yolov8目标检测数据集制作

已于 2024-08-12 17:32:20 修改
阅读量135 收藏
点赞数 6
文章标签： python 人工智能 深度学习
于 2024-08-12 16:29:43 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_64293675/article/details/141130613
版权

yolov8目标检测数据集制作

默认环境已经配置完成，且数据标注已经完成。

在标注的时候可能会涉及到很多细化的种类，而训练会合并几个列别作为一个大类来训练，首先需要定义列别标签，如下所示，将路面上会出现的目标类型一共分为4大类：0行人，1机动车，2非机动车，3路障

class_names= {'行人': 0,  
              '轿车': 1, 'SUV': 1, '面包车': 1,  
              '公交': 1,'客车': 1,  '卡车': 1, '货车':1,'工程车': 1, '摩托车': 1,  
              '自行车': 2, '电动车': 2,  '三轮车': 2, 
              '路障': 3 }

接着，将标注生成的json文件转成yolo格式的txt

# 标注框格式转yolo格式
def x1y1x2y2Toxywh(xmin, ymin, xmax, ymax, imgh, imgw):
    ymax = imgh if (ymax > imgh or (imgh - ymax < 5)) else ymax
    ymin = 0 if ymin < 5 else ymin
    xmax = imgw if (xmax > imgw or (imgw - xmax < 5)) else xmax
    xmin = 0 if xmin < 5 else xmin
    x = (xmin + xmax) / 2 / imgw
    y = (ymin + ymax) / 2 / imgh
    w = (xmax - xmin) / imgw
    h = (ymax - ymin) / imgh
    x = str(x) if len(str(x)) <= 7 else str(x)[:7]
    y = str(y) if len(str(y)) <= 7 else str(y)[:7]
    w = str(w) if len(str(w)) <= 7 else str(w)[:7]
    h = str(h) if len(str(h)) <= 7 else str(h)[:7]
    return x, y, w, h

def get_o_xmin_xmax_ymin_ymax(o, imgh, imgw):
    xmin = int(min(o['points'][0][0], o['points'][1][0]))
    xmax = int(max(o['points'][0][0], o['points'][1][0]))
    ymin = int(min(o['points'][0][1], o['points'][1][1]))
    ymax = int(max(o['points'][0][1], o['points'][1][1]))
    xmin = 0 if xmin < 0 else xmin
    ymin = 0 if ymin < 0 else ymin
    xmax = imgw-1 if xmax > imgw else xmax
    ymax = imgh-1 if ymax > imgh else ymax
    return xmin, ymin, xmax, ymax

def json2yolotxt(imgpath,jsonpath,txtpath):
    names = class_names
    files = os.listdir(imgpath)
    files = [x for x in files if x[-4:] == '.jpg']
    print('len(imgpath): ', len(files))

    labelsStatic={}

    for f in tqdm(range(len(files)), desc='进度  '):
        i = files[f]
        if(i[-4:]!='.jpg'):
            continue
        img = cv2.imread(os.path.join(imgpath, i))
        imgw, imgh = img.shape[1], img.shape[0] #  获取每张图片的宽高
        json_path_name = os.path.join(jsonpath, i[:-4] + '.json')
        with open(json_path_name, 'r', encoding='utf-8') as rf:
            rf = json.load(rf)
            try:
                objs = rf['shapes']
                if objs == []:
                    print(json_path_name, "中不包含标注信息")
                    continue
            except:
                print(json_path_name, "获取shapes 标注信息失败")
                continue

            boxs = []
            for o in objs:
                try:
                    if o['shape_type'] != 'rectangle':
                        continue
                    id = o['label']

                    if 1:
                        if id not in names.keys():
                            print(i, id, 'not in labels... ... ... ...')
                            continue

                        if o['shape_type'] != 'rectangle':
                            continue
                        id = str(names[id])
                        if id not in labelsStatic:
                            labelsStatic[id] = 1
                        else:
                            labelsStatic[id] += 1

                        xmin, ymin, xmax, ymax = get_o_xmin_xmax_ymin_ymax(o, imgh, imgw)
                        x, y, w, h = x1y1x2y2Toxywh(xmin, ymin, xmax, ymax, imgh, imgw)
                        box = id + ' ' + x + ' ' + y + ' ' + w + ' ' + h + '\n'
                        boxs.append(box)

                except Exception as e:
                    print(json_path_name, 'JSON解析错误: ', e)
                    continue
        # 写入txt文件
        boxs[-1] = boxs[-1].replace('\n', '')
        os.makedirs(txtpath, exist_ok=True)
        txt_path_name = os.path.join(txtpath, i[:-4] + '.txt')
        with open(txt_path_name, 'w', encoding='utf-8') as wf:
            wf.writelines(boxs)
    print("json转txt完成！")

json转txt完成后，制作数据集dataset，需要将图片文件和标注的json文件分别放到2个文件夹中。
本例中只制作了训练集和验证集，比例是0.8和0.2，如需添加测试集，解开代码中的测试集注释以及测试集比例即可(需要保证所有解开注释的数据集比例相加等于1)

def make_dataset(SrcPathJpg,DesPath,DesPathJpg,SrcPathTxt,DesPathTxt):
    # 划分比例
    train_split_ratio = 0.8
    val_split_ratio = 0.2
    # test_split_ratio = 0.1
    os.makedirs(DesPath, exist_ok=True)
    os.makedirs(DesPathJpg, exist_ok=True)
    os.makedirs(os.path.join(DesPathJpg, 'train'), exist_ok=True)
    os.makedirs(os.path.join(DesPathJpg, 'val'), exist_ok=True)
    # os.makedirs(os.path.join(DesPathJpg, 'test'), exist_ok=True)

    os.makedirs(DesPathTxt, exist_ok=True)
    os.makedirs(os.path.join(DesPathTxt, 'train'), exist_ok=True)
    os.makedirs(os.path.join(DesPathTxt, 'val'), exist_ok=True)
    # os.makedirs(os.path.join(DesPathTxt, 'test'), exist_ok=True)

    # 获取原始数据文件夹下的所有文件
    files = os.listdir(SrcPathJpg)
    print(files)
    # 随机打乱文件顺序
    random.shuffle(files)
    # 计算划分数据集的索引
    total_files = len(files)
    train_split = int(train_split_ratio * total_files)
    val_split = int(val_split_ratio * total_files)
    # test_split =  int(test_split_ratio * total_files)
    for file in tqdm(files[:train_split], desc=f'Copying train data'):
        # 复制图像
        src_jpg = os.path.join(SrcPathJpg, file)
        dst_jpg = os.path.join(DesPathJpg, 'train')
        os.makedirs(dst_jpg, exist_ok=True)
        shutil.copy(src_jpg, os.path.join(dst_jpg, file))
        # 同时复制txt
        src_txt = os.path.join(SrcPathTxt, file[:-4] + '.txt')
        dst_txt = os.path.join(DesPathTxt, 'train')
        os.makedirs(dst_txt, exist_ok=True)
        shutil.copy(src_txt, os.path.join(dst_txt, file[:-4] + '.txt'))
    for file in tqdm(files[train_split:train_split + val_split], desc=f'Copying validation data'):
         # 复制图像
        src_jpg = os.path.join(SrcPathJpg, file)
        dst_jpg = os.path.join(DesPathJpg, 'val')
        os.makedirs(dst_jpg, exist_ok=True)
        shutil.copy(src_jpg, os.path.join(dst_jpg, file))
        # 同时复制txt
        src_txt = os.path.join(SrcPathTxt, file[:-4] + '.txt')
        dst_txt = os.path.join(DesPathTxt, 'val')
        os.makedirs(dst_txt, exist_ok=True)
        shutil.copy(src_txt, os.path.join(dst_txt, file[:-4] + '.txt'))
    # for file in tqdm(files[val_split:val_split + test_split], desc=f'Copying test data'):
    #      # 复制图像
    #     src_jpg = os.path.join(SrcPathJpg, file)
    #     dst_jpg = os.path.join(DesPathJpg, 'test')
    #     os.makedirs(dst_jpg, exist_ok=True)
    #     shutil.copy(src_jpg, os.path.join(dst_jpg, file))
    #     # 同时复制txt
    #     src_txt = os.path.join(SrcPathTxt, file[:-4] + '.txt')
    #     dst_txt = os.path.join(DesPathTxt, 'test')
    #     os.makedirs(dst_txt, exist_ok=True)
    #     shutil.copy(src_txt, os.path.join(dst_txt, file[:-4] + '.txt'))
    print("数据集划分完成！")

所有代码以及使用如下：

import os, cv2, json
import shutil
import random
from tqdm import tqdm

class_names= {'行人': 0,  
              '轿车': 1, 'SUV': 1, '面包车': 1,  
              '公交': 1,'客车': 1,  '卡车': 1, '货车':1,'工程车': 1, '摩托车': 1,  
              '自行车': 2, '电动车': 2,  '三轮车': 2, 
              '路障': 3 }
       
# 标注框格式转yolo格式
def x1y1x2y2Toxywh(xmin, ymin, xmax, ymax, imgh, imgw):
    ymax = imgh if (ymax > imgh or (imgh - ymax < 5)) else ymax
    ymin = 0 if ymin < 5 else ymin
    xmax = imgw if (xmax > imgw or (imgw - xmax < 5)) else xmax
    xmin = 0 if xmin < 5 else xmin
    x = (xmin + xmax) / 2 / imgw
    y = (ymin + ymax) / 2 / imgh
    w = (xmax - xmin) / imgw
    h = (ymax - ymin) / imgh
    x = str(x) if len(str(x)) <= 7 else str(x)[:7]
    y = str(y) if len(str(y)) <= 7 else str(y)[:7]
    w = str(w) if len(str(w)) <= 7 else str(w)[:7]
    h = str(h) if len(str(h)) <= 7 else str(h)[:7]
    return x, y, w, h

def get_o_xmin_xmax_ymin_ymax(o, imgh, imgw):
    xmin = int(min(o['points'][0][0], o['points'][1][0]))
    xmax = int(max(o['points'][0][0], o['points'][1][0]))
    ymin = int(min(o['points'][0][1], o['points'][1][1]))
    ymax = int(max(o['points'][0][1], o['points'][1][1]))
    xmin = 0 if xmin < 0 else xmin
    ymin = 0 if ymin < 0 else ymin
    xmax = imgw-1 if xmax > imgw else xmax
    ymax = imgh-1 if ymax > imgh else ymax
    return xmin, ymin, xmax, ymax

def json2yolotxt(imgpath,jsonpath,txtpath,classname):
    names = class_names
    files = os.listdir(imgpath)
    files = [x for x in files if x[-4:] == '.jpg']
    print('len(imgpath): ', len(files))

    labelsStatic={}

    for f in tqdm(range(len(files)), desc='进度  '):
        i = files[f]
        if(i[-4:]!='.jpg'):
            continue
        img = cv2.imread(os.path.join(imgpath, i))
        imgw, imgh = img.shape[1], img.shape[0] #  获取每张图片的宽高
        json_path_name = os.path.join(jsonpath, i[:-4] + '.json')
        with open(json_path_name, 'r', encoding='utf-8') as rf:
            rf = json.load(rf)
            try:
                objs = rf['shapes']
                if objs == []:
                    print(json_path_name, "中不包含标注信息")
                    continue
            except:
                print(json_path_name, "获取shapes 标注信息失败")
                continue

            boxs = []
            for o in objs:
                try:
                    if o['shape_type'] != 'rectangle':
                        continue
                    id = o['label']

                    if 1:
                        if id not in names.keys():
                            print(i, id, 'not in labels... ... ... ...')
                            continue

                        if o['shape_type'] != 'rectangle':
                            continue
                        id = str(names[id])
                        if id not in labelsStatic:
                            labelsStatic[id] = 1
                        else:
                            labelsStatic[id] += 1

                        xmin, ymin, xmax, ymax = get_o_xmin_xmax_ymin_ymax(o, imgh, imgw)
                        x, y, w, h = x1y1x2y2Toxywh(xmin, ymin, xmax, ymax, imgh, imgw)
                        box = id + ' ' + x + ' ' + y + ' ' + w + ' ' + h + '\n'
                        boxs.append(box)

                except Exception as e:
                    print(json_path_name, 'JSON解析错误: ', e)
                    continue
        # 写入txt文件
        boxs[-1] = boxs[-1].replace('\n', '')
        os.makedirs(txtpath, exist_ok=True)
        txt_path_name = os.path.join(txtpath, i[:-4] + '.txt')
        with open(txt_path_name, 'w', encoding='utf-8') as wf:
            wf.writelines(boxs)
    print("json转txt完成！")

def make_dataset(SrcPathJpg,DesPath,DesPathJpg,SrcPathTxt,DesPathTxt):
    # 划分比例
    train_split_ratio = 0.8
    val_split_ratio = 0.2
    # test_split_ratio = 0.1
    os.makedirs(DesPath, exist_ok=True)
    os.makedirs(DesPathJpg, exist_ok=True)
    os.makedirs(os.path.join(DesPathJpg, 'train'), exist_ok=True)
    os.makedirs(os.path.join(DesPathJpg, 'val'), exist_ok=True)
    # os.makedirs(os.path.join(DesPathJpg, 'test'), exist_ok=True)

    os.makedirs(DesPathTxt, exist_ok=True)
    os.makedirs(os.path.join(DesPathTxt, 'train'), exist_ok=True)
    os.makedirs(os.path.join(DesPathTxt, 'val'), exist_ok=True)
    # os.makedirs(os.path.join(DesPathTxt, 'test'), exist_ok=True)

    # 获取原始数据文件夹下的所有文件
    files = os.listdir(SrcPathJpg)
    print(files)
    # 随机打乱文件顺序
    random.shuffle(files)
    # 计算划分数据集的索引
    total_files = len(files)
    train_split = int(train_split_ratio * total_files)
    val_split = int(val_split_ratio * total_files)
    # test_split =  int(test_split_ratio * total_files)
    for file in tqdm(files[:train_split], desc=f'Copying train data'):
        # 复制图像
        src_jpg = os.path.join(SrcPathJpg, file)
        dst_jpg = os.path.join(DesPathJpg, 'train')
        os.makedirs(dst_jpg, exist_ok=True)
        shutil.copy(src_jpg, os.path.join(dst_jpg, file))
        # 同时复制txt
        src_txt = os.path.join(SrcPathTxt, file[:-4] + '.txt')
        dst_txt = os.path.join(DesPathTxt, 'train')
        os.makedirs(dst_txt, exist_ok=True)
        shutil.copy(src_txt, os.path.join(dst_txt, file[:-4] + '.txt'))
    for file in tqdm(files[train_split:train_split + val_split], desc=f'Copying validation data'):
         # 复制图像
        src_jpg = os.path.join(SrcPathJpg, file)
        dst_jpg = os.path.join(DesPathJpg, 'val')
        os.makedirs(dst_jpg, exist_ok=True)
        shutil.copy(src_jpg, os.path.join(dst_jpg, file))
        # 同时复制txt
        src_txt = os.path.join(SrcPathTxt, file[:-4] + '.txt')
        dst_txt = os.path.join(DesPathTxt, 'val')
        os.makedirs(dst_txt, exist_ok=True)
        shutil.copy(src_txt, os.path.join(dst_txt, file[:-4] + '.txt'))
    # for file in tqdm(files[val_split:val_split + test_split], desc=f'Copying test data'):
    #      # 复制图像
    #     src_jpg = os.path.join(SrcPathJpg, file)
    #     dst_jpg = os.path.join(DesPathJpg, 'test')
    #     os.makedirs(dst_jpg, exist_ok=True)
    #     shutil.copy(src_jpg, os.path.join(dst_jpg, file))
    #     # 同时复制txt
    #     src_txt = os.path.join(SrcPathTxt, file[:-4] + '.txt')
    #     dst_txt = os.path.join(DesPathTxt, 'test')
    #     os.makedirs(dst_txt, exist_ok=True)
    #     shutil.copy(src_txt, os.path.join(dst_txt, file[:-4] + '.txt'))
    print("数据集划分完成！")

imgPath = 'imgALL'
jsonPath = 'json'
txtPath = 'txt'
json2yolotxt(imgPath,jsonPath,txtPath)
SrcPathJpg = imgPath
SrcPathTxt = txtPath

DesPath = 'LQ_new_dataset'
DesPathJpg = DesPath + '/images'
DesPathTxt = DesPath+'/labels'
make_dataset(SrcPathJpg,DesPath,DesPathJpg,SrcPathTxt,DesPathTxt)
jessie的垃圾桶
关注
  • 6
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
yolov8目标检测数据集制作——labelimg
weixin_52010459的博客
03-25 1189
使用labelimg制作yolo数据集的优点，安装和使用教程。
yolov8目标检测数据集制作——make sense
weixin_52010459的博客
03-23 1214
make sense数据标注工具的快捷键，导入导出的支持格式和使用说明。希望刚刚接触这个工作的同志不要再踩坑。
睿智的目标检测66——Pytorch搭建YoloV8目标检测平台
热门推荐
Bubbliiiing的学习小课堂
05-15 4万+
又搞了个YoloV8，看起来似乎在抢这个名字。YoloV8所使用的主干特征提取网络主要为速度快做了一些优化：1、颈部结构使用普通的步长为2的3x3卷积。YoloV5最初使用了Focus结构来初步提取特征，在改进后使用了大卷积核的卷积来初步提取特征，速度都不快。YoloV7则使用了三次卷积来初步提取特征，速度也不快。YoloV8则使用普通的步长为2的3x3卷积核来初步提取特征（估计是感受野够了）。这样做会损失一些感受野，但是可以提高模型的速度。
YOLOv8制作自己的目标检测数据集保姆级教程（包含json转xml转txt）
m0_57010556的博客
01-09 1万+
本文的实验是进行目标检测，数据集以及相关代码我放在了一起，方便今后相似数据集的制作。
yolov8自备数据集训练的目标检测
qq_44701348的博客
11-18 2432
笔者可以算是小白一枚，为测试无人机识别模块的精准度，需要识别一个自制做的圆盘，特作此小项目。由于自己在整个过程踩过很多坑，也走过不少弯路，完成这个小项目，离不开CSDN中很多博主博客的借鉴学习（文中已标明各个博主文章出处），特此将整个流程记录下来，主要是为了自己做个笔记备份，二是希望需要学习的同学也能少走弯路。最后，我想说是从零将yolov8跑起来是个一个十分折磨人的过程，希望大家能有耐心，细心研究。笔者作为一个刚入门的小白，能力有限，初次写文章，难免可能有些小错误，敬请谅解。
YOLOv8制作自定义数据集并训练
东东不熬夜的博客
02-12 4094
本文主要讲解了制作自定义数据集并对其进行训练、验证的方法。
【yolov10】使用自己的数据集训练目标检测模型
海风的博客
05-26 6670
官方给出的环境配置使用的torch版本是2.0.1，我电脑最高也就支持到1.11.0，所以就没法用gpu来训练了，当然也可以用自己的可以使用gpu训练的环境来训练yolov10，就是会有一些依赖报错，根据提示进行修改试试。格式选择yolo，然后点击open dir，选择存放待打标图片的文件夹，点击change save dir来更改保存标签的文件夹。首先打开cmd命令行（快捷键：win+R）。names根据自己数据集的标签来，train和val就是训练集和验证集的图片路径。①搜索labelimg。
YOLOv5目标检测训练自己数据集
peanutaaa的博客
07-05 1735
yolo5训练自己的数据集步骤记录
Yolov8-目标检测-创建自己的数据集
Darkangel666999的博客
12-05 506
呵呵，打标注
包括YOLOv3目标检测数据集-识别常见家居物体，包含数据集制作脚本和自动标注脚本+源代码+文档说明
12-28
1、资源内容：YOLOv3目标检测数据集-识别常见家居物体，包含数据集制作脚本和自动标注脚本+源代码+文档说明 2、代码特点：内含运行结果，不会运行可私信，参数化编程、参数可方便更改、代码编程思路清晰、注释明细，...
目标检测数据集制作.zip
06-20
目标检测数据集制作:VOC,COCO,YOLO等常用数据集格式的制作和互相转换脚本,demo/目录提供的原始的voc格式的20张原图和对应20个.xml标注。下面的脚本都可以通过这个demo数据跑通。 voc_split_trainVal.py 该脚本用于...
深度学习-生猪的目标检测数据集
02-18
生猪的目标检测数据集，主要包括train和val，train文件下有image和label两个文件夹，分别装图像和txt文档。YOLO的txt文档格式为：类别 位置 。使用的目标检测算法为YOLO V7，这是2022年7月出来的新的目标检测算法，...
生猪的目标检测计数数据集
12-29
生猪的目标检测数据集，主要包括train和val，train文件下有image和label两个文件夹，分别装图像和txt文档。YOLO的txt文档格式为：类别 位置 ，使用的目标检测算法为YOLO V7，这是2022年7月出来的新的目标检测算法，...
目标检测-使用Yolov3+Pytorch训练自己的数据集-优质项目实战.zip
02-19
这个项目实战将帮助你深入理解目标检测的工作原理，掌握Yolov3和PyTorch的使用技巧，以及如何处理自定义数据集的挑战。通过实际操作，你可以提高自己在深度学习领域的实践能力，并且能够灵活应用到其他类似的任务中...
大模型微调工具-torchtune
weixin_40777649的博客
08-08 861
1.定义2.安装3. 案例。
jupyter下载
Einstein·Jun
08-06 770
Anaconda下载 参考链接：https://blog.csdn.net/qq_48372575/article/details/125630622 设置Jupyter Notebook的代码路径 在“此电脑”中搜索。删除最后一个""后面的的内容，包括“\”。 用记事本打开它。 按下ctrl+F就可以开始查找。查找内容如下： 找到之后，右键该文件，找到“发送到”，找到“桌面快捷方式”。然后就会发现桌面上已经建立好了！
伐木工 (100%用例)D卷 (Java&&Python&&C++&&Node.js&&C语言)
荆赫同艺的博客
08-07 329
一根 4米长的树木，伐木工不需要切割为 2*2，省去切割成本，直接整根树木交易，为 4*1，收益最大为 4。方式二: 3,2,2,3，但方式二，伐木工多切割一次，增加了切割成本却卖了一样的价格，因此并不是最优收益。一根 2 米长的树木，伐木工不切割，为2*1，收益最大为 2。一根5 米长的树木，伐木工切割为 2*3,收益最大为 6。输出最优收益时的各个树木长度，以空格分隔，按升序排列。一根 10 米长的树木，伐木工可以切割。方式一:3,4,4，也可以切割为。
Python 算法交易实验80 QTV200日常推进-目标估算
最新发布
yukai08008的博客
08-10 410
业务目标在先，月利3%是第一个目标。虽然日常有在常规推进，但目标是什么？现在做的是什么？与目标的关联是什么？业务上讲，如果月利能够达到3%(几何平均)，上下波动不超过1%，就算达标了(2%~4%)。考虑到金融领域有不可测风险，所以资金还会分摊到3个月。例如，假如总投资资金是30万，那么每个月的最大投资金额是10万。这样即使遇到大跳水，问题也不大。目标达到的话，10万本金每月的盈利是3000， 按复利计,24个月就会double，我觉得已经足够理想。假设投资90万，则可以按30万计算复利效果。
设置无标题 android
05-02
在Android应用中，设置无标题是一种简洁和美观的设计方式，可以为用户提供更流畅的使用体验。以下是一些实现设置无标题的方法： 1. 在Android的Manifest文件中，找到对应Activity的标签，并添加”android:theme="@android:style/Theme.NoTitleBar"“属性。这样可以通过Android自带的主题去掉标题栏。 2. 使用自定义的主题，可以在样式表中添加以下代码： <style name="AppTheme" parent="Theme.AppCompat.NoActionBar"> <!-- ...其他样式... --> </style> 这种方式可以通过设置主题去除ActionBar和标题栏，同时保留其他布局元素。 3. 去掉代码中的setTitle()方法，这是一种最简单的方法，通过不设置Activity的标题来实现无标题。 以上就是三种常见的实现Android无标题的方式，开发者可以根据实际需求进行选择。值得注意的是，去除标题栏可能会影响用户的导航体验，因此在设计上需要考虑周全。
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
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