YOLOv10训练自己的数据集（从代码下载到实例测试）

已于 2024-08-18 12:31:22 修改
阅读量1.7k 收藏 34
点赞数 48
分类专栏： 模型训练 文章标签： YOLO 目标检测 计算机视觉
于 2024-07-30 16:42:11 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/qq_42591591/article/details/140717654
版权

文章目录

前言

提示：本文是YOLOv10训练自己数据集的记录教程，需要大家在本地已配置好CUDA,cuDNN等环境，没配置的小伙伴可以查看我的往期博客：在Windows10上配置CUDA环境教程

YOLOv10是YOLO（You Only Look Once）系列的最新版本，由清华大学的研究人员在Ultralytics Python包的基础上开发完成，并于2024年5月发布。作为一种实时端到端目标检测器，YOLOv10在性能、效率和精度方面均取得了显著提升，是计算机视觉领域的一项重要进展。

在这里插入图片描述

代码地址：https://github.com/THU-MIG/yolov10
论文地址：https://arxiv.org/pdf/2405.14458

在这里插入图片描述

一、YOLOv10简介

主要特点：

  1. 无NMS的一致双分配训练策略：
    • YOLOv10引入了无NMS的一致双分配训练策略，结合了一对多和一对一分配策略的优势。在训练过程中，模型利用一对多分配的丰富监督信号，而在推理过程中则使用一对一分配的预测结果，从而实现无NMS的高效推理。
    • 一致匹配度量：为确保两个分支的预测感知匹配，YOLOv10提出了一致匹配度量，通过调整匹配度量参数，使得一对一和一对多分配的监督信号一致，减少了训练期间的监督差距，提升了模型的预测质量。
  2. 效率-精度驱动的模型设计：
    • YOLOv10在模型设计上采用了多种技术来降低计算成本，同时保持较高的检测性能。这包括轻量化分类头、空间-通道解耦下采样、基于秩的块设计、大核卷积和部分自注意力模块等。
    • 轻量化分类头：通过分析分类误差和回归误差的影响，YOLOv10在不显著影响性能的情况下，减少了分类头的计算开销。
    • 空间-通道解耦下采样：将空间缩减和通道增加操作解耦，实现更高效的下采样，最大限度地提高了下采样过程中的信息保留率。
    • 基于秩的块设计：根据各阶段的内在秩来适应块设计，降低冗余，提高效率。YOLOv10提出了一种紧凑的反向块（CIB）结构，并设计了一种秩引导的块分配策略。
  3. 大核卷积和部分自注意力模块：
    • YOLOv10采用大核深度卷积来扩大感受野和增强模型能力，特别是在深度阶段利用了CIB中的大核深度卷积。
    • 部分自注意力模块的引入解决了自注意力在视觉任务中出现的高计算复杂度和内存占用问题，增强了模型的全局建模能力，提高了检测准确性和鲁棒性。

二、环境搭建

在配置好CUDA环境，并且获取到YOLOv10源码后，建议新建一个虚拟环境专门用于YOLOv10模型的训练。将YOLOv10加载到环境后，安装剩余的包。requirements.txt 中包含了运行所需的包和版本，利用以下命令批量安装：

pip install -r requirements.txt

三、构建数据集

YOLOv10模型的训练需要原图像及对应的YOLO格式标签，还未制作标签的可以参考我这篇文章：LabelImg安装与使用教程。

我的原始数据存放在根目录的data文件夹（新建的）下，里面包含图像和标签。
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
标签内的格式如下：
在这里插入图片描述
具体格式为 class_id x y w h，分别代表物体类别，标记框中心点的横纵坐标(x, y)，标记框宽高的大小(w, h)，且都是归一化后的值，图片左上角为坐标原点。

将原本数据集按照8：1：1的比例划分成训练集、验证集和测试集三类，划分代码如下。

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os
 
# 原始路径
image_original_path = "data/images/"
label_original_path = "data/labels/"
 
cur_path = os.getcwd()
# 训练集路径
train_image_path = os.path.join(cur_path, "datasets/images/train/")
train_label_path = os.path.join(cur_path, "datasets/labels/train/")
 
# 验证集路径
val_image_path = os.path.join(cur_path, "datasets/images/val/")
val_label_path = os.path.join(cur_path, "datasets/labels/val/")
 
# 测试集路径
test_image_path = os.path.join(cur_path, "datasets/images/test/")
test_label_path = os.path.join(cur_path, "datasets/labels/test/")
 
# 训练集目录
list_train = os.path.join(cur_path, "datasets/train.txt")
list_val = os.path.join(cur_path, "datasets/val.txt")
list_test = os.path.join(cur_path, "datasets/test.txt")
 
train_percent = 0.8
val_percent = 0.1
test_percent = 0.1
 
 
def del_file(path):
    for i in os.listdir(path):
        file_data = path + "\\" + i
        os.remove(file_data)
 
 
def mkdir():
    if not os.path.exists(train_image_path):
        os.makedirs(train_image_path)
    else:
        del_file(train_image_path)
    if not os.path.exists(train_label_path):
        os.makedirs(train_label_path)
    else:
        del_file(train_label_path)
 
    if not os.path.exists(val_image_path):
        os.makedirs(val_image_path)
    else:
        del_file(val_image_path)
    if not os.path.exists(val_label_path):
        os.makedirs(val_label_path)
    else:
        del_file(val_label_path)
 
    if not os.path.exists(test_image_path):
        os.makedirs(test_image_path)
    else:
        del_file(test_image_path)
    if not os.path.exists(test_label_path):
        os.makedirs(test_label_path)
    else:
        del_file(test_label_path)
 
 
def clearfile():
    if os.path.exists(list_train):
        os.remove(list_train)
    if os.path.exists(list_val):
        os.remove(list_val)
    if os.path.exists(list_test):
        os.remove(list_test)
 
 
def main():
    mkdir()
    clearfile()
 
    file_train = open(list_train, 'w')
    file_val = open(list_val, 'w')
    file_test = open(list_test, 'w')
 
    total_txt = os.listdir(label_original_path)
    num_txt = len(total_txt)
    list_all_txt = range(num_txt)
 
    num_train = int(num_txt * train_percent)
    num_val = int(num_txt * val_percent)
    num_test = num_txt - num_train - num_val
 
    train = random.sample(list_all_txt, num_train)
    # train从list_all_txt取出num_train个元素
    # 所以list_all_txt列表只剩下了这些元素
    val_test = [i for i in list_all_txt if not i in train]
    # 再从val_test取出num_val个元素，val_test剩下的元素就是test
    val = random.sample(val_test, num_val)
 
    print("训练集数目：{}, 验证集数目：{}, 测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
    for i in list_all_txt:
        name = total_txt[i][:-4]
 
        srcImage = image_original_path + name + '.jpg'
        srcLabel = label_original_path + name + ".txt"
 
        if i in train:
            dst_train_Image = train_image_path + name + '.jpg'
            dst_train_Label = train_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_train_Image)
            shutil.copyfile(srcLabel, dst_train_Label)
            file_train.write(dst_train_Image + '\n')
        elif i in val:
            dst_val_Image = val_image_path + name + '.jpg'
            dst_val_Label = val_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_val_Image)
            shutil.copyfile(srcLabel, dst_val_Label)
            file_val.write(dst_val_Image + '\n')
        else:
            dst_test_Image = test_image_path + name + '.jpg'
            dst_test_Label = test_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_test_Image)
            shutil.copyfile(srcLabel, dst_test_Label)
            file_test.write(dst_test_Image + '\n')
 
    file_train.close()
    file_val.close()
    file_test.close()

 
if __name__ == "__main__":
    main()

划分完成后将会在datasets文件夹下生成划分好的文件，其中images为划分后的图像文件，里面包含用于train、val、test的图像，已经划分完成；labels文件夹中包含划分后的标签文件，已经划分完成，里面包含用于train、val、test的标签；train.tet、val.txt、test.txt中记录了各自的图像路径。

在这里插入图片描述

在这里插入图片描述
在训练过程中，也是主要使用这三个txt文件进行数据的索引。

四、修改配置文件

①数据集文件配置

数据集划分完成后，在根目录文件夹下新建data.yaml文件，替代coco.yaml。用于指明数据集路径和类别，我这边只有一个类别，只留了一个，多类别的在name内加上类别名即可。data.yaml中的内容为：

path: ../datasets  # 数据集所在路径
train: train.txt  # 数据集路径下的train.txt
val: val.txt  # 数据集路径下的val.txt
test: test.txt  # 数据集路径下的test.txt

# Classes
names:
  0: wave

在这里插入图片描述

②模型文件配置

在ultralytics/cfg/models/v10文件夹下存放的是YOLOv10的各个版本的模型配置文件，检测的类别是coco数据的80类。在训练自己数据集的时候，只需要将其中的类别数修改成自己的大小。在根目录文件夹下新建yolov10n-test.yaml文件，此处以yolov10n.yaml文件中的模型为例，将其中的内容复制到yolov10n-test.yaml文件中 ，并将nc: 1 # number of classes 修改类别数` 修改成自己的类别数，如下：
在这里插入图片描述

在这里插入图片描述

# Parameters
nc: 1 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024] 

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, SCDown, [512, 3, 2]] # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, SCDown, [1024, 3, 2]] # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9
  - [-1, 1, PSA, [1024]] # 10

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 3, C2f, [512]] # 13

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 3, C2f, [256]] # 16 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, Concat, [1]] # cat head P4
  - [-1, 3, C2f, [512]] # 19 (P4/16-medium)

  - [-1, 1, SCDown, [512, 3, 2]]
  - [[-1, 10], 1, Concat, [1]] # cat head P5
  - [-1, 3, C2fCIB, [1024, True, True]] # 22 (P5/32-large)

  - [[16, 19, 22], 1, v10Detect, [nc]] # Detect(P3, P4, P5)

修改完成后，模型文件就配置好啦。

③训练文件配置

在进行模型训练之前，需要到官网下载预训练权重，权重地址为：https://github.com/THU-MIG/yolov10/releases
在这里插入图片描述

根据所选择的模型下载相应的权重，我这边下载的是yolov10n.pt，放在了根目录weights/yolov10n.pt路径下。

YOLOv10的超参数配置在ultralytics/cfg文件夹下的default.yaml文件中

在这里插入图片描述

在模型训练中，比较重要的参数是weights、data、epochs、batch、imgsz、device以及workers。

  • weight是配置预训练权重的路径，可以指定模型的yaml文件或pt文件。

  • data是配置数据集文件的路径，用于指定自己的数据集yaml文件。

  • epochs指训练的轮次，默认是100次，只要模型能收敛即可。

  • batch是表示一次性将多少张图片放在一起训练，越大训练的越快，如果设置的太大会报OOM错误，我这边在default中设置16，表示一次训练16张图像。设置的大小为2的幂次，1为2的0次，16为2的4次。

  • imgsz表示送入训练的图像大小，会统一进行缩放。要求是32的整数倍，尽量和图像本身大小一致。

  • device指训练运行的设备。该参数指定了模型训练所使用的设备，例如使用 GPU 运行可以指定为device=0，或者使用多个 GPU 运行可以指定为 device=0,1,2,3，如果没有可用的 GPU，可以指定为 device=cpu 使用 CPU 进行训练。

  • workers是指数据装载时cpu所使用的线程数，默认为8，过高时会报错：[WinError 1455] 页面文件太小，无法完成操作，此时就只能将workers调成0了。

模型训练的相关基本参数就是这些啦，其余的参数可以等到后期训练完成进行调参时再详细了解。

五、模型训练和测试

模型训练

由于YOLOv10未提供单独的训练程序用于训练，而只是使用命令行进行训练，此处提供两种训练方法，一是在终端使用命令行进行训练；二是新建训练程序，配置参数进行训练。

（1）、在终端使用命令行进行训练

打开终端或新建终端后，输入命令：

yolo detect train data=data.yaml model=yolov10n-test.yaml epochs=300 batch=16 imgsz=640 device=0 workers=8

（2）、新建训练程序，配置参数进行训练

在项目根目录下新建train.py文件，输入以下内容后运行当前文件即可开始训练。

from ultralytics import YOLOv10
 
# 加载模型
model = YOLOv10("yolov10n-test.yaml")  # 模型结构
model = YOLOv10("weights/yolov10n.pt")  # 加载预训练权重
if __name__ == '__main__':
    model.train(data="data.yaml", imgsz=640, batch=32, epochs=300, workers=8)  # 训练模型

在这里插入图片描述
在这里插入图片描述

训练完成后，将会在runs/detect/train/weights文件夹下存放训练后的权重文件。

模型测试

（1）、在终端使用命令行进行测试

打开终端或新建终端后，输入命令：

yolo detect val data=data.yaml model=runs/detect/train/weights/best.pt batch=16 imgsz=640 split=test device=0 workers=8

（2）、新建训练程序，配置参数进行训练

在项目根目录下新建val.py文件，输入以下内容后运行当前文件即可开始测试。

from ultralytics import YOLOv10
 
def main():
    # 加载模型，split='test'利用测试集进行测试
    model = YOLOv10(r"runs/detect/train/weights/best.pt")
    model.val(data="data.yaml", split='test', imgsz=640, batch=16, device=0, workers=8)  #模型验证
if __name__ == "__main__":
    main()

在这里插入图片描述

总结

以上就是YOLOv10训练自己数据集的全部过程啦，欢迎大家在评论区交流~

Limiiiing
关注
  • 48
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
YOLOv10 | 手把手教你利用yolov10训练自己数据集（含环境搭建、参数解析 、数据集查找、模型训练、推理、导出）
Snu77的博客
05-26 1万+
本文内含YOLOv10网络结构图 + 各个创新模块手撕结构图 + 训练教程 + 推理教程 + 参数解析 + 环境搭建 + 数据集获取等一些有关YOLOv10的内容！目录一、前言二、整体网络结构图三、空间-通道分离下采样3.1 SCDown介绍3.2 C2fUIB介绍3.3 PSA介绍四、环境搭建五、数据集获取六、模型获取七、模型训练7.1 训练的三种方式7.1.1 方式一7.1.2 方式二（推荐）7.1.3 方式三八、模型验证/测试九、模型推理十、模型输出官方论文地址点击此处即可跳转。
手把手教你使用YOLOv10训练自己数据集（含环境搭建 、数据集查找、模型训练、测试）
tsg6698的博客
06-11 3713
在过去的几年里，YOLO 因其在计算成本和检测性能之间的有效平衡而成为实时目标检测领域的主要范例。研究人员对 YOLO 的架构设计、优化目标、数据增强策略等进行了探索，取得了显着进展。然而，后处理对非极大值抑制（NMS）的依赖阻碍了 YOLO 的端到端部署，并对推理延迟产生不利影响。此外，YOLO中各个组件的设计缺乏全面彻底的检查，导致明显的计算冗余并限制了模型的能力。它提供了次优的效率，以及相当大的性能改进潜力。在这项工作中，我们的目标是从后处理和模型架构方面进一步提升 YOLO 的性能效率边界。
YOLOv9-使用YOLOv9训练自己的数据集-目标检测算法训练-优质算法项目实战.zip
03-15
YOLOv9_使用YOLOv9训练自己的数据集_目标检测算法训练_优质算法项目实战
YOLO V10安装、使用、训练大全
青啊青斯博客
07-10 6225
YoloV10
YOLOv10训练教程—用YOLOv10训练自己的数据集
深度学习
06-03 2491
YOLOv10 是清华大学研究人员在 UltralyticsPython 清华大学的研究人员在 YOLOv10软件包的基础上，引入了一种新的实时目标检测方法，解决了YOLO 以前版本在后处理和模型架构方面的不足。通过消除非最大抑制（NMS）和优化各种模型组件，YOLOv10 在显著降低计算开销的同时实现了最先进的性能。并用大量实验证明，YOLOv10 在多个模型尺度上实现了卓越的精度-延迟权衡。
【3】使用YOLOv8训练自己的【目标检测】数据集-【收集数据集】-【标注数据集】-【划分数据集】-【配置训练环境】-【训练模型】-【评估模型】-【导出模型】
热门推荐
YOLOv8项目贡献者
04-08 3万+
在自定义数据上训练YOLOv8目标检测模型的步骤可以总结如下
YOLOv10训练自己的数据集
qq_54134410的博客
06-03 3699
至此，整个YOLOv10的训练预测阶段完成，与YOLOv8差不多。欢迎各位批评指正。
模型训练篇 | yolov10来了！手把手教你如何用yolov10训练自己的数据集（含网络结构 + 模型训练 + 模型推理等）
突然好想你
06-04 1万+
YOLOv10推出的消息引发了AI界的关注，它被认为是计算机视觉领域的突破性框架，以实时的端到端目标检测能力而闻名，通过提供结合效率和准确性的强大解决方案，延续了YOLO系列的传统。新版本发布之后，很多人已经进行了部署测试，效果不错，本节课就带领大家如何基于YOLOv10训练模型并推理测试！~🌈
YOLOv10训练自己的数据集（AutoDL算力云）
weixin_45314480的博客
06-27 898
将数据集放在dataset目录下目录格式如下：图片以JPG格式放在JPEGImages中标签放在Annotations中YOLO格式需要的txt放在txt中。
【yolov10】使用自己的数据集训练目标检测模型
海风的博客
05-26 7049
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。
使用YOLOv10训练自己的数据集
BiGmowang的博客
06-01 1370
（超详细）Python+PyCharm的安装步骤及PyCharm的使用（含快捷键）_python pycharm-CSDN博客。总体效果还是比其他版本好很多的，但是我的训练时间貌似比v8长不少，这里论文中也给出了解释。直接选用大家都有cpu训练，如果要使用GPU，将值改为0 即可，GPU使用依赖与yolov8一致。yolov10封装的很好，使用起来没什么难度，参考官方给的文档就能跑起来。使用PyCharm打开下载的yolov10源码，右下角切换到创建的环境。参考两位博主的论文分析。
Yolov8基本介绍+训练自己数据集
04-16
通过以上步骤，可以在Ubuntu 22.04上成功搭建YOLOv8的开发环境，并对自定义数据集进行实例分割训练。这不仅有助于深入理解YOLOv8的工作原理，还能让开发者针对特定应用定制模型，实现更高效的检测和分割效果。
yolov8实例分割训练和测试过程用到的所有代码文件
10-13
在本文中，我们将深入探讨YOLOv8实例分割训练和测试过程中的关键代码文件及其功能。YOLO（You Only Look Once）是一种实时目标检测算法，而YOLOv8是其最新版本，它在前几代的基础上进行了优化，提高了速度和准确性，...
YOLOv8 训练自己的分割数据集
YOLOv8项目贡献者
11-25 7224
如何使用YOLOv8训练分割数据集？
YOLOv10真正实时端到端目标检测（原理介绍+代码详见+结构框图）| YOLOv10如何训练自己的数据集（NEU-DET为案列）
05-27 4416
真正实时端到端目标检测（原理介绍+代码详见+结构框图）| YOLOv10如何训练自己的数据集（NEU-DET为案列）
YOLOv10GPU训练自己的数据（含网络结构图） (草履虫都能看懂系列)
flpmmpfl的博客
06-13 4771
YOLOv10是清华大学的研究人员在Ultralytics Python包的基础上，引入了一种新的实时目标检测方法，解决了YOLO 以前版本在后处理和模型架构方面的不足。通过消除非最大抑制（NMS）和优化各种模型组件，YOLOv10 在显著降低计算开销的同时实现了最先进的性能。大量实验证明，YOLOv10 在多个模型尺度上实现了卓越的精度-延迟权衡。
yolov10来了！用yolov10训练自己的数据集（原理、训练、部署、应用）
Java开发，人工智能，边缘计算，致力于掌握前沿技术
07-31 1056
在我们深入探讨YOLOv10之前，让我们回顾一下YOLO的发展历程。YOLO在实时目标检测领域一直是先驱，兼顾速度和准确性。从YOLOv1到YOLOv9，每个版本在架构、优化和数据增强方面都引入了显著的改进。然而，随着模型的发展，某些限制依然存在，特别是对后处理依赖非极大值抑制（NMS），这会减慢推理速度。YOLOv10正面解决了这些挑战，使其成为实时应用中稳健高效的模型。清华大学研究人员推出的YOLOv10，作为首个无NMS目标检测模型，代表了计算机视觉领域的重大进步。
YOLOv10训练，适合小白训练，新手YOLOv10训练自己数据集教程！超简单，超详细！！
最新发布
weixin_51692073的博客
08-17 778
YOLOv10训练，适合小白训练，新手YOLOv10训练自己数据集教程！超简单，超详细！！
YOLOv10最详细全面讲解2- 目标检测-环境搭建、训练自己的数据集
tqh267的博客
05-29 8791
本人基于继续往下进行，主要包括环境搭建、训练自己的数据集。
yolov10训练自己的数据集
06-13
YOLO（You Only Look Once）是一种实时目标检测算法，YOLOv10是YOLO系列的最新版本之一，它在前几代的基础上进行了优化和改进。训练自己的数据集是使用YOLO进行目标检测任务的关键步骤，下面是一些关键步骤： 1. 数据收集：首先，你需要一个包含目标物体及其对应标注信息（边界框坐标、类别标签）的数据集。数据集应包括不同角度、光照和背景的图像，以提高模型的泛化能力。 2. 数据预处理：对图片进行标准化，如调整大小（通常保持网络输入尺寸的一致性），转换为RGB格式，并将像素值缩放到特定的范围（例如[0, 1]或[-1, 1]）。 3. 创建标注文件：对于YOLO，需要的是`.txt`格式的标注文件，每个条目包含图像文件名、类别的ID、以及对应的框信息（左上角和右下角坐标）。 4. 数据划分：将数据集划分为训练集、验证集和测试集，通常比例可能为70%、15%和15%，以便在训练过程中进行模型选择和性能评估。 5. 配置文件：准备YOLOv10的训练配置文件，其中定义了训练参数、优化器、损失函数、学习率策略等。 6. 模型训练：使用深度学习框架（如TensorFlow或PyTorch）加载预训练的YOLOv10模型，然后使用自定义数据集进行训练。训练过程可能需要一段时间，取决于数据量、GPU性能和设置的超参数。 7. 模型评估与调整：训练完成后，用验证集评估模型性能。如果效果不理想，可能需要调整网络结构、优化器参数或训练参数，然后重新训练。
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

Limiiiing

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