目标检测概述-VOC COCO数据集 IOU AP NMS

已于 2022-06-07 10:21:55 修改
阅读量2.1k 收藏 10
点赞数 3
文章标签： 目标检测 人工智能 cnn
于 2022-06-06 11:30:46 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_44817900/article/details/125143523
版权

1 目标检测

目标检测任务=分类+定位

  • 目标检测位置信息表示方式(一般图像左上角为0，0)：
    • 极坐标表示(xmin,ymin,xmax,ymax)即左上角坐标和右下角坐标
    • 中心点表示(x_center,y_center,w,h)

2 常用的目标检测数据集

PASCAL VOC数据集 和 MS COCO数据集。

2.1 PASCAL VOC数据集

PASCAL VOC包含约10,000张带有边界框的图片用于训练和验证。常用的是VOC2007和VOC2012两个版本数据，共20个类别，分别是：

其目录结构如下：

在这里插入图片描述

  • JPEGImages存放图片文件

  • Annotations下存放的是xml文件,描述了图片信息（每个图片都对应一个xml文件）。如下图所示：
    在这里插入图片描述

  • ImageSets包含以下4个文件夹：

    • Action下存放的是人的动作（例如running、jumping等等）
    • Layout下存放的是具有人体部位的数据（人的head、hand、feet等等）
    • Segmentation下存放的是可用于分割的数据。
    • Main下存放的是图像物体识别的数据，总共分为20类，这是进行目标检测的重点。该文件夹中的数据对负样本文件进行了描述。

2.2 COCO数据集

全称是Microsoft Common Objects in Context

目前为止目标检测的最大数据集，提供的类别有80 类，有超过33 万张图片，其中20 万张有标注，整个数据集中个体的数目超过150 万个。

在这里插入图片描述

coco的标签文件：标记每个segmentation+bounding box的精确坐标

{“segmentation”:[[392.87, 275.77, 402.24, 284.2, 382.54, 342.36, 375.99, 356.43, 372.23, 357.37, 372.23, 397.7, 383.48, 419.27,407.87, 439.91, 427.57, 389.25, 447.26, 346.11, 447.26, 328.29, 468.84, 290.77,472.59, 266.38], [429.44,465.23, 453.83, 473.67, 636.73, 474.61, 636.73, 392.07, 571.07, 364.88, 546.69,363.0]], “area”: 28458.996150000003, “iscrowd”: 0,“image_id”: 503837, “bbox”: [372.23, 266.38, 264.5,208.23], “category_id”: 4, “id”: 151109},

3 评价指标

3.1 IOU

IoU（intersection over union，交并比）是2个矩形框之间相似度：IoU = 两个矩形框相交的面积 / 两个矩形框相并的面积

如图：

在这里插入图片描述

实现方法：


def IoU(box1, box2, wh = False):
    if wh ==False:
        # 当使用的不是中心位置坐标表示，分别获取其左上角和右下角坐标
        xmin1, ymin1, xmax1, ymax1 = box1
        xmin2, ymin2, xmax2, ymax2 = box2
    else:
        # 当使用的是中心点坐标表示时，换成极坐标表示:左上角:中心点 - 高宽一般，右下角：中心点 + 高宽一半
            # 第一个框的转换
        xmin1, ymin1 = int(box1[0] - box1[2]/2.0), int(box1[1] - box1[3]/2.0)
        xmax1, ymax1 = int(box1[0] + box1[2]/2.0), int(box1[1] + box1[3]/2.0)
            # 第二个框转换
        xmin2, ymin2 = int(box2[0] - box2[2]/2.0), int(box2[1] + box2[3]/2.0)
        xmax2, ymax2 = int(box2[0] + box2[2]/2.0), int(box2[1] + box2[3]/2.0)
    # 相交框的左上角坐标和右下角,左上角取大，右下角取小
    xx1 = np.max([xmin1, xmin2])
    yy1 = np.max([ymin1, ymin2])
    xx2 = np.min([xmax1, xmax2])
    yy2 = np.min([ymax1, ymax2])
    # 计算相交框面积
    inter_area = (np.max([0, xx2 - xx1])) * (np.max([yy2 - yy1]))
    # 计算并的面积 两个框面积-相交面积
    area1 = (xmax1 - xmin1) * (ymax1 - ymin1)
    area2 = (xmax2 - xmin2) * (ymax2 - ymin2)
    uion_area = area1 + area2 - inter_area
    return inter_area / (uion_area + 1e-6)

3.1.1 测试IOU方法

  • 现在有一张狗的图片，对其设置真实框和预测框，并显示。

    • 
import matplotlib.pyplot as plt
import matplotlib.patches as patches
# 真实框与预测框
True_bbox, predict_bbox = [100, 35, 398, 400], [40, 150, 355, 398]
# bbox是bounding box的缩写
img = plt.imread('/tmp/pycharm_project_236/dog.jpeg')
fig = plt.imshow(img)
# 绘制真实框和预测框
fig.axes.add_patch(plt.Rectangle(
    xy=(True_bbox[0], True_bbox[1]), width=True_bbox[2]-True_bbox[0], height=True_bbox[3]-True_bbox[1],
    fill=False, edgecolor="blue", linewidth=2))
# 预测框绘制
fig.axes.add_patch(plt.Rectangle(
    xy=(predict_bbox[0], predict_bbox[1]), width=predict_bbox[2]-predict_bbox[0], height=predict_bbox[3]-predict_bbox[1],
    fill=False, edgecolor="red", linewidth=2))

    • 调用方法计算IOU

      IoU(True_bbox, predict_bbox)

3.2 mAP(Mean Average Precision)

上一节中IOU只是对定位进行评估，为了衡量定位+分类用AP

mAP是指多个分类任务的AP平均值，而AP是PR曲线下的面积。

  • TP FP FN TN的概念

    • TP（True Positive）机器学习中： 被模型预测为正类的正样本的数量 *目标检测中：*IoU > IoU阈值 的检测框数量
    • FP (False Positive) 机器学习中： 被模型预测为正类的负样本的数量 *目标检测中：*IoU <= IoU阈值 的检测框数量
    • FN (False Negative) 机器学习中： 被模型预测为负类的正样本的数量 *目标检测中：*没有检测到的GT数量
    • TN (True Negative) 机器学习中： 被模型预测为负类的负样本的数量 *目标检测中：*不使用

  • 查全率 查准率 (精确率 召回率)

    • 查准precision：TP/(TP+FP)

    • 查全Recall：TP/(TP+FN)

    • 其中 all detections 是所有预测框， all ground truths 是所有GT框

  • AP与mAP具体计算过程：

    • 初始情况如下：7张图片->15个GT框->24个预测框(A-Y并带有类别置信度)

    • 定义：预测边框与 GT 的 IOU 值大于等于 0.3 就标记为 TP；若一个 GT 有多个预测边框，则认为 IOU 最大且大于等于 0.3 的预测框标记为 TP，其他的标记为 FP，即一个 GT 只能有一个预测框标记为 TP。第一步：对每张图像每个检测框与GT计算IOU，大于阈值为TP，否则为FP，结果如下图

    • 第二步，根据类别置信度对预测框进行排序，再逐行计算查准率§和查全率®,如下图

      • 第一行的计算：Precision=TP/(ACC TP+ACC FP)=1/(1+0)=1以及Recall=TP/(TP+FN)=TP/(all ground truths)=1/15=0.0666
      • 第二行的计算：Precision=TP/(TP+FP)=1/(1+1)=0.5 以及 Recall=TP/(TP+FN)=TP/(all ground truths)=1/15=0.0666
      • *其中ACC TP 以及ACC FP的计算：*第一次计算时，R检测框结果为TP，ACC TP累加1为1， ACC FP 不做累加为0。第二次计算时，Y检测框结果为FP，ACC TP不做累加还为1，ACC FP累加为1。依次类推累加，J检测框结果为TP，ACC TP累加为2， ACC FP不做累加还未1。则第三行计算如下
      • 第三行的计算：Precision=TP/(TP+FP)=2/(2+1)=0.6666 以及 Recall=TP/(TP+FN)=TP/(all ground truths)=2/15=0.1333

    • 第三步，绘制PR曲线，并计算AP(PR曲线下的面积)，计算方式有两种，PR曲线绘制如下

      • VOC2010以前，只需要选取当Recall = 0, 0.1, 0.2, …, 1共11个点时的Precision最大值，然后AP就是这11个Precision的平均值，计算结果如下：

        [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BNIoXzti-1654485842238)(D:\Desktop\CV_tensorflow笔记\目标检测\图片库\voc10的ap计算结果.png)]

      • VOC2010以后，需要针对每一个不同的Recall值（包括0和1），选取其大于等于这些Recall值时的Precision最大值，通过这类方式选取后PR曲线的变成了如下图的折线(红色部分)

        [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WCUbUocE-1654485842238)(D:\Desktop\CV_tensorflow笔记\目标检测\图片库\VOC10后的折线.png)]

        然后计算AP变成了计算折线下面积，也变成了计算几个不同长方形的面积和(本例是4个长方形)

3.3 NMS

目标检测任务中，如RCNN，有2000个预测框，如何得到正确预测的框呢？同时2000个框中也会存在多个框都能表达同一个GT，如何取舍呢？需要用到NMS来筛选出最终的最优结果。

如下图：

  • NMS原理：对于预测框的列表B及其对应的置信度S,选择具有最大score的检测框M,将其从B集合中移除并加入到最终的检测结果D中.通常将B中剩余检测框中与M的IoU大于阈值Nt的框从B中移除.重复这个过程,直到B为空。

  • NMS举例：

    • 如下图，有A、B、C、D、E 5个候选框

    • 进行迭代运算：

      • 第一轮：因为B是得分最高的，与B的IoU＞0.5删除。则DE被删除，B作为一个预测结果保留到预测结果集合中。
      • 第二轮：预测框集合中A得分最高，与A的IoU＞0.5删除。则C删除，A最为一个预测结果保留到预测结果集合中。
      • 最终筛选出了两个最优结果。

  • NMS代码：

    import numpy as np
def nms(bboxes, confidence_score, threshold):
    """非极大抑制过程
    :param bboxes: 同类别候选框坐标
    :param confidence: 同类别候选框分数
    :param threshold: iou阈值
    :return:
    """
    # 1、传入无候选框返回空
    if len(bboxes) == 0:
        return [], []
    # 强转数组
    bboxes = np.array(bboxes)
    score = np.array(confidence_score)

    # 取出n个的极坐标点
    x1 = bboxes[:, 0]
    y1 = bboxes[:, 1]
    x2 = bboxes[:, 2]
    y2 = bboxes[:, 3]

    # 2、对候选框进行NMS筛选
    # 返回的框坐标和分数
    picked_boxes = []
    picked_score = []
    # 对置信度进行排序, 获取排序后的下标序号(argsort返回的下标), argsort默认从小到大排序
    order = np.argsort(score)
    areas = (x2 - x1) * (y2 - y1)
    while order.size > 0:
        # 将当前置信度最大的框加入返回值列表中
        index = order[-1]
        #保留该类剩余box中得分最高的一个
        picked_boxes.append(bboxes[index])
        picked_score.append(confidence_score[index])

        # 获取当前置信度最大的候选框与其他任意候选框的相交面积
        x11 = np.maximum(x1[index], x1[order[:-1]])
        y11 = np.maximum(y1[index], y1[order[:-1]])
        x22 = np.minimum(x2[index], x2[order[:-1]])
        y22 = np.minimum(y2[index], y2[order[:-1]])
        # 计算相交的面积,不重叠时面积为0
        w = np.maximum(0.0, x22 - x11)
        h = np.maximum(0.0, y22 - y11)
        intersection = w * h

        # 利用相交的面积和两个框自身的面积计算框的交并比
        ratio = intersection / (areas[index] + areas[order[:-1]] - intersection)
        # 保留IoU小于阈值的box
        keep_boxes_indics = np.where(ratio < threshold)
        # 保留剩余的框
        order = order[keep_boxes_indics]
    # 返回NMS后的框及分类结果   
    return picked_boxes, picked_score

参考资料

  1. 黑马视频
  2. https://zhuanlan.zhihu.com/p/107989173
Rui@
关注
YOLOv8改进策略【损失函数篇】| 引入Soft-NMS，提升密集遮挡场景检测精度，包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS
Limiiiing的博客
12-11 1415
传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。本文将YOLOv8默认的NMS修改成GIoU-NMSDIoU-NMSCIoU-NMSSIoU-NMSEIou-NMS。
增强型YOLOv5应用于扩展PASCAL VOC数据集
Jurio的博客
03-06 1234
本研究采用YOLOv5s模型，通过Fine-tune和Full-train两种方法，在PASCAL VOC 2007与扩展后的数据集上进行了目标检测任务（提供利用COCO扩展VOC数据集的详细代码！！！）。Fine-tune结果表明模型在多数类别上展现出高精度与召回率，尤其在新加入的“大象”类别上表现突出，但在类别间的混淆及少数误检上仍需优化。Full-train显示模型在没有预训练辅助下的表现有所波动，尤其是对小物体和复杂场景的识别准确度下降，但在特定类别上依旧保持较高的识别能力。
目标检测训练数据集（VOC）制作教程
03-29
这个文档教程，一步步教你如何处理，制作自己的数据集进行目标检测的训练，这分教程教你制作标准的VOC数据集格式训练自己的目标检测模型。
目标检测数据集PASCAL VOC简介
热门推荐
浩瀚之水的专栏
03-07 1万+
简介 PASCAL VOC挑战赛 （ThePASCALVisual Object Classes ）是一个世界级的计算机视觉挑战赛,PASCAL全称：Pattern Analysis, Statical Modeling and Computational Learning，是一个由欧盟资助的网络组织。 很多优秀的计算机视觉模型比如分类，定位，检测，分割，动作识别等模型都是基于PASCAL VOC挑战赛及其数据集上推出的，尤其是一些目标检测模型（比如大名鼎鼎的R CNN系列，以及后面的YOL...
目标检测——COCO数据集
qq_38220914的博客
03-07 467
该数据集以场景理解为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的segmentation进行位置的标定。COCO数据集的第一个版本于2014年发布，包含16.4万张图像，分为训练集(8.3万张)、验证集(4.1万张)和测试集(4.1万张)。COCO数据集的每个图像都包含五句图像的语句描述，这些描述由人工编写，并用于评估图像标题生成算法的性能。总的来说，COCO数据集是一个非常丰富和多样的目标检测数据集，它为研究者提供了大量的标注信息，以帮助他们开发和评估新的目标检测算法。
VOC 数据集
weixin_33781606的博客
12-24 209
可变形网络 ：https://github.com/msracver/Deformable-ConvNets VOC数据集： Test 参数 ('PascalVOC', '2007_test', './data', './data/VOCdevkit', './output/rcnn/voc/resnet_v1_101_voc0712_rcnn_dcn_end2end/2007_test')...
VOC数据集 目标检测
weixin_30394251的博客
05-02 691
最近在做与目标检测模型相关的工作,很多都要求VOC格式的数据集. PASCAL VOC挑战赛 （The PASCAL Visual Object Classes ）是一个世界级的计算机视觉挑战赛, PASCAL全称：Pattern Analysis, Statical Modeling and Computational Learning，是一个由欧盟资助的网络组织。很多模型都基于此数据集推出.比...
适用于目标检测VOC格式的数据增强工具包，包含各种像素级增广方式和形变增广，
09-06
数据格式转换：coco_2_voc、xml_for_u_yolo等.zip 目标检测任务可分为两个关键的子任务，目标定位和目标分类。首先检测图像中目标的位置（目标定位），然后给出每个目标的具体类别（目标分类）。输出结果是一个边界...
【目标检测】基于yolov5的安全帽佩戴检测系统(附代码和数据集)
学无止境、积少成多、厚积薄发
03-30 2638
【目标检测】基于yolov5的安全帽佩戴检测系统(附代码和数据集)
目标检测模型的评价标准-AP与mAP
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-08 1955
为了了解模型的泛化能力，即判断模型的好坏，我们需要用某个指标来衡量，有了评价指标，就可以对比不同模型的优劣，并通过这个指标来进一步调参优化模型。对于分类和回归两类监督模型，分别有各自的评判标准，目标检测模型评价指标主要包含 f1、ap、map、roc计算公式及代码实现与auc曲线绘制等。
Voc 数据集
01-18
VOCtest_06-Nov-2007.tar VOCtrainval_06-Nov-2007.tar VOCtrainval_11-May-2012.tar
VOC2007目标检测ground truth制作
01-13
用于制作目标检测的ground truth，一副图片只能标记一个目标
【DataWhale Obj Dec Task01】目标检测基础
dudu199806的博客
12-14 578
这里写自定义目录标题目标检测的基本概念理解实现目标框的表达形式两种格式转换代码交并比（IoU）voc数据集下载数据集类别voc数据集dataloader的构建1.数据集的准备构建dataloader小结 目标检测的基本概念 报名参加datawhale的目标检测组队学习，虽然做objdec有一段时间了，但是还没有系统的记录过自己的学习历程，就借此机会记录一下自己的感想和经历吧，就当是记笔记了。 理解 目标检测实际上也是一种分类算法，利用对整张图的遍历或者anchor来将带有目标的图像输入网络进行分类，并通过l
VOC数据集介绍以及读取（目标检测object detection）
就是氧气的博客
07-04 1万+
VOC（Visual Object Classes）数据集是一个广泛使用的计算机视觉数据集，主要用于目标检测、图像分割和图像分类等任务。VOC数据集最初由英国牛津大学的计算机视觉小组创建，并在PASCAL VOC挑战赛中使用。VOC数据集包含各种不同类别的标记图像，每个图像都有与之相关联的边界框（bounding box）和对象类别的标签。数据集中包括了20个常见的目标类别，例如人、汽车、猫、狗等。此外，VOC数据集还提供了用于图像分割任务的像素级标注。
【目标检测】VOC数据集介绍
haru_x的博客
04-19 3331
目标检测中常用的voc数据集介绍及如何制作自己的voc格式数据集
深度学习 目标检测 之 VOC数据集
Dontla的博客
08-31 733
参考文章1：PASCAL VOC 数据集简介
PaddleDetection 自定义VOC数据集进行目标检测
码王吴彦祖的博客
06-17 2690
现在百度飞桨的框架越做越火热，pp飞桨的目标检测框架开发套件也发布多时了，本文就利用自定义的VOC数据集来进行目标检测.
目标检测voc数据集制作
water_93的博客
06-28 1181
目标检测之voc数据集制作 1.voc数据集结构 Annotations：存放检测物体在图片上的坐标位置xml文件 JPEGImages：存放训练和验证的图片 ImageSets：文件下有三个子文件夹，Layout、Main和Segmentation，其中我们关注Main文件夹就OK了，Main文件夹里train.txt，val.txt，trainval.txt，test.txt这四个tx...
目标检测中用数据集训练
最新发布
03-24
<think>好的，用户想了解目标检测中用数据集训练的过程。首先，我需要回忆目标检测的基本流程和相关技术。目标检测不同于分类，还涉及定位，所以需要边界框和类别标签的数据集。常用数据集有COCO、PASCAL VOC等，这些数据集的结构应该解释清楚。 接下来，用户可能需要知道训练的具体步骤，比如数据预处理、模型选择、损失函数、训练过程、评估指标等。得确保每个步骤都简明扼要，用例子说明。例如，数据增强方法有哪些，模型方面可能提到Faster R-CNN、YOLO、SSD等主流算法。 另外，用户可能对损失函数的具体组成不太清楚，需要分解定位损失和分类损失，比如Smooth L1和交叉熵。训练过程中的超参数如学习率、批次大小也需要提及，可能还要提到学习率调整策略。 评估指标部分，AP和mAP是必须的，需要解释清楚它们的计算方式。可能还需要提到常见的挑战，如类别不平衡、小目标检测，以及解决方案，比如数据增强、多尺度训练等。 要注意用户的背景，可能不熟悉技术细节，所以语言要通俗易懂，避免过多数学公式，但根据系统指令，公式需要用$...$或$$...$$。比如在损失函数部分，可以写出公式但用中文解释清楚。 还需要检查是否有遗漏的关键点，比如数据集的划分（训练集、验证集、测试集），过拟合的应对方法（正则化、早停），以及预训练模型的使用。这些都能帮助用户全面理解训练流程。 最后，确保结构清晰，分步骤讲解，每个部分用标题和列表整理，方便阅读。同时按照系统要求，行内公式用$...$，独立公式单独成段，并正确使用LaTeX语法。比如AP的计算公式可能需要独立显示，而损失函数的组成部分可以用行内公式。</think>目标检测的训练流程可分为以下几个关键步骤，以下将分步说明： 一、数据集准备 1. 数据标注要求 - 每张图像需标注目标物体的边界框（BBox）和类别标签 - 常用格式：COCO（JSON）、PASCAL VOC（XML）、YOLO（txt） - 示例标注：$[x_{center}, y_{center}, width, height]$（归一化坐标） 2. 数据预处理 • 标准化：$\frac{x - \mu}{\sigma}$（均值归一化） • 增强方法： - 几何变换：翻转（概率>0.5时水平翻转）、旋转（±15°随机角度） - 色彩扰动：对比度（调整系数$\gamma \in [0.5,1.5]$）、饱和度抖动 - 马赛克增强（4图拼接） 二、模型构建 1. 网络架构选择 | 模型类型 | 特点 | 适用场景 | |----------------|-------------------------------|-----------------| | Faster R-CNN | 两阶段检测，精度高 | 高精度需求 | | YOLOv5/v8 | 单阶段检测，速度快 | 实时检测 | | RetinaNet | 焦点损失解决类别不平衡 | 长尾分布数据 | 2. 损失函数设计 $$ \mathcal{L} = \lambda_{reg}\mathcal{L}_{reg} + \lambda_{cls}\mathcal{L}_{cls} $$ - 回归损失：$\mathcal{L}_{reg} = \text{SmoothL1}(pred_{bbox}, gt_{bbox})$ - 分类损失：$\mathcal{L}_{cls} = -\sum y_i \log(p_i)$（交叉熵） 三、训练过程 1. 参数初始化 - Backbone：ImageNet预训练权重 - 新层：He正态初始化（方差=$\sqrt{2/n_{in}}$） 2. 优化策略 ```python # 典型配置示例 optimizer = SGD(lr=0.01, momentum=0.9, weight_decay=5e-4) scheduler = CosineAnnealingLR(T_max=200) ``` 3. 训练技巧 - 多尺度训练：$img\_size \in \{320, 416, 512\}$ - EMA更新：$\theta_{ema} = \beta\theta_{ema} + (1-\beta)\theta$ - 梯度裁剪：$\|\Delta w\| \leq 1.0$ 四、评估与调优 1. 核心指标 $$ AP = \int_0^1 p(r)dr $$ $$ mAP = \frac{1}{N}\sum_{c=1}^N AP_c $$ 2. 常见问题对策 - 漏检：增加正样本阈值（IoU>0.5→0.6） - 误检：提升NMS阈值（0.4→0.45） - 定位不准：增加回归损失权重（$\lambda_{reg}$×1.5） 五、部署优化 1. 模型压缩 - 量化：FP32→INT8（精度损失<2%） - 剪枝：移除<0.1重要度的通道 - 蒸馏：用教师模型（mAP 45.6%）指导学生模型 实际训练建议： 1. 初始学习率设为基准值的1/3逐步提升 2. 每epoch验证集评估，早停策略（patience=15） 3. 使用SWA（随机权重平均）提升最终模型鲁棒性 通过系统化的训练流程设计，可使目标检测模型在精度和速度间达到最佳平衡。实际应用中需根据硬件条件（如GPU显存）调整批量大小，建议至少使用16GB显存进行全尺寸训练。
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
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