【PP-YOLOE+】第18届全国大学生智能汽车竞赛百度完全模型组线上资格

最新推荐文章于 2024-03-23 09:57:18 发布
最新推荐文章于 2024-03-23 09:57:18 发布
阅读量2.4k 收藏 55
点赞数 2
分类专栏： 人工智能 文章标签： 汽车 百度 人工智能
原文链接：https://aistudio.baidu.com/aistudio/projectdetail/5513476
版权

★★★ 本文源自AlStudio社区精品项目，【点击此处】查看更多精品内容 >>>

第十八届全国大学生智能汽车竞赛-百度完全模型组-线上资格赛基线

1、比赛背景介绍

  全国大学生智能汽车竞赛是以智能汽车为研究对象的创意性科技竞赛，是面向全国大学生的一种具有探索性工程的实践活动，是教育部倡导的大学生A类科技竞赛之一。竞赛以立足培养，重在参与，鼓励探索，追求卓越为指导思想，培养大学生的创意性科技竞赛能力。

  本次比赛数据由赛曙科技(SASU)提供，模型和基线相关技术支持由深度学习技术平台部提供，一站式AI开发平台AI Studio由百度AI技术生态部提供。要求在统一的计算资源下，能够对农业相关物体的具体位置和类别进行快速精准的识别。期待参赛者们能够以此为契机，共同推进智慧农业的发展。

  比赛链接

2、基线程序说明

  1. 采用官方PaddlePaddle-GPU v2.3的环境，使用PaddleDetection-develop的框架进行训练、推理、结果生成

  2. 基线程序旨在全流程完成检测、后处理部分，为参赛选手提供流程上的帮助，按照此流程进行训练和处理，F1-score理论上可以达到0.95以上

  3. 提供将voc格式的数据集转成coco格式的示例，两者只是dataloader的方式不同，训练所得模型精度并无差异

3、比赛环境配置

3.1 安装PaddleDetection

（此步骤已经完成，在此基线环境内，不需要再次进行）

# %cd /home/aistudio/work/
# # 从github上下载PaddleDetection
# # !git clone https://github.com/PaddlePaddle/PaddleDetection.git -b develop

# # 使用提前准备好的PaddleDetection代码包
# !wget https://bj.bcebos.com/v1/paddledet/code/PaddleDetection-release-2.5.zip
# !unzip -q PaddleDetection-release-2.5.zip
# !mv PaddleDetection-release-2.5 PaddleDetection

3.2 安装依赖

（每次启动环境都要运行！）

%cd ~
%cd work/PaddleDetection
# 安装相关依赖
!pip install -r requirements.txt

# 编译安装paddledet
!python setup.py install

4、比赛数据准备

4.1 解压数据

（注意数据集中路径名、文件名尽量不要使用中文，避免中文编码问题导致出错）

# 将官方数据集解压缩至/home/aistudio/data
!unzip -oq /home/aistudio/data/data191561/DatasetVocSASU_ForIcarM2023.zip -d /home/aistudio/data/

4.2 分析数据

  官方数据集一共包含4770张带有标签的图片，均为目标检测voc格式。目录如下：

├── Annotations
│   ├── 4770个xml文件
├── Images
│   ├── 4770张jpg图片
├── label_list.txt
├── random_split.py
├── train.txt
├── trainval.txt
└── val.txt

  数据集为智能车视角拍摄的照片，照片格式为jpg，大小均为320 x 240，每张照片对应有一个同名标注文件，标注文件格式为 xml

序号数据名称采样说明
1拖拉机-tractor>远景、近景、蓝色底布背景;
2谷仓-granary> 远景、近景、蓝色底布背景;
3玉米-corn> 远景、近景、蓝色底布背景;
4猪-pig> 远景、近景、蓝色底布背景;
5拱桥-bridge> 远景、近景、蓝色底布背景;
6锥桶-cone> 远景、近景、蓝色底布背景;
7减速带-bump> 远景、近景、蓝色底布背景;
8斑马线-CrossWalk> 远景、近景、蓝色底布背景;

  统计官方数据集里每个类别的数量，如果有些类别的实例数量比较少，我们可以考虑使用离线数据增强等方法缓解数据不均衡的问题。

import os
from unicodedata import name
import xml.etree.ElementTree as ET
import glob

def count_num(indir):
    # 提取xml文件列表
    os.chdir(indir)
    annotations = os.listdir('.')
    annotations = glob.glob(f'{str(annotations)}*.xml')

    dict = {} # 新建字典，用于存放各类标签名及其对应的数目
    for file in annotations: # 遍历xml文件
        # 开始解析xml文件
        in_file = open(file, encoding = 'utf-8')
        tree = ET.parse(in_file)
        root = tree.getroot()

        # 遍历文件的所有标签
        for obj in root.iter('object'):
            name = obj.find('name').text
            if name in dict: dict[name] += 1 # 如果标签不是第一次出现，则+1
            else: dict[name] = 1 # 如果标签是第一次出现，则将该标签名对应的value初始化为1

    # 打印结果
    print("各类标签的数量分别为：")
    for key in dict: 
        print(f'{key}: {str(dict[key])}')            

indir='/home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023/Annotations/'   # xml文件所在的目录
count_num(indir) # 调用函数统计各类标签数目

4.3 转换数据

  原始数据集为LabelImage标注的xml格式，这里我们对其进行预处理，得到PP-YOLOE+常用的coco格式。其中，PaddleDetection提供了x2coco.py用于将voc, widerface, labelme 或者 cityscape转换为COCO格式。在转换之前我们需要提供训练集和验证集标签的id文件

# 生成训练集和验证集标签的id文件
# 随机划分数据集（可在代码中修改train_ratio的值从而改变训练集的划分比例）
!python /home/aistudio/work/voc2coco/random_split_ids.py

# voc转coco格式，得到train.json
!python /home/aistudio/work/PaddleDetection/tools/x2coco.py \
    --dataset_type=voc \
    --voc_anno_dir='/home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023/Annotations' \
    --voc_anno_list='/home/aistudio/work/voc2coco/train_ann_ids.txt' \
    --voc_label_list='/home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023/label_list.txt' \
    --output_dir='/home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023/' \
    --voc_out_name=train.json

# voc转coco格式，得到val.json
!python /home/aistudio/work/PaddleDetection/tools/x2coco.py \
    --dataset_type=voc \
    --voc_anno_dir='/home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023/Annotations' \
    --voc_anno_list='/home/aistudio/work/voc2coco/val_ann_ids.txt' \
    --voc_label_list='/home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023/label_list.txt' \
    --output_dir='/home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023/' \
    --voc_out_name=val.json

5、模型训练

5.1 模型选择

  这里我们选择使用PaddleDetection(GitHub传送门)套件中的PP-YOLOE+进行训练，PP-YOLOE是一款高精度推理速度快的检测模型，包含骨干网络CSPRepResNet，特征融合CSPPAN，轻量级ETHead，改进的动态匹配算法TAL等模块， 并且根据不同的应用场景设计了一系列模型，即s/m/l/x。PP-YOLOE+是PP-YOLOE的升级版本，升级主要包括：

  • 💎强大的obj365预训练模型，升级版backbone等改动大幅提升PP-YOLOE系列模型的精度。

  • 👫优化预处理，提升模型端到端推理速度，更贴近用户使用的真实场景。

  • 💡完善多种环境下的推理部署能力。

5.2 训练配置

  在PaddleDetection/configs/datasets/路径下新建一个cocoSASU_detection.yml文件，并配置数据集格式、类别、加载路径等信息：

metric: COCO
num_classes: 8

TrainDataset:
  !COCODataSet
    image_dir: Images
    anno_path: train.json
    dataset_dir: /home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023
    data_fields: ['image', 'gt_bbox', 'gt_class', 'is_crowd']

EvalDataset:
  !COCODataSet
    image_dir: Images
    anno_path: val.json
    dataset_dir: /home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023

TestDataset:
  !ImageFolder
    anno_path: val.json # also support txt (like VOC's label_list.txt)
    dataset_dir: /home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023

  将PaddleDetection/configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml里的数据集配置改成我们比赛的数据集配置，具体的调参过程请大家自行探索：

5.3 模型训练

  当一切准备工作都做好以后，我们就可以正式开始训练啦

%cd /home/aistudio/work/PaddleDetection
# 模型训练 
# 如果要恢复训练，则加上 -r output/ppyoloe_plus_crn_m_80e_coco/best_model
# 如果要边训练边评估，则加上--eval
# 训练时的日志输出将保存在--vdl_log_dir所指的路径下
!python tools/train.py \
    -c configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml --eval \
    --use_vdl=true \
    --vdl_log_dir=VisualDL

6、模型评估

  用验证集评估模型的效果。如果在训练时选择了–eval，则在训练过程中就会每隔snapshot_epoch个epoch就会自动进行一次模型评估。

%cd /home/aistudio/work/PaddleDetection
# output_eval表示Evaluation directory, default is current directory.
# classwise表示是否计算每一类的AP和画P-R曲线,PR曲线图默认存放在bbox_pr_curve文件夹下
!python tools/eval.py \
    -c configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml \
    --output_eval=/home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023/Images \
    -o weights=/home/aistudio/work/PaddleDetection/output/ppyoloe_plus_crn_m_80e_coco/best_model.pdparams

7、模型预测

  预测结果可视化，检验模型效果

%cd /home/aistudio/work/PaddleDetection
# infer_img表示预测改路径的单张图片
# infer_dir表示对该路径下的所有图片进行预测
# draw_threshold表示置信度大于该值的框才画出来
# 生成的图片保存在/home/aistudio/work/PaddleDetection/infer_output
!python tools/infer.py \
    -c configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml \
    --infer_img=/home/aistudio/data/DatasetVocSASU_ForIcarM2023/DatasetVocSASU_ForIcarM2023/Images/1001.jpg \
    --output_dir=infer_output/ \
    --draw_threshold=0.5 \
    -o weights=/home/aistudio/work/PaddleDetection/output/ppyoloe_plus_crn_m_80e_coco/best_model.pdparams

  预测结果示例：

8、导出模型

  根据eval的效果，选择best_model模型进行静态图转换

%cd /home/aistudio/work/PaddleDetection
# 将"-o weights"里的模型路径换成你自己训好的模型
!python tools/export_model.py \
    -c configs/ppyoloe/ppyoloe_plus_crn_m_80e_coco.yml \
    -o weights=/home/aistudio/work/PaddleDetection/output/ppyoloe_plus_crn_m_80e_coco/best_model.pdparams \
    TestReader.fuse_normalize=true

9、结果提交

  根据比赛要求的结果格式，将所需的文件拷贝到/home/aistudio/work/submission文件夹下

# 在work目录下整理提交代码
# 创建model文件夹
import os
if not os.path.exists('/home/aistudio/work/submission/model/'):
    os.makedirs('/home/aistudio/work/submission/model/') #创建路径

# 将检测模型拷贝到model文件夹中
!cp -r /home/aistudio/work/PaddleDetection/output_inference/ppyoloe_plus_crn_m_80e_coco/* /home/aistudio/work/submission/model/

# 删除缓存文件
# 删除当前目录下的所有__pycache__子目录
!find . -name '__pycache__' -type d -exec rm -rf {} \;

  在打包代码上传测评系统前，需要检测自己的代码能否跑通！我们可以在AI Studio简单地模拟测评系统：用predict.py脚本进行预测

# 测试predict.py是否能跑通(data.txt包含530张图片路径)
%cd /home/aistudio/work/submission
!python predict.py data.txt result.json

PS：运行完成后检查一下result.json是否为空，如果为空说明推理失败，可能是模型有问题。

# 打包代码
%cd /home/aistudio/work/submission/
!zip -r -q -o submission.zip model/ PaddleDetection/ train.py predict.py

PS：为了让压缩包更小，这里只保留了PaddleDetection的deploy文件夹

  • 下载压缩包至本地，前往比赛页面的提交结果选项卡中上传压缩包

  • 等待评估系统完成自动评测，就可以在下方查看提交的结果的得分详情了

  • /home/aistudio/work/submission/submission.zip是使用PP-YOLOE+的m模型训练10e所得，提交结果如下：

10、总结及优化建议

  本项目使用PaddleDetection完成了数据准备、模型训练、评估和预测以及结果提交全流程，参赛选手们可尝试更多涨点技巧进一步提升模型精度。

  优化建议如下：

  1. 对数据集进行预处理，包括数据清洗、数据增强等

  2. 更改模型的选择，调整模型架构等

  3. 优化模型超参数，如学习率、迭代次数、批量大小等

  4. 优化模型训练方式，包括优化器的选择、WarmUp方式的选择等

  5. 可以尝试使用集成学习等方法提升模型性能

  6. 优化predict.py

  如果项目中有任何问题，欢迎在评论区留言交流，共同进步！

请点击此处查看本环境基本用法.

Please click here for more detailed instructions.

AI Studio
关注
  • 2
    点赞
  • 踩
  • 55
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
基于ONNXRuntime部署PP-YOLOE行人检测+HRNet人体骨骼关键点检测源码+模型.zip
12-15
基于ONNXRuntime部署PP-YOLOE行人检测+HRNet人体骨骼关键点检测源码+模型.zip 含c++版本和python版本 基于ONNXRuntime部署PP-YOLOE行人检测+HRNet人体骨骼关键点检测源码+模型.zip 含c++版本和python版本 基于ONNX...
OpenVINO部署-使用OpenVINO部署PP-YOLOE-项目实战-附整体详细流程教程.zip
01-18
OpenVINO部署_使用OpenVINO部署PP-YOLOE_项目实战_附整体详细流程教程
第十七届全国大学生智能车竞赛完全模型组比赛细则-最终方案
TSINGHUAJOKING
12-21 1万+
  §01 智能车竞赛 背景介绍   第十七届 全国大学生智能车竞赛 将于2022年暑期举行， 竞速比赛规则 已于2021年11月公布。竞速比赛分为九个赛题组，其中"智慧视觉组"、"完全模型组"两个组别具有更加复杂的机器视觉处理和模型 车运动控制任务，比赛详细内容将会另行通过比赛细则进行说明。   本文是完全模型组比赛细则。比赛细则正式文档将会公布在全国大学生智能车竞赛网站。 smartcar.cdstm.cn ▲ 图1.1.1 全国大学生智能车竞赛网站 完全模型组描述   在智能车竞赛.
智能车小白必看，该竞赛相关宝贵经验+资源借鉴总结1
LnJJF的博客
10-23 8516
文章目录智能车小白必看，该竞赛相关宝贵经验+资源借鉴总结1竞赛准备的大体流程做智能车竞赛的宏观建议整合摄像头组的具体建议学习资源链接后记经验参考来源 智能车小白必看，该竞赛相关宝贵经验+资源借鉴总结1 本人纯小白准备打智能车的比赛，对于这个比赛，了解的非常有限，并且接下来的复赛准备的一些经验方面也是0，因此，本人特地耗时3h搜集了网上的大佬的经验与比赛资源，并且将它们做了大体的筛选整合梳理。方便自己，同时方便和我一样的智能车小白们~~加油！ 竞赛准备的大体流程 ​ #mermaid-svg-DyGlgh
2024年百度完全模型组广州站集训营来啦！与您相约中山大学！
TSINGHUAJOKING
03-23 649
2024年第十九届全国大学生智能汽车竞赛-完全模型组规则已发布，为确保全国大学生智能汽车竞赛完全模型组高质量举办，提高参赛选手竞赛水平，贯彻以赛促教、以赛促学方针，百度飞桨将于2024年4月-5月举办“第十九届全国大学生智能汽车竞赛百度完全模型组线下集训营”系列培训活动。参与全国大学生智能汽车竞赛或者计划在高校开展人工智能相关竞赛的领队、指导老师、参赛选手及对人工智能和自动化控制技术感兴趣的高校师生。今年首场线下集训营于2024年3月30日（周六）在华南赛区的中山大学举办，欢迎各大高校师生报名参与！
PaddleDetection的学习笔记
墨门
03-31 4090
1 PaddleDetection介绍 PaddleDetection是由百度推出的目标检测开源模型库； 2 模型训练/评估/预测 infer.py —— 模型预测 # 预测 python tools/infer.py -c configs/faster_rcnn_r50_1x.yml --infer_img=demo/000000570688.jpg 2 运行分析 2.1 图像预测 我们可以使用如下的命令来预测图像中的物体目标 # 用PP-YOLO算法在COCO数据集上预训练模型预测一张图片 pytho
2024年国赛来啦！！第十九届全国大学生智能汽车竞赛完全模型组启动说明会
TSINGHUAJOKING
12-21 8901
为赛事定制的I型车模，外观DIY自由度极高，搭载拥有澎湃边缘算力的百度EdgeBoard计算卡，提供充足AI算力，同学们将有足够空间做出颜值与实力并存的个性车模！”，模拟特种智能车辆在城市执行巡逻任务，车辆不但需要自主驶过常规道路，还要根据沿途的任务元素所代表的突发事件，驶入特殊区域，并按指定方式通过。我们有丰富完备的培训计划、资料体系和答疑机制，为同学们一路冲关保驾护航。”交互，道具车身有AI待识别标志，选手需要根据图案，来判断该道具车的身份，去实现车与车之间的超越、逼停、推出等动作，在赛道中上演精彩“
第十七届全国大学生智能车竞赛完全模型组 I 型车模数据
TSINGHUAJOKING
12-21 5181
2024年全国大学生智能汽车竞赛完全模型组线上技术培训来了！你准备好了吗？
TSINGHUAJOKING
03-08 500
为了让大家更好地掌握智能汽车完全模型组软硬件构架和调试技巧，百度联合赛曙科技将于本周六（3月9日）)17:00在B站直播间（飞桨PaddlePaddle）组织线上技术培训，欢迎各位同学积极参与本次线上培训，不断提升自己的技能水平，为今年的备赛打下坚实的基础。扫码加入官方QQ交流群，获取更多赛项咨询、技术培训和学习资料。截至2023年，已经举办十八届，比赛每年吸引包括清华、上交、复旦、北航等500多所高校，超10万名大学生参加，是提升学生创新实践能力和培养团队精神的国家级创意性科技竞赛。
【AI达人特训营第三期】基于PPYOLOE+的烟头检测（安卓端部署）
m0_63642362的博客
04-17 744
保姆级教程烟头检测，基于SOTA模型PPYOLOE+_X，好用且易懂，快来看看吧，还能部署到安卓端
第十九届全国大学生智能汽车竞赛-竞速比赛模型组比赛细则
热门推荐
TSINGHUAJOKING
11-28 2万+
车模通过危险区、救援区、坡道、追逐区四个特殊路段时冲出赛道无法在该区域驶回赛道或停在赛道上无法继续前进时，视为通过失败，此时发车手可手动救援，重新将车辆置于该特殊路段靠后位置启动，每次出发仅可使用一次手动救援，救援后额外罚时。本届完全模型组场地为“城市反恐”主题，模拟特种智能车辆在城市执行巡逻任务，车辆不但需要自主驶过常规道路，还要根据沿途的任务元素所代表的突发事件，驶入特殊区域，并按指定方式通过。为了引导比赛任务的完成，在比赛赛道的任务元素和特殊元素区域的前方路旁的指定区域放有三维模型实体标志。
【环境配置】PPYOLOE训练自己的数据集(自用)
Gorgeous_wxd
07-10 3394
PPYOLOE训练自己的数据
[Paddle Detection]基于PP-YOLOE+实现道路场景目标检测及部署
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
12-27 3457
该项目着眼于基于视觉深度学习的自动驾驶场景，旨在对车载摄像头采集的视频数据进行道路场景解析，为自动驾驶提供一种解决思路。利用YOLO系列模型PP_YOLOE+完成车辆检测实现一种高效高精度的道路场景解析方式,从而实现真正意义上的自动驾驶，减少交通事故的发生，保障车主的人身安全。数据集地址视频数据： 超过1,100小时的100000个高清视频序列在一天中许多不同的时间，天气条件，和驾驶场景驾驶经验。视频序列还包括GPS位置、IMU数据和时间戳。道路目标检测。
PP-YOLOE行人检测+HRNet人体骨骼关键点检测ONNXRuntime部署包含C++和Python源码+模型+说明.zip
最新发布
05-02
PP-YOLOE行人检测+HRNet人体骨骼关键点检测ONNXRuntime部署包含C++和Python源码+模型+说明.zip
OpenVINO部署推理飞桨PP-YOLOE模型实现
02-29
PaddleDetection为基于飞桨PaddlePaddle的端到端目标检测套件， PP-YOLOE 是PaddleDetection推出的一种高精度SOTA目标检测模型，基于PP-YOLOv2的卓越的单阶段Anchor-free模型，超越了多种流行的YOLO模型。...
浅谈第十八届智能车完全模型组
CGONE123的博客
09-01 1458
十八届智能车完全模型组
【第十七智能车完全模型组竞速赛】线上赛推理代码撰写及结果提交教程
m0_63642362的博客
03-06 1857
根据比赛要求撰写推理代码并整理结果文件
手把手教你在百度飞桨云平台下运行PPYOLO-E,训练COCO数据集
qq_44992785的博客
10-26 5586
手把手教你在百度飞桨平台使用PPYOLOE训练COCO数据集。
上海海事大学的电磁车模|重量比手机轻，跑的比手机快
TSINGHUAJOKING
07-27 3102
首先比赛现场的电感值采集出来异常的大，我们每个电感都达到我们在学校实验室调试时三倍以上的数值，我们抽到的顺序比较靠后，在我们之前我们学校中所有依靠电磁循迹的组别都反映了电感值偏大的问题，因此我们顶着较大的压力上场花了将近六分钟才解决了电感值异常的问题，这让第一天十五分钟的上场时间去掉了三分之一，导致后续留给我们小车开跑以及调整时间不足。车模上的PCB板由于尺寸的限制安排成了三层堆叠的结构，小尺寸的电路设计对我们来说也是不小的挑战，好在最后所有设计都正常完成。3、PCB 板电路设计。
十八届智能车完全模型
07-27
根据引用\[1\]，十八届智能车完全模型组比赛的细则可以在《第十八届全国大学生智能车竞赛完全模型组比赛细则》中找到。该比赛组别的任务主要依靠人工神经网络模型来完成，车模运行模式相对较复杂。关于比赛的具体细节和要求，可以参考引用\[1\]中提供的链接。 根据引用\[2\]，完全模型组比赛的赛道以室内循环赛道为基础，赛道材质和规格保持一致。赛道导引方式保留了室内循环赛道的导引方式，并在此基础上添加了完全模型组任务导引标志和锥桶，以引导车模完成完全模型组赛道任务。 根据引用\[3\]，完全模型组的车模采用I型车模，并要求自行设计制作车模外壳。对于车模尺寸没有限制。车模的运动控制单片机可以使用Infineon、NXP、STC、WCH等公司的单片机，数量和种类没有限制。视觉模型部署在百度的Edgeboard。其他传感器没有限制。 综上所述，十八届智能车完全模型组比赛的细则包括任务依靠人工神经网络模型完成、赛道以室内循环赛道为基础并添加了完全模型组任务导引标志和锥桶、车模采用I型车模并要求自行设计制作车模外壳、运动控制单片机和传感器的选择没有限制。 #### 引用[.reference_title] - *1* [18届完全模型组预总](https://blog.csdn.net/m0_68447104/article/details/128535272)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [第十八届全国大学生智能汽车竞赛-竞速比赛完全模型组规则](https://blog.csdn.net/zhuoqingjoking97298/article/details/128401912)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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