基于深度学习YOLOv10的手势识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

已于 2025-05-05 14:42:50 修改
阅读量1.1k 收藏 18
点赞数 14
文章标签： 深度学习 YOLO ui 人工智能 YOLOv10 python 手势检测
于 2025-05-05 12:03:39 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_68036862/article/details/147711266
版权

 一、项目介绍

摘要

手势识别作为人机交互的重要方式，在智能设备控制、手语翻译和虚拟现实等领域具有广泛应用前景。本研究提出了一种基于YOLOv10的实时手势识别检测系统，能够准确识别10种常用手势（包括字母手势A、D、I、L、V、W、Y、"我爱你"手势以及数字手势5和7）。

系统实现

本系统采用改进的YOLOv10架构，针对手势识别任务进行了以下优化：

  1. 轻量化网络设计：在保证精度的前提下减少模型参数量

  2. 多尺度特征融合：增强对小尺寸手势的检测能力

  3. 动态数据增强：采用随机旋转、亮度调整等策略提升模型鲁棒性

数据集与训练

使用自建手势数据集，包含：

  • 训练集：1200张标注图像

  • 验证集：200张标注图像
    所有图像均包含不同光照条件、背景环境和手势角度，确保模型泛化能力。

性能表现

测试结果表明：

  • 平均精度(mAP@0.5)：99.5%

  • 推理速度：45FPS（NVIDIA GTX 1660Ti）

创新点

  1. 实时性优化：通过深度可分离卷积降低计算复杂度

  2. 遮挡鲁棒性：引入注意力机制处理部分遮挡情况

  3. 多手势检测：支持同时检测多个手势

目录

 一、项目介绍

摘要

系统实现

数据集与训练

性能表现

创新点

二、项目功能展示

系统功能

图片检测

视频检测

摄像头实时检测

三、数据集介绍

数据集配置文件data.yaml

数据集制作流程

四、项目环境配置

创建虚拟环境

pycharm中配置anaconda

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

七、项目源码（视频下方简介内）

基于深度学习YOLOv10的手势识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv10的手势识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

二、项目功能展示

系统功能

✅ 图片检测：可对图片进行检测，返回检测框及类别信息。

✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。

✅参数实时调节（置信度和IoU阈值）

  • 图片检测

        该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。 

  • 视频检测

        视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。

  • 摄像头实时检测

        该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。

核心特点：

  • 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
  • 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
  • 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。

三、数据集介绍

数据集配置文件data.yaml

train: .\datasets\images\train
val: .\datasets\images\val
test: .\datasets\images\test


nc: 10
names: ['A', 'number 7', 'D', 'I', 'L', 'V', 'W', 'Y', 'I love you','number 5']

数据集制作流程

  • 标注数据：使用标注工具（如LabelImg、CVAT等）对图像中的目标进行标注。每个目标需要标出边界框，并且标注类别。

  • 转换格式：将标注的数据转换为YOLO格式。YOLO标注格式为每行：<object-class> <x_center> <y_center> <width> <height>，这些坐标是相对于图像尺寸的比例。

  • 分割数据集：将数据集分为训练集、验证集和测试集，通常的比例是80%训练集、10%验证集和10%测试集。

  • 准备标签文件：为每张图片生成一个对应的标签文件，确保标签文件与图片的命名一致。

  • 调整图像尺寸：根据YOLO网络要求，统一调整所有图像的尺寸（如416x416或608x608）。

四、项目环境配置

创建虚拟环境

首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。

终端输入

conda create -n yolov10 python==3.9

激活虚拟环境

conda activate yolov10
 

安装cpu版本pytorch

pip install torch torchvision torchaudio

pycharm中配置anaconda

安装所需要库

pip install -r requirements.txt

五、模型训练

训练代码

from ultralytics import YOLOv10

model_path = 'yolov10s.pt'
data_path = 'datasets/data.yaml'

if __name__ == '__main__':
    model = YOLOv10(model_path)
    results = model.train(data=data_path,
                          epochs=500,
                          batch=64,
                          device='0',
                          workers=0,
                          project='runs/detect',
                          name='exp',
                          )
根据实际情况更换模型
yolov10n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
yolov10s.yaml (small)：小模型，适合实时任务。
yolov10m.yaml (medium)：中等大小模型，兼顾速度和精度。
yolov10b.yaml (base)：基本版模型，适合大部分应用场景。
yolov10l.yaml (large)：大型模型，适合对精度要求高的任务。
  • --batch 64：每批次64张图像。
  • --epochs 500：训练500轮。
  • --datasets/data.yaml：数据集配置文件。
  • --weights yolov10s.pt：初始化模型权重，yolov10s.pt 是预训练的轻量级YOLO模型。

训练结果

六、核心代码

import sys
 
import cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog
from PyQt5.QtCore import QThread, pyqtSignal
from ultralytics import YOLOv10
from UiMain import UiMainWindow
import time
import os
 
 
class DetectionThread(QThread):
    frame_received = pyqtSignal(np.ndarray, np.ndarray, list)  # 原始帧, 检测帧, 检测结果
    finished_signal = pyqtSignal()  # 线程完成信号
 
    def __init__(self, model, source, conf, iou, parent=None):
        super().__init__(parent)
        self.model = model
        self.source = source
        self.conf = conf
        self.iou = iou
        self.running = True
 
    def run(self):
        try:
            if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')):  # 视频或摄像头
                cap = cv2.VideoCapture(self.source)
                while self.running and cap.isOpened():
                    ret, frame = cap.read()
                    if not ret:
                        break
 
                    # 保存原始帧
                    original_frame = frame.copy()
 
                    # 检测
                    results = self.model(frame, conf=self.conf, iou=self.iou)
                    annotated_frame = results[0].plot()
 
                    # 提取检测结果
                    detections = []
                    for result in results:
                        for box in result.boxes:
                            class_id = int(box.cls)
                            class_name = self.model.names[class_id]
                            confidence = float(box.conf)
                            x, y, w, h = box.xywh[0].tolist()
                            detections.append((class_name, confidence, x, y))
 
                    # 发送信号
                    self.frame_received.emit(
                        cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                        cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                        detections
                    )
 
                    # 控制帧率
                    time.sleep(0.03)  # 约30fps
 
                cap.release()
            else:  # 图片
                frame = cv2.imread(self.source)
                if frame is not None:
                    original_frame = frame.copy()
                    results = self.model(frame, conf=self.conf, iou=self.iou)
                    annotated_frame = results[0].plot()
 
                    # 提取检测结果
                    detections = []
                    for result in results:
                        for box in result.boxes:
                            class_id = int(box.cls)
                            class_name = self.model.names[class_id]
                            confidence = float(box.conf)
                            x, y, w, h = box.xywh[0].tolist()
                            detections.append((class_name, confidence, x, y))
 
                    self.frame_received.emit(
                        cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                        cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                        detections
                    )
 
        except Exception as e:
            print(f"Detection error: {e}")
        finally:
            self.finished_signal.emit()
 
    def stop(self):
        self.running = False
 
 
class MainWindow(UiMainWindow):
    def __init__(self):
        super().__init__()
 
        # 初始化模型
        self.model = None
        self.detection_thread = None
        self.current_image = None
        self.current_result = None
        self.video_writer = None
        self.is_camera_running = False
        self.is_video_running = False
        self.last_detection_result = None  # 新增：保存最后一次检测结果
 
        # 连接按钮信号
        self.image_btn.clicked.connect(self.detect_image)
        self.video_btn.clicked.connect(self.detect_video)
        self.camera_btn.clicked.connect(self.detect_camera)
        self.stop_btn.clicked.connect(self.stop_detection)
        self.save_btn.clicked.connect(self.save_result)
 
        # 初始化模型
        self.load_model()
 
    def load_model(self):
        try:
            model_name = self.model_combo.currentText()
            self.model = YOLOv10(f"{model_name}.pt")  # 自动下载或加载本地模型
            self.update_status(f"模型 {model_name} 加载成功")
        except Exception as e:
            QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}")
            self.update_status("模型加载失败")
 
    def detect_image(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return
 
        file_path, _ = QFileDialog.getOpenFileName(
            self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)")
 
        if file_path:
            self.clear_results()
            self.current_image = cv2.imread(file_path)
            self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB)
            self.display_image(self.original_image_label, self.current_image)
 
            # 创建检测线程
            conf = self.confidence_spinbox.value()
            iou = self.iou_spinbox.value()
            self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
            self.detection_thread.frame_received.connect(self.on_frame_received)
            self.detection_thread.finished_signal.connect(self.on_detection_finished)
            self.detection_thread.start()
 
            self.update_status(f"正在检测图片: {os.path.basename(file_path)}")
 
    def detect_video(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return
 
        file_path, _ = QFileDialog.getOpenFileName(
            self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)")
 
        if file_path:
            self.clear_results()
            self.is_video_running = True
 
            # 初始化视频写入器
            cap = cv2.VideoCapture(file_path)
            frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
            frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
            fps = cap.get(cv2.CAP_PROP_FPS)
            cap.release()
 
            # 创建保存路径
            save_dir = "results"
            os.makedirs(save_dir, exist_ok=True)
            timestamp = time.strftime("%Y%m%d_%H%M%S")
            save_path = os.path.join(save_dir, f"result_{timestamp}.mp4")
 
            fourcc = cv2.VideoWriter_fourcc(*'mp4v')
            self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height))
 
            # 创建检测线程
            conf = self.confidence_spinbox.value()
            iou = self.iou_spinbox.value()
            self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
            self.detection_thread.frame_received.connect(self.on_frame_received)
            self.detection_thread.finished_signal.connect(self.on_detection_finished)
            self.detection_thread.start()
 
            self.update_status(f"正在检测视频: {os.path.basename(file_path)}")
 
    def detect_camera(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return
 
        self.clear_results()
        self.is_camera_running = True
 
        # 创建检测线程 (默认使用摄像头0)
        conf = self.confidence_spinbox.value()
        iou = self.iou_spinbox.value()
        self.detection_thread = DetectionThread(self.model, 0, conf, iou)
        self.detection_thread.frame_received.connect(self.on_frame_received)
        self.detection_thread.finished_signal.connect(self.on_detection_finished)
        self.detection_thread.start()
 
        self.update_status("正在从摄像头检测...")
 
    def stop_detection(self):
        if self.detection_thread and self.detection_thread.isRunning():
            self.detection_thread.stop()
            self.detection_thread.quit()
            self.detection_thread.wait()
 
        if self.video_writer:
            self.video_writer.release()
            self.video_writer = None
 
        self.is_camera_running = False
        self.is_video_running = False
        self.update_status("检测已停止")
 
    def on_frame_received(self, original_frame, result_frame, detections):
        # 更新原始图像和结果图像
        self.display_image(self.original_image_label, original_frame)
        self.display_image(self.result_image_label, result_frame)
 
        # 保存当前结果帧用于后续保存
        self.last_detection_result = result_frame  # 新增：保存检测结果
 
        # 更新表格
        self.clear_results()
        for class_name, confidence, x, y in detections:
            self.add_detection_result(class_name, confidence, x, y)
 
        # 保存视频帧
        if self.video_writer:
            self.video_writer.write(cv2.cvtColor(result_frame, cv2.COLOR_RGB2BGR))
 
    def on_detection_finished(self):
        if self.video_writer:
            self.video_writer.release()
            self.video_writer = None
            self.update_status("视频检测完成，结果已保存")
        elif self.is_camera_running:
            self.update_status("摄像头检测已停止")
        else:
            self.update_status("图片检测完成")
 
    def save_result(self):
        if not hasattr(self, 'last_detection_result') or self.last_detection_result is None:
            QMessageBox.warning(self, "警告", "没有可保存的检测结果")
            return
 
        save_dir = "results"
        os.makedirs(save_dir, exist_ok=True)
        timestamp = time.strftime("%Y%m%d_%H%M%S")
 
        if self.is_camera_running or self.is_video_running:
            # 保存当前帧为图片
            save_path = os.path.join(save_dir, f"snapshot_{timestamp}.jpg")
            cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR))
            self.update_status(f"截图已保存: {save_path}")
        else:
            # 保存图片检测结果
            save_path = os.path.join(save_dir, f"result_{timestamp}.jpg")
            cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR))
            self.update_status(f"检测结果已保存: {save_path}")
 
    def closeEvent(self, event):
        self.stop_detection()
        event.accept()
 
 
if __name__ == "__main__":
    app = QApplication(sys.argv)
 
    # 设置应用程序样式
    app.setStyle("Fusion")
 
    # 创建并显示主窗口
    window = MainWindow()
    window.show()
 
    sys.exit(app.exec_())

七、项目源码（视频下方简介内）

        完整全部资源文件（包括测试图片、视频，py文件，训练数据集、训练代码、界面代码等），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：

基于深度学习YOLOv10的手势识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv10的手势识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

 

YOLOv5、YOLOv8、YOLOv10系列项目最全项目合集（已更新81个项目，持续更新中）
m0_52343631的博客
10-12 4436
我们即将推出的YOLO系列专栏，涵盖YOLOv5、YOLOv8及YOLOv10的深度训练教程与PyQt界面开发实践，预计在2025年全面更新完毕。为了让更多开发者抢先体验，专栏将在2024年进行限时促销！2024年促销期间，专栏将推出限时优惠，抢先学习内容，享受专业指导，还可获得2025年更新后的全新版本！不要错过这次提升技能的绝佳机会，加入我们，一起开启智能视觉时代的新篇章。79元在目标检测领域，YOLO（You Only Look Once）系列模型凭借其速度与精度兼备的特性，成为许多项目中的首选方案。
2025年 课程设计 机器学习&深度学习实战案例,含有python代码和教程 (4月10日已更新1179篇)
sybh的博客
10-05 8292
10月促销价99.9,适合初学python机器学习深度学习的学生,从入门到精通,专栏内含有讲解,每篇文章都含有对应的代码,会持续更新,更新至千篇案例,已经更新六百多个项。
OpenCV-Python实战（14）——人脸检测详解（仅需6行代码学会4种人脸检测方法
04-15 921
这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。
人脸识别简介和代码实现
H_zizi的博客
04-21 1416
人脸识别简介和代码实现
目标人脸检测与识别（计算机视觉）
qq_48527460的博客
04-15 1万+
通过python 语言编程设计人脸检测算法，以此人脸作为训练样本，训练目标人脸模型，进一步实现目标人脸的识别。通过上述编程促进学生理解并掌握人脸检测及识别的相关原理，同时培养学生的编程能力。实现人脸的检测及目标人脸识别 采用DNN人脸检测和EigenFaces人脸识别器从包含目标人脸的图像中检测到人脸并保存到文件夹。
基于深度学习的鸡检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）
sybh的博客
04-27 629
rooster（鸡）。该系统旨在实现对鸡的实时检测和跟踪，适用于养殖场管理、行为研究等场景。YOLOv10作为一种高效的目标检测模型，能够在保证高精度的同时实现实时处理。本研究通过构建包含鸡图像的数据集，训练并优化YOLOv10模型，最终在测试集上取得了较高的检测精度。此外，结合跟踪算法（如DeepSORT或ByteTrack），系统能够实现对鸡的连续跟踪，为养殖场自动化管理提供了技术支持。数据集配置文件data.yamlnc: 2。
用Python进行人脸识别[包括源代码]
python588的博客
06-15 1万+
Python可以从图像或视频中检测和识别你的脸。 人脸检测与识别是计算机视觉领域的研究热点之一。 人脸识别的应用包括人脸解锁、安全防护等，医生和医务人员利用人脸识别来获取病历和病史，更好地诊断疾病。 关于Python人脸识别 在这个python项目中，我们将构建一个机器学习模型，该模型从图像中识别人。我们在项目中使用了人脸识别API和OpenCV。 随时了解最新的技术趋势加入DataFlair的电报！ 工具与图书馆 Python-3.x CV2-4.5.2 矮胖-1.20.3 人脸识别-
2025最全计算机专业毕业设计选题大全（建议收藏）✅
十多年程序猿资深互联网人，目前专注于Python/Java/大数据项目解决方案制定，提供各行业各编程语言的全套开发服务，喜爱code，喜爱分享，生命不止，编码不息！
10-06 1736
2025最全计算机专业毕业设计选题大全（建议收藏）✅
人脸识别示例代码解析（二）——人脸识别解析
leyzhao_421587457的博客
08-07 2509
在openCV中，实现了著名的haar特征检测算法，而依托该算法分类器，我们可以实现人脸识别、定位。该算法基于特征模板的滑动计算图像特征，从而区分物体的显著轮廓。这些特征模板形似黑白区块图像： 试想用这些黑白二值图像”蒙”在你的图像或部分图像上，然后你原来的图像被分成“黑”“白”两类区域，最后用黑色区域和白色区域的像素进行简单的加减运算以计算特征.................................
100行代码搞定实时视频人脸表情识别(附代码)
小白学视觉
10-10 7611
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 本文转自|OpenCV学堂好就没有写点OpenCV4 + OpenVINO的应用了，前几天上课重新安装了一下最新O...
人脸检测与识别
03-16
环境：opencv 2.4.6.0 特征：eigenface Input：一个人脸数据库，15个人，每人20个样本（左右）。 Output：人脸检测，并识别出每张检测到的人脸。
opencv（人脸检测和识别）
热门推荐
子墨也的博客
07-29 2万+
Opencv的人脸检测函数，定义了具体可跟踪对象类型的数据文件。 Haar级联分类器，通过对比分析相邻图像区域来判断给定图像或子图像与已知对象是否匹配。 两个图像的相似程度可以通过它们对应特征的欧式距离来度量。距离可能以空间坐标或颜色坐标来定义。类Haar特征是一种用于实现实时人脸跟踪的特征。每个类Haar特征都描述了相邻图像区域的对比模式。例如，边，顶点和细线都能生成具有判断性的特征。 H...
人脸检测和识别（中文标记）完整项目源代码（基于深度学习+python3.6+dlib+PIL+CNN+（tensorflow、keras）10分钟实现 区分欢乐颂中人物详细图文教程和完整项目代码）
wyx100的专栏
05-24 1万+
转载请注明：https://blog.csdn.net/wyx100/article/details/80428424 效果展示 未完待续。。。 环境配置 win7sp1 python                 3.6.3 dlib                      19.7.0   tensorflow            1.3.0rc0 keras       ...
人脸检测与识别：MTCNN人脸检测
Rrui7739的博客
03-03 4457
注：此后更新代码版本均在github上，更快更准，博客不做更新~ 2019.3.20 本文代码参考： 参考代码1：https://github.com/AITTSMD/MTCNN-Tensorflow 参考代码2：https://github.com/Seanlinx/mtcnn 参考代码3：https://github.com/CongWeilin/mtcnn-caffe 参考...
python-opencv人脸检测和识别实现（有代码和资源）
总裁余（余登武）博客
07-21 9506
人脸识别 1人脸检测实现 import numpy as np import cv2 # 实例化人脸分类器 face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') # 读取测试图片 img = cv2.imread('faces.jpg',cv2.IMREAD_COLOR) # 将原彩色图转换成灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 开始在灰度图上检
几十行代码 轻松实现人脸识别、人脸检测
Nie_Hen的博客
04-27 1万+
人脸识别最近几年变得很火，技术也已经相对成熟，应用场景也很多。 下面将介绍简单几种实现人脸检测 人脸识别的简单方法 我博客中也写了几篇有人脸识别应用的文章 现在分类总结下 人脸识别技术介绍已经近况以及应用 https://blog.csdn.net/Nirvana_6174/article/details/84984450 使用Python现有的库 face_recognition fac...
在深度学习中，什么是线性插值（linear interpolation）？
最新发布
weixin_44649780的博客
04-30 508
线性插值是寻找两个点之间中间值的最基础方法之一，广泛应用于：数值计算计算机图形学机器学习和深度学习它的标准公式是：x0,x1∈Rn：两个向量或标量t∈[0,1]：插值系数（0 表示完全靠近 x0，1 表示完全靠近 x1​）它对应的是两个点之间的一条线段轨迹。线性插值就是“在两个已知点之间，按一定比例找到中间点”的方法，无论是图像、特征、模型参数，它都可以用来“平滑地过渡”。📢 想要了解更多内容，可在VX小程序搜索🔍AI Pulse,获取更多最新内容。
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

人工智能_SYBH

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