，将代码中的5000端口改成6006，然后

然后就会得到访问的网址：

然后来到apifox进行测试：

然后尝试发送，却报错：

在这里插入图片描述

后端报错：

RuntimeError: Sizes of tensors must match except in dimension 1. Expected size 340 but got size 339 for tensor number 1 in the list.

这是因为在模型前向传播时，输入张量的大小不匹配。通常这是因为输入图像的尺寸在处理时出现问题。YOLOv5模型期望输入图像的尺寸是某些特定大小的倍数（例如32），否则可能会在处理过程中出错。

我们需要确保输入图像在推理之前进行预处理，以适应模型的输入要求。YOLOv5提供了一些内置的图像预处理工具，下面是修改后的代码，确保图像在推理之前进行适当的预处理。

from flask import Flask, request, jsonify
import torch
from PIL import Image
import io
import base64
import os
import numpy as np
import sys

import pathlib
pathlib.WindowsPath = pathlib.PosixPath

sys.path.append('./')  # 添加当前目录到系统路径
from models.common import DetectMultiBackend  # 导入YOLOv5模型
from utils.augmentations import letterbox  # 导入letterbox函数进行图像预处理

app = Flask(__name__)

# 加载本地模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = DetectMultiBackend('best.pt', device=device)  # 加载模型并指定设备
model.eval()  # 设置模型为评估模式

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    file = request.files['image']
    img = Image.open(file.stream).convert('RGB')

    # 图像预处理
    img = np.array(img)
    img = letterbox(img, new_shape=(640, 640), auto=False)[0]  # 调整图像大小
    img_tensor = torch.from_numpy(img).permute(2, 0, 1).float().div(255.0).unsqueeze(0).to(device)

    # 推理
    results = model(img_tensor)

    # 处理结果
    results = results.pandas().xyxy[0]  # 结果转换为DataFrame

    # 保存结果图片
    results.render()  # 在原图上绘制结果
    result_img = Image.fromarray(results.imgs[0])
    result_img.save('result.jpg')

    # 获取推理结果信息
    predictions = results.to_dict(orient="records")

    # 读取结果图片
    with open("result.jpg", "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

    # 返回结果图片和推理信息
    return jsonify({
        'predictions': predictions,
        'result_image': encoded_string
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=6006)

然后再次尝试，又报错：

AttributeError: 'list' object has no attribute 'pandas'

这是因为推理结果results是一个列表而不是期望的Dataset对象。这可能是因为YOLOv5模型返回的结果格式不同于预期。要解决这个问题，我们需要确保results是一个Dataset对象，然后才能调用pandas()方法将其转换为DataFrame。

我们需要确保results是一个Dataset对象，如果不是，我们可以手动将其转换为Dataset对象。

from flask import Flask, request, jsonify
import torch
from PIL import Image
import io
import base64
import os
import numpy as np
import sys

import pathlib
pathlib.WindowsPath = pathlib.PosixPath

sys.path.append('./')  # 添加当前目录到系统路径
from models.common import DetectMultiBackend  # 导入YOLOv5模型
from utils.augmentations import letterbox  # 导入letterbox函数进行图像预处理

app = Flask(__name__)

# 加载本地模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = DetectMultiBackend('best.pt', device=device)  # 加载模型并指定设备
model.eval()  # 设置模型为评估模式

@app.route('/predict', methods=['POST'])
def predict():
    if 'image' not in request.files:
        return jsonify({'error': 'No image provided'}), 400

    file = request.files['image']
    img = Image.open(file.stream).convert('RGB')

    # 图像预处理
    img = np.array(img)
    img = letterbox(img, new_shape=(640, 640), auto=False)[0]  # 调整图像大小
    img_tensor = torch.from_numpy(img).permute(2, 0, 1).float().div(255.0).unsqueeze(0).to(device)

    # 推理
    results = model(img_tensor)

    # 如果结果是列表而不是Dataset对象，则手动转换
    if isinstance(results, list):
        from utils.general import non_max_suppression
        results = non_max_suppression(results, conf_thres=0.5, iou_thres=0.5)

    # 处理结果
    results = results[0]  # 获取第一个元素
    if results is not None:
        # 保存结果图片
        results.render()  # 在原图上绘制结果
        result_img = Image.fromarray(results.imgs[0])
        result_img.save('result.jpg')

        # 获取推理结果信息
        predictions = results.to_dict(orient="records")

        # 读取结果图片
        with open("result.jpg", "rb") as image_file:
            encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

        # 返回结果图片和推理信息
        return jsonify({
            'predictions': predictions,
            'result_image': encoded_string
        })
    else:
        return jsonify({'predictions': [], 'result_image': None})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=6006)

但是，最终没搞定，换方案！

import pathlib
pathlib.WindowsPath = pathlib.PosixPath

# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license
"""Run a Flask REST API exposing one or more YOLOv5s models."""

import argparse
import io

import torch
from flask import Flask, request
from PIL import Image

import numpy as np
import base64
from flask import jsonify

app = Flask(__name__)
models = {}

DETECTION_URL = "/v1/object-detection/<model>"


@app.route(DETECTION_URL, methods=["POST"])
def predict(model):
    """Predict and return object detections in JSON format given an image and model name via a Flask REST API POST
    request.
    """
    if request.method != "POST":
        return

    if request.files.get("image"):
        # Method 1
        # with request.files["image"] as f:
        #     im = Image.open(io.BytesIO(f.read()))

        # Method 2
        im_file = request.files["image"]
        im_bytes = im_file.read()
        im = Image.open(io.BytesIO(im_bytes))

        if model in models:
            results = models[model](im, size=640)  # reduce size=320 for faster inference
            # return results.pandas().xyxy[0].to_json(orient="records")

            results.render()
            
            # Convert detections to JSON
            detections_json = results.pandas().xyxy[0].to_json(orient="records")

            # Convert rendered image to base64
            buffered = io.BytesIO()
            Image.fromarray(results.render()[0]).save(buffered, format="JPEG")
            image_base64 = base64.b64encode(buffered.getvalue()).decode("utf-8")

            # Return both detections and image as a JSON object
            return jsonify(detections=detections_json, image=image_base64)


if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="Flask API exposing YOLOv5 model")
    parser.add_argument("--port", default=6006, type=int, help="port number")
    parser.add_argument("--model", default=["custom"], help="model(s) to run, i.e. --model yolov5n yolov5s")
    opt = parser.parse_args()

    for m in opt.model:
        models[m] = torch.hub.load("./", m, path="best.pt", source="local")

    app.run(host="0.0.0.0", port=opt.port)  # debug=True causes Restarting with stat

这里也踩了很多雷。

路径问题

这两句是解决路径问题。

import pathlib
pathlib.WindowsPath = pathlib.PosixPath
选择模型并加载

这里要详细讲一下：

if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="Flask API exposing YOLOv5 model")
    parser.add_argument("--port", default=6006, type=int, help="port number")
    parser.add_argument("--model", default=["custom"], help="model(s) to run, i.e. --model yolov5n yolov5s")
    opt = parser.parse_args()

    for m in opt.model:
        models[m] = torch.hub.load("./", m, path="best.pt", source="local")

    app.run(host="0.0.0.0", port=opt.port)  # debug=True causes Restarting with stat

  • models[m] = torch.hub.load("./", m, path="best.pt", source="local")

    • 这里的path写best.pt表示使用模型路径，使用自己的模型。并且一定要加上source="local"表示使用本地的模型。

  • parser.add_argument("--model", default=["custom"], help="model(s) to run, i.e. --model yolov5n yolov5s")

    • default要写custom表示使用哪个模型
      • 这里会去找hubconf.py中有什么模型，使用custom模型，指定path为该路径下best.pt。
    • 然后对应请求的路径也要写/v1/object-detection/custom
    • 在这里插入图片描述

  • parser.add_argument("--port", default=6006, type=int, help="port number")

    • 端口号6006，之前讲过原因了，AutoDL只给开放了这个端口。
接收请求参数

这里的image对应前端发来请求的key：

if request.files.get("image"):
处理推理结果
if model in models:
    results = models[model](im, size=640)  # reduce size=320 for faster inference
    detections_json = results.pandas().xyxy[0].to_json(orient="records")
    # return results.pandas().xyxy[0].to_json(orient="records")
    
    # Convert rendered image to base64
    buffered = io.BytesIO()
    Image.fromarray(results.render()[0]).save(buffered, format="JPEG")
    image_base64 = base64.b64encode(buffered.getvalue()).decode("utf-8")

    # Return both detections and image as a JSON object
    return jsonify(detections=detections_json, image=image_base64)
  • results = models[model](im, size=640)
    • 这里就拿到了推理结果。
  • detections_json = results.pandas().xyxy[0].to_json(orient="records")
    • 这句话可以拿到推理后的框的xmin、ymin、xmax、ymax。然后转成json格式。
    • 还可以调用：
      • xyxyn：xyxy的归一化版本。
      • xywh：返回中点坐标和宽高。
      • xywhn：xywh的归一化版本。
  • 下面三句是将推理后的图片以base64的格式返回。
    • 这里我先使用的Apifox，所以先用在线网站查看效果。后期前端将其转换成图片展示即可。
    • 在这里插入图片描述
返回参数

可以看到返回了框的xyxy位置，以及检测出的类别、置信度，还有图片的base64格式。

lhplanet
关注
  • 13
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
果蔬及菜品识别系统
我的博客
02-10 1070
果蔬及菜品识别系统
python+flask计算机毕业设计食物推荐系统（程序+开题+论文)
sheji205的博客
08-04 475
食物推荐系统应运而生，它利用大数据分析和机器学习技术，深入挖掘用户的行为习惯和偏好，结合美食的丰富信息，为用户提供精准、个性化的食物推荐服务，从而优化用户的饮食体验，促进餐饮行业的数字化转型。同时，系统还需具备良好的用户体验，包括直观的操作界面、快速的响应速度以及灵活的推荐策略调整机制，以满足不同用户的多样化需求。同时，收集用户的反馈意见，持续迭代升级系统功能，提升系统的市场竞争力。同时，注重用户体验的每一个细节，如页面加载速度、推荐列表的呈现方式、用户反馈的收集与处理等，提升用户的使用满意度。
[附开题]flask框架流浪宠物救助系统25128（源码+论文+python）
最新发布
sheji711的博客
08-06 607
程序界面：源码、数据库获取↓↓↓↓。
[附开题]flask框架的流浪猫救助平台n817d（python+源码）
sheji712的博客
07-24 872
程序界面：源码、数据库获取↓↓↓↓。
[附开题]flask框架传染病防控酒店信息系统zvt93（源码+论文+python）
sheji716的博客
07-15 791
程序界面：源码、数据库获取↓↓↓↓。
python+flask计算机毕业设计流浪猫救助平台（程序+开题+论文）
sheji202的博客
08-03 1262
• 首先，使用HTML、CSS和JavaScript结合Vue.js构建前端界面，实现用户交互和动态内容展示。开发过程中，通过PyCharm IDE进行代码编写、调试和项目管理，确保开发效率和代码质量。最后，通过持续集成和测试，确保应用的稳定性和可靠性，完成开发后进行部署，使应用可以在服务器上运行并对外提供服务。[4] 陈佳佳, 邱晓荣, 熊宇昊, 段莉华. "基于Python的人脸识别技术研究"[J]. 电脑知识与技术, 2023, 19 (08): 34-36+39.特点包括简单性、灵活性和易于扩展。
[附开题]flask框架基于android的健康管理系统的设计与实现7jhl1（源码+论文+python）
sheji714的博客
08-03 1066
程序界面：源码、数据库获取↓↓↓↓。
python+flask计算机毕业设计流浪宠物救助系统（程序+开题+论文）
Nodejs洋洋 程序
07-15 627
本研究内容围绕流浪宠物救助系统的核心功能展开，具体包括以下几个方面：一是用户管理模块，实现用户注册、登录、信息完善及权限分配等功能，确保系统使用的安全性和便捷性；最终，通过本系统的应用，为流浪宠物创造一个更加安全、健康的生存环境，推动社会文明进步。其次，系统通过提供宠物类别管理、领养申请、云投喂等功能，降低了救助门槛，使得更多人能够参与到流浪宠物救助中来，增强了社会公众的责任感和参与度。此外，系统还能促进宠物领养文化的传播，帮助更多流浪宠物找到温暖的家，减少流浪宠物数量，构建人与动物和谐共处的社会环境。
基于YOLOv5的中式快餐店菜品识别系统
热门推荐
SylvanDing's Blog
05-01 1万+
本文基于YOLOv5v6.1提出了一套适用于中式快餐店的菜品识别自助支付系统，综述了食品识别领域的发展现状，简要介绍了YOLOv5模型的历史背景、发展优势和网络结构。在数据集预处理过程中，通过解析UNIMIB2016，构建了一套行之有效的标签格式转换与校验流程，解决了YOLOv5中文件路径问题、标签格式转换问题和因EXIF信息的存在而导致的标记错位问题。通过选取最优参数组合训练模型，通过分析样本分布、PR曲线等，选取最佳预测置信度，大幅提升了预测精度和召回率.
基于Flask部署YOLOv5
02-05
基于Flask部署YOLOv5 实现YOLOv5的web部署，后端使用的是Flask web框架 还可以通过内网穿透或者云服务器等，将网页提供他人使用 首先安装环境 然后python app.py 其中Flask的代码主要在app.py中 前端html文件在...
python以及flask实现食物识别系统
06-17
自动识别出不同种类的食物项目实现了一个食物识别系统，并提供了相关的代码和数据集，供其他开发者和研究人员学习和使用。 该项目使用Python编程语言和深度学习框架TensorFlow来构建和训练模型。它基于卷积神经网络...
Flask部署模型.docx
10-22
【Flask部署模型】文档主要介绍了如何使用Flask框架来搭建轻量级的图像识别服务器。Flask是一个基于Python的Web应用框架，以其轻量级、灵活和可扩展性著称，非常适合开发中小型项目。在本文档中，我们不仅会深入理解...
flask部署yolov5的onnx(GPU版本)
12-30
在本项目中，我们主要探讨如何使用Python框架Flask来部署YOLOv5的ONNX模型，以便在GPU环境中进行实时的目标检测。YOLOv5是一种高效且准确的深度学习目标检测模型，而ONNX（Open Neural Network Exchange）是跨框架的...
flask应用部署到服务器的方法
01-01
flask是我学习的第一个python的web框架，在应用flask写完一个应用后，当然是把它部署到我们的服务器上了。 首先，准备我们部署项目所需要的部分 1.完整的flask项目 2.服务器，或者自己用虚拟机也行，我这里用的是...
Python学习计划——11.1使用Flask创建一个简单的Web应用
qq_41698317的博客
08-03 379
Flask是一个轻量级的Python Web框架，适合快速开发小型Web应用。它易于学习和使用，并且具有丰富的扩展功能。以下是Flask基本知识的详细讲解和一个可运行的Python案例。
基于gunicorn+flask+docker模型高并发部署
丁爸的博客
08-03 1041
Gunicorn+Flask+Docker模型是一种流行的Python Web应用部署方案，它结合了Flask框架的灵活性、Gunicorn服务器的高性能以及Docker容器技术的易部署性和可扩展性。该模型适合于构建和部署现代、高并发的Web应用程序。在实际应用中，开发者应综合考虑这些因素，以确定是否采用Gunicorn+Flask+Docker模型。对于那些寻求灵活性、高性能和易部署性的项目，这个模型无疑是一个理想的选择。
第一个 Flask 项目
CSDN全栈领域优秀博主，阿里云博客专家，工信部权威认证物联网技术开发工程师，曾30分钟高分通过C语言二级，两天手撸代码完成EasyX飞机大战，靠接软件私活一个月换苹果电脑
08-03 681
Flask是一个用Python编写的轻量级Web应用框架，它提供了构建Web应用所需的基本工具和功能。以上是Flask框架中一些主要参数的说明。通过合理配置这些参数，可以灵活地定制Flask应用的行为和特性。在创建Flask应用时，可以通过Flask类的构造函数传递一些参数来定制应用的行为。属性中，这个属性是一个字典对象，可以存储各种配置信息，如数据库连接信息、日志配置等。方法来启动开发服务器。这个方法接受一些参数来配置服务器的行为。在Flask应用中，通常使用。Flask将配置信息保存在。
Python Flask+Echarts实现葡萄酒质量的影响因素分析可视化
qq_43646281的博客
08-06 806
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总、理解和消化，以提取有用信息并进行详细研究和概括总结的过程。这个过程旨在最大化地开发数据的功能，发挥数据的作用。主要目的是把隐藏在一大批看似杂乱无章的数据中的信息集中和提炼出来，找出所研究对象的内在规律。在实际应用中，数据分析可以帮助人们做出判断，以便采取适当的行动或策略。明确分析目的与框架：确定数据分析的目标和范围，构建分析框架。数据收集：通过各种渠道和方法收集相关数据，确保数据的准确性和完整性。
flask部署onnx
04-28
Flask是一个轻量级的Python Web框架，可以很方便地进行Web开发。而ONNX是一种开放式的文件格式，可以用于描述机器学习模型。在部署机器学习模型时，一种常见的方式是将ONNX文件转换为TensorFlow、PyTorch等框架支持的格式后进行部署。而在Flask中部署ONNX模型，则需要使用第三方库如ONNX Runtime。 首先，需要在Flask中引入ONNX Runtime第三方库，可以使用pip安装。接着，加载ONNX文件中的模型，将其编译成ONNX Runtime格式，然后在Flask应用程序中进行调用。需要注意的是，在Flask的路由函数中，要实例化ONNX Runtime模型，将输入数据作为输入传入模型进行推断，最后将结果返回给客户端。 同时，对于一些较大的模型，需要考虑使用多进程或者多线程进行部署以提高模型推理速度。Flask提供了多种方式来实现这一点，如使用Gunicorn或uWSGI等WSGI服务器。 总之，在Flask部署ONNX模型时，首先需要引入ONNX Runtime库，然后加载模型文件并编译成ONNX Runtime格式。接着，可以使用多进程或多线程提高推理速度。最后，在Flask应用程序中通过路由函数调用ONNX Runtime推理函数并返回结果。
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

打赏作者

lhplanet

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