python调用yolov3检测_使用pytorch实现目标检测_YOLOV3实现

最新推荐文章于 2024-06-28 15:22:31 发布
最新推荐文章于 2024-06-28 15:22:31 发布
阅读量155 收藏
点赞数
文章标签： python调用yolov3检测

objdet_darknet

使用pytorch实现YOLO(v3)。

参考资料

TODO

使用人脸数据集实现人脸检测(face detection)。

网络结构

----------------------------------------------------------------

Layer (type) Output Shape Param #

================================================================

Conv2d-1 [-1, 32, 416, 416] 864

BatchNorm2d-2 [-1, 32, 416, 416] 64

LeakyReLU-3 [-1, 32, 416, 416] 0

Conv2d-4 [-1, 64, 208, 208] 18,432

BatchNorm2d-5 [-1, 64, 208, 208] 128

LeakyReLU-6 [-1, 64, 208, 208] 0

Conv2d-7 [-1, 32, 208, 208] 2,048

BatchNorm2d-8 [-1, 32, 208, 208] 64

LeakyReLU-9 [-1, 32, 208, 208] 0

Conv2d-10 [-1, 64, 208, 208] 18,432

BatchNorm2d-11 [-1, 64, 208, 208] 128

LeakyReLU-12 [-1, 64, 208, 208] 0

Conv2d-13 [-1, 128, 104, 104] 73,728

BatchNorm2d-14 [-1, 128, 104, 104] 256

LeakyReLU-15 [-1, 128, 104, 104] 0

Conv2d-16 [-1, 64, 104, 104] 8,192

BatchNorm2d-17 [-1, 64, 104, 104] 128

LeakyReLU-18 [-1, 64, 104, 104] 0

Conv2d-19 [-1, 128, 104, 104] 73,728

BatchNorm2d-20 [-1, 128, 104, 104] 256

LeakyReLU-21 [-1, 128, 104, 104] 0

Conv2d-22 [-1, 64, 104, 104] 8,192

BatchNorm2d-23 [-1, 64, 104, 104] 128

LeakyReLU-24 [-1, 64, 104, 104] 0

Conv2d-25 [-1, 128, 104, 104] 73,728

BatchNorm2d-26 [-1, 128, 104, 104] 256

LeakyReLU-27 [-1, 128, 104, 104] 0

Conv2d-28 [-1, 256, 52, 52] 294,912

BatchNorm2d-29 [-1, 256, 52, 52] 512

LeakyReLU-30 [-1, 256, 52, 52] 0

Conv2d-31 [-1, 128, 52, 52] 32,768

BatchNorm2d-32 [-1, 128, 52, 52] 256

LeakyReLU-33 [-1, 128, 52, 52] 0

Conv2d-34 [-1, 256, 52, 52] 294,912

BatchNorm2d-35 [-1, 256, 52, 52] 512

LeakyReLU-36 [-1, 256, 52, 52] 0

Conv2d-37 [-1, 128, 52, 52] 32,768

BatchNorm2d-38 [-1, 128, 52, 52] 256

LeakyReLU-39 [-1, 128, 52, 52] 0

Conv2d-40 [-1, 256, 52, 52] 294,912

BatchNorm2d-41 [-1, 256, 52, 52] 512

LeakyReLU-42 [-1, 256, 52, 52] 0

Conv2d-43 [-1, 128, 52, 52] 32,768

BatchNorm2d-44 [-1, 128, 52, 52] 256

LeakyReLU-45 [-1, 128, 52, 52] 0

Conv2d-46 [-1, 256, 52, 52] 294,912

BatchNorm2d-47 [-1, 256, 52, 52] 512

LeakyReLU-48 [-1, 256, 52, 52] 0

Conv2d-49 [-1, 128, 52, 52] 32,768

BatchNorm2d-50 [-1, 128, 52, 52] 256

LeakyReLU-51 [-1, 128, 52, 52] 0

Conv2d-52 [-1, 256, 52, 52] 294,912

BatchNorm2d-53 [-1, 256, 52, 52] 512

LeakyReLU-54 [-1, 256, 52, 52] 0

Conv2d-55 [-1, 128, 52, 52] 32,768

BatchNorm2d-56 [-1, 128, 52, 52] 256

LeakyReLU-57 [-1, 128, 52, 52] 0

Conv2d-58 [-1, 256, 52, 52] 294,912

BatchNorm2d-59 [-1, 256, 52, 52] 512

LeakyReLU-60 [-1, 256, 52, 52] 0

Conv2d-61 [-1, 128, 52, 52] 32,768

BatchNorm2d-62 [-1, 128, 52, 52] 256

LeakyReLU-63 [-1, 128, 52, 52] 0

Conv2d-64 [-1, 256, 52, 52] 294,912

BatchNorm2d-65 [-1, 256, 52, 52] 512

LeakyReLU-66 [-1, 256, 52, 52] 0

Conv2d-67 [-1, 128, 52, 52] 32,768

BatchNorm2d-68 [-1, 128, 52, 52] 256

LeakyReLU-69 [-1, 128, 52, 52] 0

Conv2d-70 [-1, 256, 52, 52] 294,912

BatchNorm2d-71 [-1, 256, 52, 52] 512

LeakyReLU-72 [-1, 256, 52, 52] 0

Conv2d-73 [-1, 128, 52, 52] 32,768

BatchNorm2d-74 [-1, 128, 52, 52] 256

LeakyReLU-75 [-1, 128, 52, 52] 0

Conv2d-76 [-1, 256, 52, 52] 294,912

BatchNorm2d-77 [-1, 256, 52, 52] 512

LeakyReLU-78 [-1, 256, 52, 52] 0

Conv2d-79 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-80 [-1, 512, 26, 26] 1,024

LeakyReLU-81 [-1, 512, 26, 26] 0

Conv2d-82 [-1, 256, 26, 26] 131,072

BatchNorm2d-83 [-1, 256, 26, 26] 512

LeakyReLU-84 [-1, 256, 26, 26] 0

Conv2d-85 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-86 [-1, 512, 26, 26] 1,024

LeakyReLU-87 [-1, 512, 26, 26] 0

Conv2d-88 [-1, 256, 26, 26] 131,072

BatchNorm2d-89 [-1, 256, 26, 26] 512

LeakyReLU-90 [-1, 256, 26, 26] 0

Conv2d-91 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-92 [-1, 512, 26, 26] 1,024

LeakyReLU-93 [-1, 512, 26, 26] 0

Conv2d-94 [-1, 256, 26, 26] 131,072

BatchNorm2d-95 [-1, 256, 26, 26] 512

LeakyReLU-96 [-1, 256, 26, 26] 0

Conv2d-97 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-98 [-1, 512, 26, 26] 1,024

LeakyReLU-99 [-1, 512, 26, 26] 0

Conv2d-100 [-1, 256, 26, 26] 131,072

BatchNorm2d-101 [-1, 256, 26, 26] 512

LeakyReLU-102 [-1, 256, 26, 26] 0

Conv2d-103 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-104 [-1, 512, 26, 26] 1,024

LeakyReLU-105 [-1, 512, 26, 26] 0

Conv2d-106 [-1, 256, 26, 26] 131,072

BatchNorm2d-107 [-1, 256, 26, 26] 512

LeakyReLU-108 [-1, 256, 26, 26] 0

Conv2d-109 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-110 [-1, 512, 26, 26] 1,024

LeakyReLU-111 [-1, 512, 26, 26] 0

Conv2d-112 [-1, 256, 26, 26] 131,072

BatchNorm2d-113 [-1, 256, 26, 26] 512

LeakyReLU-114 [-1, 256, 26, 26] 0

Conv2d-115 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-116 [-1, 512, 26, 26] 1,024

LeakyReLU-117 [-1, 512, 26, 26] 0

Conv2d-118 [-1, 256, 26, 26] 131,072

BatchNorm2d-119 [-1, 256, 26, 26] 512

LeakyReLU-120 [-1, 256, 26, 26] 0

Conv2d-121 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-122 [-1, 512, 26, 26] 1,024

LeakyReLU-123 [-1, 512, 26, 26] 0

Conv2d-124 [-1, 256, 26, 26] 131,072

BatchNorm2d-125 [-1, 256, 26, 26] 512

LeakyReLU-126 [-1, 256, 26, 26] 0

Conv2d-127 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-128 [-1, 512, 26, 26] 1,024

LeakyReLU-129 [-1, 512, 26, 26] 0

Conv2d-130 [-1, 1024, 13, 13] 4,718,592

BatchNorm2d-131 [-1, 1024, 13, 13] 2,048

LeakyReLU-132 [-1, 1024, 13, 13] 0

Conv2d-133 [-1, 512, 13, 13] 524,288

BatchNorm2d-134 [-1, 512, 13, 13] 1,024

LeakyReLU-135 [-1, 512, 13, 13] 0

Conv2d-136 [-1, 1024, 13, 13] 4,718,592

BatchNorm2d-137 [-1, 1024, 13, 13] 2,048

LeakyReLU-138 [-1, 1024, 13, 13] 0

Conv2d-139 [-1, 512, 13, 13] 524,288

BatchNorm2d-140 [-1, 512, 13, 13] 1,024

LeakyReLU-141 [-1, 512, 13, 13] 0

Conv2d-142 [-1, 1024, 13, 13] 4,718,592

BatchNorm2d-143 [-1, 1024, 13, 13] 2,048

LeakyReLU-144 [-1, 1024, 13, 13] 0

Conv2d-145 [-1, 512, 13, 13] 524,288

BatchNorm2d-146 [-1, 512, 13, 13] 1,024

LeakyReLU-147 [-1, 512, 13, 13] 0

Conv2d-148 [-1, 1024, 13, 13] 4,718,592

BatchNorm2d-149 [-1, 1024, 13, 13] 2,048

LeakyReLU-150 [-1, 1024, 13, 13] 0

Conv2d-151 [-1, 512, 13, 13] 524,288

BatchNorm2d-152 [-1, 512, 13, 13] 1,024

LeakyReLU-153 [-1, 512, 13, 13] 0

Conv2d-154 [-1, 1024, 13, 13] 4,718,592

BatchNorm2d-155 [-1, 1024, 13, 13] 2,048

LeakyReLU-156 [-1, 1024, 13, 13] 0

Conv2d-157 [-1, 512, 13, 13] 524,288

BatchNorm2d-158 [-1, 512, 13, 13] 1,024

LeakyReLU-159 [-1, 512, 13, 13] 0

Conv2d-160 [-1, 1024, 13, 13] 4,718,592

BatchNorm2d-161 [-1, 1024, 13, 13] 2,048

LeakyReLU-162 [-1, 1024, 13, 13] 0

Conv2d-163 [-1, 512, 13, 13] 524,288

BatchNorm2d-164 [-1, 512, 13, 13] 1,024

LeakyReLU-165 [-1, 512, 13, 13] 0

Conv2d-166 [-1, 1024, 13, 13] 4,718,592

BatchNorm2d-167 [-1, 1024, 13, 13] 2,048

LeakyReLU-168 [-1, 1024, 13, 13] 0

Conv2d-169 [-1, 512, 13, 13] 524,288

BatchNorm2d-170 [-1, 512, 13, 13] 1,024

LeakyReLU-171 [-1, 512, 13, 13] 0

Conv2d-172 [-1, 1024, 13, 13] 4,718,592

BatchNorm2d-173 [-1, 1024, 13, 13] 2,048

LeakyReLU-174 [-1, 1024, 13, 13] 0

Conv2d-175 [-1, 255, 13, 13] 261,375

Conv2d-176 [-1, 256, 13, 13] 131,072

BatchNorm2d-177 [-1, 256, 13, 13] 512

LeakyReLU-178 [-1, 256, 13, 13] 0

Upsample-179 [-1, 256, 26, 26] 0

Conv2d-180 [-1, 256, 26, 26] 196,608

BatchNorm2d-181 [-1, 256, 26, 26] 512

LeakyReLU-182 [-1, 256, 26, 26] 0

Conv2d-183 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-184 [-1, 512, 26, 26] 1,024

LeakyReLU-185 [-1, 512, 26, 26] 0

Conv2d-186 [-1, 256, 26, 26] 131,072

BatchNorm2d-187 [-1, 256, 26, 26] 512

LeakyReLU-188 [-1, 256, 26, 26] 0

Conv2d-189 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-190 [-1, 512, 26, 26] 1,024

LeakyReLU-191 [-1, 512, 26, 26] 0

Conv2d-192 [-1, 256, 26, 26] 131,072

BatchNorm2d-193 [-1, 256, 26, 26] 512

LeakyReLU-194 [-1, 256, 26, 26] 0

Conv2d-195 [-1, 512, 26, 26] 1,179,648

BatchNorm2d-196 [-1, 512, 26, 26] 1,024

LeakyReLU-197 [-1, 512, 26, 26] 0

Conv2d-198 [-1, 255, 26, 26] 130,815

Conv2d-199 [-1, 128, 26, 26] 32,768

BatchNorm2d-200 [-1, 128, 26, 26] 256

LeakyReLU-201 [-1, 128, 26, 26] 0

Upsample-202 [-1, 128, 52, 52] 0

Conv2d-203 [-1, 128, 52, 52] 49,152

BatchNorm2d-204 [-1, 128, 52, 52] 256

LeakyReLU-205 [-1, 128, 52, 52] 0

Conv2d-206 [-1, 256, 52, 52] 294,912

BatchNorm2d-207 [-1, 256, 52, 52] 512

LeakyReLU-208 [-1, 256, 52, 52] 0

Conv2d-209 [-1, 128, 52, 52] 32,768

BatchNorm2d-210 [-1, 128, 52, 52] 256

LeakyReLU-211 [-1, 128, 52, 52] 0

Conv2d-212 [-1, 256, 52, 52] 294,912

BatchNorm2d-213 [-1, 256, 52, 52] 512

LeakyReLU-214 [-1, 256, 52, 52] 0

Conv2d-215 [-1, 128, 52, 52] 32,768

BatchNorm2d-216 [-1, 128, 52, 52] 256

LeakyReLU-217 [-1, 128, 52, 52] 0

Conv2d-218 [-1, 256, 52, 52] 294,912

BatchNorm2d-219 [-1, 256, 52, 52] 512

LeakyReLU-220 [-1, 256, 52, 52] 0

Conv2d-221 [-1, 255, 52, 52] 65,535

================================================================

Total params: 61,949,149

Trainable params: 61,949,149

Non-trainable params: 0

----------------------------------------------------------------

weixin_39683863
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Pytorch实现YOLOv3目标检测
qq_36523203的博客
09-29 1389
本教程使用的代码需要运行在 Python 3.5 和 PyTorch 0.3 版本之上。 你可以在以下链接中找到所有代码：https文章目录一，YOLO工作原理1，全卷积神经网络2，输出3，二，创建YOLO网络层级三，实现网络的前向传播四，目标置信度阈值和非极大值抑制五，设计输入和输出管道 一，YOLO工作原理 1，全卷积神经网络 FCN 75个卷积层，跳过连接和上采样，不适用任何形式的池化，使用步幅为2的卷积层对特征图进行下采样。这有助于防止通常由池化导致的低级特征的丢失。 作为 FCN，YOLO 对于输
pytorch yolov3 代码详解_目标检测实战项目『代码实战篇』
weixin_32668987的博客
12-27 558
深度学习的三驾马车：数据、模型、算力。本文将从这三方面，实现 YOLO 目标检测，让自己的数据跑起来数据一个深度学习项目最好的初始状态是拥有漂亮的数据，但是一般情况下很难达到这种条件，往往需要根据自己项目的需求寻找相应的数据。对于目标检测项目来说，漂亮的数据应该是按照规范的标注。那么有数据却没有标注怎么办，我们推荐一款开源的标注工具 LabelImg ，有着方便的 GUI 界面，可以方便打开一个文...
pytorch-yolov3详细可运行
11-04
pytorch yolov3可运行，里面有具体的运行示例，也可以参考博客的讲解，有任何问题欢迎提出
Pytorch+Yolov3搭建自己的目标检测项目工程（带你从理论到实践）
m0_62919535的博客
09-03 1862
yolo3的Pytorch实现，yolov3采用的主干网络是darknet53，借鉴了yolov2中的网络darknet19结构，相较于后者，前者加入了大量的残差模块，并且使用了步长为2，卷积核大小为3×3卷积层Conv2D替代池化层Maxpooling2D，在imagenet上分类测试上，darknet53在保证准确率的同时极大地提升了网络的运行速度，证明了darknet53在特征提取能力上的有效性。
小白跑通YOLOV3——超完整教程！
最新发布
m0_72006696的博客
06-28 2145
这篇博客记录了我运行YOLO V3代码的过程。由于这是在成功运行一段时间后编写的，因此每一步并不特别详细，具体的步骤可以搜索其他博客。此篇博客主要记录了成功运行所需的一些关键步骤。
简单快速建立pytorch环境YOLOv5目标检测 模型跑起来(超简单）
shine_Lee_的博客
04-09 1万+
简单快速建立pytorch环境+实现YOLOv5目标检测 模型跑起来(小白都会的教程）
基于pytorch用yolov5算法实现目标检测与分割
qq_42046837的博客
09-13 3万+
适合新手入门玩一下目标的检测和分割，大概了解yolov5算法的一些基本操作。 1.1 课题背景 目标检测的目的是判断在单张图片或者连续图片（视频）中，感兴趣的单个或者 多个物体是否存在，如果存在，需要将感兴趣的单个或者多个物体的位置和大小确 定。通常情况下我们使用一个矩形框来表示一个物体的位置和大小，矩形框的位置信息使用其左上角点和右下角点的坐标，共四个数字表示展示（也可以使用中心点坐 标，长和宽表示）。如图中包含多个目标，如人，自行车，道路，草 地，天空，当我们感兴趣的目标为人和自行车...
基于 PyTorch 的目标检测（YOLO实现）
小白学视觉
02-12 818
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达目标检测是一个直到最近才开始逐渐被征服的挑战。解决这个问题对于自动化和自动驾驶来说是至关重要的。对解决办法的追求导致了各种方法的发展。我想要描述一些主要的方法，在过去的21目标检测已经被使用，然后讨论 Yolov3的实现。讨论方法引言虽然深度学习通常被归类为机器学习的一个分支，但是两者之间应该有明确的区别。机器学习是指在前深度学...
deep_sort_pytorch:使用Deepsort和yolov3与pytorch进行MOT跟踪
04-28
将YOLOv3检测器替换为高级检测器。 欢迎对此存储库做出任何贡献！ 介绍 这是MOT跟踪算法深度排序的一种实现。 深度排序与排序基本相同，但深度CNN模型添加了CNN模型以提取受检测器限制的人体部位图像中的特征。 这...
yolov4目标检测模型代码,基于pytorch实现
04-20
YOLOv4是一种高效、准确的目标检测模型，它在深度学习领域被广泛应用。该模型是YOLO（You Only Look Once）系列的第四代版本，由Alexey Bochkovskiy、Chien-Yao Wang和Hong-Yuan Mark Liao在2020年提出。YOLOv4在前...
libtorch-yolov3：YOLO v3对象检测算法的Libtorch实现
01-28
本项目"libtorch-yolov3"是YOLOv3的C++实现，利用了PyTorch的C++ API——Libtorch，使得在非Python环境中也能运行YOLOv3模型。 首先，我们来了解一下YOLOv3的基本原理。YOLOv3采用了一种单阶段的目标检测方法，即...
yolo-使用onnxruntime部署yolov5目标检测算法.zip
03-02
在本项目中，我们主要探讨如何使用ONNXRuntime来部署YOLOv5目标检测算法。YOLO（You Only Look Once）是一种高效的实时对象检测系统，而YOLOv5是其最新版本，以其卓越的性能和易用性受到广泛关注。ONNXRuntime是一个...
yolov5_tensorrt_dll c++动态链接库接口
09-06
YOLOv5是一种高效的目标检测算法，而TensorRT则是一个优化的深度学习推理引擎，用于提高模型在GPU上的运行速度。本文将详细介绍如何将YOLOv5模型与TensorRT结合，通过C++实现动态链接库接口，以便于其他如C#、Java等...
pytorch实现YoloV3模型
面向生活编程
03-08 3822
yoloV3的学习笔记 以下内容是学习Bubbliiiing大佬，自己整理的笔记 大佬的CSDN链接 点击这里 YOLOv3 Yolov3的模型的实现过程 简单介绍: ​ yolov3主要主要就是通过Darknet-53的主干网络进行特征的提取。首先是进行输入的数据的大小—>先是进行一次卷积的处理，增加通道数， 主干部分Darknet-53 ​ 主干网络是Darknet53，其重要特点是使用了残缺网络Residual。darknet53中的残差卷积就是进行一次3*3，步长为2的卷积，然后保存该
Pytorch | yolov3原理及代码详解（一）
qq_24739717的博客
07-19 1万+
YOLO相关原理 ： https://blog.csdn.net/leviopku/article/details/82660381 https://www.jianshu.com/p/d13ae1055302 https://blog.csdn.net/qq_34199326/article/details/84874409 https://blog.csdn.net/chandanyan...
【目标检测】YOLOv3手动实现Pytorch代码全流程详解 RCNN、YOLO系列
不佛的博客
11-09 6261
目标检测概述 之前的MTCNN实现了单类多目标的高效检测，而现实中更普遍的任务是多类多目标检测。 目标检测可划分为3个发展阶段： 传统的目标检测 区域选择：滑动窗口 特征提取：Harr、SIFT、HOG等特征提取算法 分类器：如常用的SVM模型 基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余； 手工设计特征费时费力，且对于多样性的变化没有很好的鲁棒性。 基于Region Proposal的深度学习目标检测算法 使用 region proposal+CNN 代替传统目标检测使用的 滑动窗口+手
PyTorch实现YOLOv3
一千零一夜的博客
10-21 1847
1, 网络结构 左边Darknet网络结构，右边YOLOv3网络结构，详细解析可参考链接 2, pytorch代码实现 # -*- coding: utf-8 -*- # @Time : 2020/10/20 下午10:17 # @Author : zxq # @File : YOLOv3_model.py # @Software: PyCharm from collections import OrderedDict import t...
Pytorch实现YOLOv3训练自己的数据集
热门推荐
陶陶name
08-01 4万+
1.说明： 最近一直在研究深度学习框架PyTorch,就想使用pytorch去实现YOLOv3的object detection.在这个过程中也在各大论坛、贴吧、CSDN等中看了前辈们写的文章，在这里由衷的感谢帮助过我的朋友们，真的很感谢！！！！ 接下来就将这一过程写在下面，希望对在学习计算机视觉的小伙伴有一定的帮助 2.环境： 笔者的环境: ubuntu18.04 PyTorch 1....
YOLOv3 Pytorch代码及原理分析（一）：跑通代码
秋山丶雪绪的博客
07-27 4335
目录1. 前言2. detect.py3. 数据集处理3.1 COCO 1. 前言 源码地址：https://github.com/ultralytics/yolov3 官方教程：https://github.com/ultralytics/yolov3/wiki/Train-Custom-Data 目标检测数据集 PASCAL Visual Object Classes官网：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html COCO官网：h
Python 调用yolov4
06-12
以下是使用Python调用YOLOv4的基本步骤： 1. **安装依赖库**: - 先确保安装了Python基础环境，如pip和conda。 - 安装必要的深度学习库，如TensorFlow或PyTorch，因为YOLOv4通常与这些库一起使用。你可以使用以下...
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