从零开始使用YOLOv8【Debug解析源码系列】——第一部分：YOLO模型加载流程解构+Detection模型网络层torch加载解析

置顶 已于 2024-11-27 08:49:04 修改
阅读量3.8k 收藏 118
点赞数 39
分类专栏： Yolo使用教程与源码解析系列 文章标签： YOLO 目标检测
于 2024-08-27 15:59:12 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_58718853/article/details/141122605
版权

       

目录

一、模型加载流程

        1.一图总览       

        2. pt文件部署模型加载方式

        (1) YOLO类

        (2) Model类self._load——加载定义好的模型

        (3) DetectionModel类

        3.yaml文件部署模型加载方式

        (1) Model类self._new——创建新模型

        (2) YOLO类下的self.task_map——便捷加载预先定义好的模型

二、DetectionModel类详解

        1.基于配置文件和打印信息分析模型架构

        (1) 配置文件中的模型信息

        (2) 结合加载打印信息的模型网络分析

         2.详解DetectionModel中parse_model加载模型

         3.自定义模型接入ultralytics框架

        (1) 一个极简尝试

        在上篇文章中记录了如何下载yolov8源码、环境安装配置和模型的一些官方给出的基本使用方法——文章链接：从零开始使用YOLOv8——环境配置与极简指令（CLI）操作

        尽管官方给出的微调训练已经具有非常好的拓展应用性能，但对于一些特殊任务，可能需要更底层的代码修改（如进行强化学习的部署训练），此时需要对源码进行理解筛选，选出需要的模型源码部分进行复现。

        本系列主要精力集中在对模型源码的使用上，不对其背后原理进行探究，旨在使用pycharm的debug功能了解yolov8实现功能的每一个流程步骤的顺序和其对应的功能函数。本部分专注于模型的加载部分代码，后续将继续对模型的预测和训练等进行解析。

9cdbe02bc3bb4d68beaa64b8ddc40b2c.png

一、模型加载流程

        ultralytics支持多种加载模型的方式，应当前项目实际需要，此处只针对其中的两种数据格式——.pt 文件和 .yaml 文件。下面是根据官方文档使用设计的一个简单的模型加载测试代码。

from ultralytics import YOLO

# pt文件加载模型
yolo_pt_weights = './yolo_weights/best.pt'
yolo_model_pt = YOLO(model=yolo_pt_weights)

# yaml文件加载模型
yolo_yaml_weights = './yolo_weights/yolov8.yaml'
yolo_model_yaml = YOLO(model=yolo_yaml_weights)

        1.一图总览       

        下图简略展示了YOLO模型两种加载模型方式的流程图。不同颜色的大方框代表其使用的不同的基本类信息。
8ec7facfe364465c9a419a6166d13497.jpeg

        2. pt文件部署模型加载方式

        这里的pt文件一般指的是根据官方训练教程得到的结果文件best.pt，这在模型部署时会加载使用的参数文件方式。

        根据测试代码，在加载pt格式模型处设置红色暂停点，debug进入其中引用的文件和类。

84d65858bc1c41c1bd752a75f3adca96.png

        (1) YOLO类

        模型加载使用的最外层的类YOLO，写在 ultralytics/models/yolo/model.py 文件内，其在模型加载中的作用是初始化传参入其父类——Model类

93eeb0cce880479fae942e629c90db88.png

        (2) Model类self._load——加载定义好的模型

        Model类基于nn.Module神经网络torch类，其在初始化模型加载中，主要功能是使用到自身的定义的self._load函数。Model 类定义在ultralytics/engine/model.py 中。

184716eebb9247f08bf3fcf55caca36d.png

40be3c8cfb424a31a293e02a578da675.png

        进入self._load函数，其主要功能是如果输入数据格式是'.pt'，就使用utralytics/nn/task.py中的函数 attempt_load_one_weight 获得模型并设为Model的属性self.model，以及ckpt检查点信息。

31912e61f42e43f28c73ff687f631de9.png

        (3) DetectionModel类

        attempt_load_one_weight 首先通过定义函数torch_safe_load加载出pt文件中 ckpt 信息。通过debug中变量ckpt的信息，可以知道其是什么形式与数据类型。

        ckpt 中最重要的就是训练使用的模型信息，这也是后面代码加载模型的关键。可以在debug变量中看到字典中model的值是一个DetectionModel类。

9b9d8e25d87e4c1b87e4001f9e96026a.png

        DetectionModel同样定义在当前 ultralytics/nn/task.py 文件中。

255351a763c245b39f818ed07da7d219.png

        DetectionModel初始化中主要功能是在 parse_model 函数中实现，通过传入的模型 yaml 配置文件在torch环境搭建好网络层级结构。

        在使用pt文件加载模型时，因为是训练好的模型结果，在训练模型时已经选择模型结构（如选择是yolov8m或者yolov8l）的yaml文件，因此之前从ckpt中获取的DetectionModel是已经初始化好的检测模型类。

660c8617bd194318857725b590edfe74.png

        首先查看一下模型配置属性 self.yaml 的数据类型和内容。可以通过查看debug中变量得知其是一个字典，保存的信息是写在配置文件yolov8.yaml中的。

fe3badb56d484fe697d3810177d9d3f2.png

        由于此处使用pt文件加载时，DetectionModel已经加载好其结构和参数，放在ckpt的字典信息里，因此暂时不深入查看parse_model如何具体解析配置信息加载模型网络层，在下一个使用yaml加载模型处分析。

        深入到DetectionModel类以后，基本算是完成了模型的加载了，然后就可以使用YOLO或Model中定义的一些功能函数实现不同目标的使用了。

        分析DetectionModel类中属性model的获取方式可知，模型是通过配置文件yolov8.yaml来定义网络结构层次的，这在官方源码/ultralytics/cfg/models地址下有标准文件参考。

dc8500f6ea3548ff8973a0f4549e61b5.png

        3.yaml文件部署模型加载方式

        使用yaml加载模型和pt文件加载使用的类和流程是近似的，但yaml加载具有更好的拓展和灵活性。下面主要对yaml加载中使用的特定功能函数进行记录。

        首先，在官方的yaml文件基础上，要先选择好要进行的任务类型和模型大小——此处与pt同例采用detect任务和yolov8m规模模型。

from ultralytics import YOLO

# yaml文件加载模型
yolo_yaml_weights = './yolo_weights/yolov8m.yaml'
yolo_model_yaml = YOLO(model=yolo_yaml_weights, task='detect')

3e2f55415c8e44ab8876bbb815edcbb4.png

        (1) Model类self._new——创建新模型

         此处是yaml第一个与pt不同分流处，pt在训练时已经加载好模型的结构参数等，因此采用load方式。而yaml是新建模型任务，需要重头开始搭建好模型。

        可以在源码中看到，在Model类中定义初始化模型时，yaml使用当前类下的_new 函数。

        9e689405b88b4eca9e3d41927f0ebdf9.png

        具体来看，self._new主要靠传入模型或者调用self._smart_load来加载模型self.model

3eaa3cf09cf145289e658df2052e2dd6.png

        self.smart_load 也是定义在Model类下的功能函数，其也只是调用外部接口函数——self.task_map

636a7f716d3e4c0bb3a09b7d6dbf2843.png

        (2) YOLO类下的self.task_map——便捷加载预先定义好的模型

        task_map定义在外层YOLO类下，本质是一个提前定义好的关于模型的字典，可以根据字典的键直接取出对应模型类然后实例化。

8b4bdf0eb3c24721b0e65ba02af01aa5.png

        比如此处我们设置任务为detect，初始默认预测那么就取出“model”模型类就好了，这正是smart_load中干的事。

        因此yaml与pt加载模式殊途同归，本质都是调用DetectionModel类。74cb8f80870b4acfb064ce1d7643398d.png

        回到之前self._new，此时可以容易理解定义self.model中两个括号的含义了。

        第一个括号内代表所要使用的模型类，可以是由外部model参数传入（默认模型外的其他自定义模型），也可以便捷调用已经定义好的几个经典的模型类；

        第二个括号是要传入模型类初始化的配置参数，其由编写的yaml和用户选择一些参数决定。

886ecf13a46c4446881790e39126f829.png

二、DetectionModel类详解

        在模型加载流程中，不管是哪种方式，最底层的模型加载逻辑都写在DetectionModel类中（其他模型也都在ultralytics/nn/task.py中），因此本部分记录该类详细的加载过程和逻辑。（其他模型也可以按下述方式解析：结合官方默认配置文件+源码加载信息打印）

        剔除其他类的干扰，单独提出DetectionModel加载模型代码。verbose设置true打开模型加载过程中信息的打印。

from ultralytics.nn.tasks import yaml_model_load, DetectionModel

# DetectionModel单独加载模型
yolo_yaml_weights = './yolo_weights/yolov8m.yaml'
cfg_dict = yaml_model_load(yolo_yaml_weights)
DetectionModel(cfg_dict, verbose=True)   # verbose是开启模型信息打印

7db1ac1dba8b418d9d3f1c9ae95b83a6.png

        1.基于配置文件和打印信息分析模型架构

        首先，根据现有的yaml配置文件和模型加载过程中的打印信息，可以对模型结构有一个大致判断。模型网络层上分为两个大板块，每个板块包含多个模块，模块下是神经网络层级结构。

        (1) 配置文件中的模型信息

        配置文件中已经将模型网络结构清晰分为两个层次——backbone骨干网络和 head头检测网络，但我个人将最后的head的最后一层独立出来了，这一层是将多尺度的特征图转化到目标分类的类别 [nc] 。对于强化学习任务也许可以锁定前面的层参数，对最后的detect层进行训练，将其改造为输出强化学习的动作预测。

1a2c51ae126b45d5aa5359ae8dfb8ea9.png

        (2) 结合加载打印信息的模型网络分析

        结合加载过程中的模型网络打印信息可以更详细的看出模型网络结构和参数配比。

        首先看配置中的骨干网络层backbone，其对应打印的前十层信息，主要使用了三个网络模块——Conv（卷积）、C2f（变体残差）、SPPF（金字塔池化）。

        在骨干层，图片输入的分辨率不断减小（配置中P1/2代表分辨率减半，例如输入640*640，经过网络层后输出320*320），模型参数量不断变大（打印信息中params参数量）b26f29e28dc34179a79d879660690d2f.png

        可以实例初始化一个 DetectionModel 传入一个随机的 torch.tensor，然后在模型预测过程中打印结果形状来观察model对输入的正向传播操作变化。

from ultralytics.nn.tasks import yaml_model_load, DetectionModel
import torch

# 实例化DetectionModel
yolo_yaml_weights = './yolo_weights/yolov8m.yaml'
cfg_dict = yaml_model_load(yolo_yaml_weights)
model = DetectionModel(cfg_dict, verbose=True)

# 传入一个随机tensor模拟3通道640*640分辨率的图片数据
source = torch.rand(1, 3, 640, 640)
print('ultralytics.input.shape', source.shape)

# 使用BaseModel自带的预测函数
result = model.predict(source)

        为了得到中间过程变量打印结果，需要进入ultralytics/nn/task.py/BaseModel 类中 self.predict函数function中引用的 _predict_once 功能函数。在进入网络层正向操作后，添加一个打印中间过程结果形状的代码。

# 源码添加中间过程打印代码
if type(x)!=list:
    print(m.type, x.shape)
else:  # 打印detect模块list输出形状
    print(m.type, [r.shape for r in x])

3faccc1d4d4449be9336dd020eed616d.png

        由于加载模型也会调用一次当前添加打印的函数，因此查看形状从'ultralytics.input.shape'往后看。

546702109bdc46bbadf25f8f61081892.png

# 1批量3通道640*640分辨率模拟输入——模型中间变量形状结果

ultralytics.input.shape torch.Size([1, 3, 640, 640])
ultralytics.nn.modules.conv.Conv torch.Size([1, 48, 320, 320])
ultralytics.nn.modules.conv.Conv torch.Size([1, 96, 160, 160])
ultralytics.nn.modules.block.C2f torch.Size([1, 96, 160, 160])
ultralytics.nn.modules.conv.Conv torch.Size([1, 192, 80, 80])
ultralytics.nn.modules.block.C2f torch.Size([1, 192, 80, 80])
ultralytics.nn.modules.conv.Conv torch.Size([1, 384, 40, 40])
ultralytics.nn.modules.block.C2f torch.Size([1, 384, 40, 40])
ultralytics.nn.modules.conv.Conv torch.Size([1, 576, 20, 20])
ultralytics.nn.modules.block.C2f torch.Size([1, 576, 20, 20])
ultralytics.nn.modules.block.SPPF torch.Size([1, 576, 20, 20])
torch.nn.modules.upsampling.Upsample torch.Size([1, 576, 40, 40])
ultralytics.nn.modules.conv.Concat torch.Size([1, 960, 40, 40])
ultralytics.nn.modules.block.C2f torch.Size([1, 384, 40, 40])
torch.nn.modules.upsampling.Upsample torch.Size([1, 384, 80, 80])
ultralytics.nn.modules.conv.Concat torch.Size([1, 576, 80, 80])
ultralytics.nn.modules.block.C2f torch.Size([1, 192, 80, 80])
ultralytics.nn.modules.conv.Conv torch.Size([1, 192, 40, 40])
ultralytics.nn.modules.conv.Concat torch.Size([1, 576, 40, 40])
ultralytics.nn.modules.block.C2f torch.Size([1, 384, 40, 40])
ultralytics.nn.modules.conv.Conv torch.Size([1, 384, 20, 20])
ultralytics.nn.modules.conv.Concat torch.Size([1, 960, 20, 20])
ultralytics.nn.modules.block.C2f torch.Size([1, 576, 20, 20])
ultralytics.nn.modules.head.Detect [torch.Size([1, 144, 80, 80]), torch.Size([1, 144, 40, 40]), torch.Size([1, 144, 20, 20])]

         2.详解DetectionModel中parse_model加载模型

        在加载DetectionModel 处设置暂停点debug进入。

        a7c6d6396aa0422ca6c1a2c8048a3a77.png

        进入初始化加载模型的主函数parse_model，可以看到首先是获取加载模型所需的一些配置参数 args，第一个是模型的规模选择scale。

4478684a212b4461889b0c08e419c579.png

        然后是模型的激活函数 act 选择。

e7ce7f61e8f4472ab32f88e3f69872ee.png         下面开始正式加载模型部分，遍历配置字典中“骨干网络backbone”和“头检测head”，首先判断当前模块是不是torch中已经定义好的标准模块还是在全局的global中定义的自定义模块，再根据模型规模中选择得到的 width 变量定义当前模块的数量 n（也就是网络的深度）。

cc02036db9f140e684a1bb1b4bcf2040.png

         已知模块类型——Conv，模块参数——yaml配置定义后，就可以使用nn.Sequential 堆叠生成模块网络层级结构了，只需将模块参数列表args逐一（*args）传入模块Conv即可。如果不只一层模块，*(m(*args) for _ in range(n)) 将按n的数量将模块列表堆叠。

fbcba3d409e242bd99d55940dfb248a4.png

        对于配置中的每个不同层级的不同模块都是m定义的一种类，最后这里类按层级叠加到 layers 中，这样就完成了完整模型的加载。（下方黄字笔误：23层）

e94e67b57a714b13ac83d22eb4cdb730.png

        最后配置文件中所有的层（23层）循环加载完毕后，将其配置到DetectionModel的model属性中，这样一个yolov8m模型就加载完毕了，后续就可以对其把玩了——进行预测部署，或模型训练，或网络架构修改等。

37a35f191dde484bbb37d49d6f1571f6.png

         3.自定义模型接入ultralytics框架

        研究其模型加载过程源码的一个好处是，ultralytics是一个非常友好的机器学习平台，其内部写好的训练逻辑（包括遗传算法，锚框算法等）或者平台其他接口都是十分丰富好用的。这样可以省去项目很多任务量，我们只需定义好我们自己的网络层级结构，写入配置yaml文件，在稍微修改一下其中一些模型加载逻辑，就可以实现自定义模型的训练部署等任务。

        当然 ultralytics 自身也定义了很多内置官方模型yaml配置文件，在源码ultralytics/cfg/models 下，可放心食用。

5f65b03b4c6744a0b12f5628d667b9ec.png

        (1) 一个极简尝试

        这里做一个极简的测试，主要记录如果自定义模型可能需要修改模型加载的代码位置。

        如果只想保留yolov8m模型中提取特征的网络层，即backbone网络。首先要新写一个模型网络的yaml配置文件

3be7f29cceef4923bd4bf428e2dc58c9.png

         此时如果直接加载模型，由前面解析源码可知，会报找不到“head”层的错误，因此，加载模型的源码需要修改，我们可以直接复制过来只修改需要的部分（这里删除d["head"]就可以了，如果其他自定义模型，建议这里直接改为d）。parse_model和DetectionModel都在ultralytics/nn/task.py 文件中，记得import包也要复制过来，我偷懒选择直接全部import复制。还要添加一个导入BaseModel的import。

54cbed8e00c542a1966f90351d249b0b.png

53de1dfe4f5847be80591023bcf6e20f.png

        运行查看打印模型信息，确实只加载了骨干网络backbone。

e9100244d50a4f5e89e17da6848ef7b7.png

源码解析篇 | YOLOv8官方源码项目目录结构解析
突然好想你
03-02 3626
YOLOv8是一种目标检测算法，它是YOLO（You Only Look Once）系列算法的第8个版本。为了让大家更好地了解和应用YOLOv8算法，本节课就带领大家对其项目目录结构进行详细解析！~🌈
YOLOv8 | 代码逐行解析(一) | 项目目录构造分析
Snu77的博客
12-16 3万+
Hello，大家好这次给大家带来的不是改进，是整个YOLOv8项目的分析，整个系列大概会更新7-10篇左右的文章，从项目的目录到每一个功能代码的都会进行详细的讲解，同时YOLOv8改进系列也突破了三十篇文章，最后预计本专栏持续更新会在年底更新上百篇的改进教程， 所以大家如果没有订阅专栏可以提前订阅以下。下面开始进行YOLOv8逐行解析的一篇——项目目录构造分析在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，。
YOLOv8代码解读
最新发布
qq_52889317的博客
03-25 1317
本文详细讲解yolov8的backbone骨干网络、head检测头和Detect层三部分代码。
YOLOV8-源码解读-SPP-SPPF
qq_37040743的博客
07-25 2545
YOLOV8-源码解读-SPP与SPPF，以及ModuleList函数
yolov8源码解析
weixin_44690215的博客
05-22 1204
如上述的3、查看engine/model步骤。
Yolov 8源码超详细逐行解读+ 网络结构细讲(自我用的小白笔记)
chenhaogu的博客
07-19 7万+
以上就是今天要讲的内容，本文仅仅简单介绍了源码结构，后面还会持续更新讲解，由于这次写的太多了，怕大家看不过来。过段时间继续拆封代码并尝试用常见的pytorch原始框架复现缩减版yolov8。也许上面还有很多错误，欢迎大家指正！！！t=N658t=N658完整且详细的Yolov8复现+训练自己的数据集_咕哥的博客-CSDN博客https://blog.csdn.net/chenhaogu/article/details/131161374?二、
Yolov8 源码解析（二十六）
龙哥盟
09-06 2377
.\yolov8\tests\test_engine.py # 导入所需的模块和库 import sys # 系统模块 from unittest import mock # 导入 mock 模块 # 导入自定义模块和类 from tests import MODEL # 导入 tests 模块中的 MODEL 对象 from ultralytics import YOLO # 导入 ultralytics 库中的 YOLO 类 from ultralytics.cfg import get_cf
【从零开始系列】YOLOv8和v11（最新版本使用环境已更新）——环境配置与极简指令（CLI）操作：1篇文章解决—直接使用：模型部署 and 自建数据集：训练微调
qq_58718853的博客
07-29 7283
本篇介绍yolov8官方的安装流程以及安装中一些报错的解决，并根据官方文档的命令行指令，实现yolov8模型的基本使用以及自建数据集微调训练
yolov8实战第一天——yolov8部署并训练自己的数据集（保姆式教程）
qq_34717531的博客
12-15 5万+
YOLOv8是一种基于深度神经网络的目标检测算法，它是YOLO（You Only Look Once）系列目标检测算法的最新版本。YOLOv8的主要改进包括：更高的检测精度：通过引入更深的卷积神经网络和更多的特征层，YOLOv8可以在保持实时性的同时提高检测精度。更快的检测速度：通过对模型进行优化，YOLOv8可以在不降低检测精度的情况下提高检测速度。支持更多的检测任务：除了传统的物体检测任务之外，YOLOv8还支持人脸检测、车辆检测等更多的检测任务。
基于yolov8行人检测源码+模型.zip
09-02
基于yolov8行人检测源码+模型.zip揭示了这是一个关于行人检测的计算机视觉项目，使用的是一种名为YOLOv8的深度学习模型。YOLO（You Only Look Once）系列是实时目标检测系统，它在图像识别和目标定位方面表现出色，...
代码说明 YOLOv8模型加载：使用 YOLO('yolov8n-pose.pt') 加载预训练的YOLOv8姿态估计模型 关键点检测：results0.keypoints.data.cpu(
02-04
YOLOv8模型加载：使用 YOLO('yolov8n-pose.pt') 加载预训练的YOLOv8姿态估计模型。 关键点检测：results[0].keypoints.data.cpu().numpy() 获取检测到的关键点。 夹角计算：calculate_angle 函数计算三个关键点...
从零开始部署yolov8到安卓手机详细教程 ——使用YOLOV8大模型开发的物体检测Android手机APP
weixin_53721065的博客
07-19 1424
从零开始部署yolov8到安卓手机详细教程 ——使用YOLOV8大模型开发的物体检测Android手机APP
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
热门推荐
路人贾的博客
03-03 20万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
Yolov8代码详解，入门代码讲解
weixin_49367526的博客
10-10 3771
在parse_model(d, ch, verbose=True)函数中，for i, (f, n, m, args) in enumerate(d[“backbone”] + d[“head”])对yaml内容解析。在基类Model的构造函数中，识别到yaml文件，需要新创建模型，则执行代码self._new(model, task=task, verbose=verbose)。根据代码self.model返回DetectionModel类，该类定义在ultralytics/nn/tasks.py中。
YOLOv8实战debug
m0_65203311的博客
01-25 784
实例YOLO类，YOLO类继承于Model，先定义Model。传入字符串yolov8n.yaml1、初始化YOLO模型Model本次debug为.yaml 即new一个 task我没有传参数，所以还是为None。执行self._new(model,task)。
YOLOv8 使用教程：从入门到实战
2201_75786497的博客
02-11 1673
本文来自我的博客可以到这里看，因为我直接复制过来格式可能有点怪怪的。YOLO（You Only Look Once）是一种流行的实时目标检测算法，以其速度快、精度高而闻名。YOLOv8 是 Ultralytics 公司发布的最新版本，继承了 YOLO 系列的优势，并在性能、灵活性和易用性上进行了进一步优化。无论是初学者还是有经验的开发者，YOLOv8 都提供了强大的工具和功能，帮助你快速实现目标检测任务。本教程将带你从零开始，逐步掌握 YOLOv8 的使用方法。请注意！
yolov8使用详解
qq_30150579的博客
12-06 1万+
yolov8使用详解
yolov8用法及源码解析 (按照训练流程进行梳理）
weixin_62460336的博客
01-07 5717
yolov8用法及代码详解，欢迎交流指正
yoloV8 代码讲解
09-24
YOLOv8是一种目标检测算法，它是YOLO（You Only Look Once）系列的最新版本之一。与之前的版本相比，YOLOv8在准确性和速度方面都有所提升。下面是YOLOv8代码的简要讲解： 1. 模型选择：YOLOv8默认使用yolov8n.pt模型，该模型已在COCO数据集上进行了预训练。 2. 代码复现：复现YOLOv8代码的过程包括磕代码和学习理论知识。你可以通过参考相关的教程和文档来进行复现。 3. 语法：YOLOv8代码的语法可以根据具体的任务进行配置。你可以使用不同的命令行参数来执行不同的任务，例如检测（detect）、分类（classify）、预测（predict）、分割（segment）和导出（export）等。 以上是对YOLOv8代码的简要讲解。如果你需要更详细的代码解释或学习资源，建议查阅相关的教程或官方文档。
评论 7
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