YoloV1~YoloV4

已于 2022-07-12 20:03:22 修改
阅读量3k 收藏 35
点赞数 6
文章标签： 目标检测 深度学习 计算机视觉 人工智能
于 2022-07-11 21:11:27 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/weixin_41021342/article/details/125730204
版权

Yolov1-v4

文章目录

一. Yolo是什么？

​ YOLO,You Only Look Once，只需看一眼即可识别图像中物品及其位置。属于one-stage 目标检测模型。

（一）目标检测

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

  • two-stage 模型：R-CNN系列，包含 fast R-CNN, faster R_CNN,R-FCN和LibraR-CNN。

    1） 定位候选框（位置）

    2） 将含有单个物体的候选框进行分类(类别)

  • one-stage 模型：Yolo系列

    快！

在这里插入图片描述

（二） Yolo 系列

简称时间作者论文/代码
YOLOV12016.5Joseph Redmon《You Only Look Once:Unifified, Real-Time Object Detection》
YOLOV22016.12Joseph Redmon《YOLO9000: Better, Faster, Stronger》
YOLOV32018.4Joseph Redmon《YOLOv3: An Incremental Improvement》
YOLOV42020.4Alexey Bochkovskiy《YOLOv4: Optimal Speed and Accuracy of Object Detection》
YOLOV52020.5Ultralytics公司yolov5 github
YOLOVX2021.8旷视科技研究院 刘松涛《YOLOX: Exceeding YOLO Series in 2021》 github
YOLOV62022.06美团gitHub
YOLOV72022.07.6Chien-Yao Wang、Alexey Bochkovskiy, Hong-Yuan Mark Liao《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors》 github

二. Yolo的演进

（一）Yolov1

1. Yolov1思想

将目标检测建模成回归任务，同时预测边界区域和类别。可以端到端训练。

将目标检测建模成回归任务，同时预测边界区域和类别。可以端到端训练。

在这里插入图片描述

2. Yolov1检测过程

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

IOU

Intersection over Union 交并比

Intersection：两个框子相交的面积

Union:两个框相并的面积

在这里插入图片描述

3. Yolov1网络结构

在这里插入图片描述

4. Yolov1 训练过程

1）分类预训练

224×224 ImageNet1000-class数据集 前20层+平均池化层+全连接层

2）目标检测训练

预训练的前20层后追加 随机初始化的4个卷积层 和 2个全连接层。

​ 数据集： PASCAL VOC 2007 and 2012

​ 参数： batch size 64, momentum 0*.9，decay 0.*0005， dropout layer rate = .5 after the first connected layer

​ 训练输入： 448×448

​ 训练输出：每个单元格预测一个类别，构建训练数据。 其中w,h为相对原始图像的缩放比例，在0到1之间。（x，y）为相对网格的偏移值，也在（0,1）之间。

置信度p

训练阶段， 如果选中区域中不包含物体，则为0，如果包含物体，则为IOU

在这里插入图片描述
测试阶段，置信度p计算如下：
在这里插入图片描述

损失函数

因为不包含对象的单元格较多，因为会增加权重

在这里插入图片描述
在这里插入图片描述
激活函数
在这里插入图片描述

5. Yolov1 推理过程

1）模型推理

输入：448×448×3 固定尺寸

**模型结构：**参见Figure3

输出：共预测7×7×2=98个边界框，示例S=7, B=2, C=20 预测一个边界框（x,y,w,h,p）输出为7×7×（2×5 +20）

2）后处理：非极大值抑制

非极大值抑制，筛选出最终的结果。在RCNN算法中提出。

[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-epdC96tH-1657544245557)(file:///C:/Users/EDY/AppData/Local/Temp/企业微信截图_16575067218171.png)]

1）设定目标框的置信度阈值，常用的阈值是0.5左右
2）根据置信度降序排列候选框列表
3）选取置信度最高的框A添加到输出列表，并将其从候选框列表中删除
4）计算A与候选框列表中的所有框的IoU值，删除大于阈值的候选框
5）重复上述过程，直到候选框列表为空，返回输出列表

6. YoloV1缺点

  • 输入尺寸固定
  • 每个格子最多只预测出一个物体
  • 精度差

（二）Yolov2

1. YoloV2模型结构

Yolov2中网络结构发生了改变，采用DarkNet19网络（有19个卷积层）。去掉全连接层，进行了5次降采样，减少计算量。

2. YoloV2训练过程

1）计算先验框

Yolov2版本中每个网格要预测 5 个bbox，但是这5个bbox的大小是通过原始图片聚类得到的，将原始图像中物体框通过K-means算法聚成5类，然后取这五类的平均值作为bbox的大小。这样得出的box的大小更符合实际情况，检测效果更好。

使用k-means 选择先验框
在这里插入图片描述

距离计算

在这里插入图片描述

2）分类预训练

数据集： ImageNet 1000 class classifification dataset

输入：224 × 224×3

模型结构：
在这里插入图片描述
输出：采用global avgpooling做预测

3）分类finetune

输入：448 × 448×3

输出：13x13x(5*(5+classnum))

10epochs微调

4）目标检测训练

模型结构：

在这里插入图片描述

4. YoloV2改进点

Better, Faster, Stronger

[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-KGuCQZia-1657544245557)(file:///C:/Users/EDY/AppData/Local/Temp/企业微信截图_16571950779124.png)]

1. New network (DarkNet19)

2. Batch Normalization 归一化

Batch Normalization可以提升模型收敛速度，而且可以起到一定正则化效果，降低模型的过拟合。在YOLOv2中，每个卷积层后面都添加了Batch Normalization层，并且不再使用dropout。

3. High resolution classifier

Yolov1在训练时用的图片大小时224×224，在检测时Yolov1输入的是448×448大小的图片 ，这样可能会导致模型前后不一致，影响效果。

Yolov2增加了10个epochs 448×448分辨率的微调,然后在detection network上微调。

4. Convolutional with Anchor Boxes

使用anchor boxes预测边界框。

Yolov1将输入图像分成7×7的网格，每个网格预测2个Bounding Box，因此一共有98个Box。

Yolov2使用了anchor boxes，每个Cell可预测出5个Anchor Box，共13×13×个boxes。

5. Dimension Clusters 聚类选择先验框

6. Direct location prediction 位置预测

预测中心点在网格中的相对位置，使用sigmoid函数将预测值约束到网格中。

在这里插入图片描述
在这里插入图片描述

7. Multi-Scale Training 多尺度训练

训练过程中每间隔一定的iterations之后改变模型的输入图片大小。增强模型的鲁棒性。

在YOLOv2中没有全连接层，只有卷积层和池化层，因此模型可以接受任意尺寸的输入。采用不同size的样本来训练网络。具体做法为：训练过程中每间隔一定的iterations之后改变模型的输入图片大小。因为下采样率为32，所以选择的尺寸都是32的倍数，具体的范围为
在这里插入图片描述
这样的训练过程使得模型能够从不同分辨率的输入中学习，从而对不同分辨率的输入只需要修改对最后检测层就能够进行预测。

8. Fine-Grained Features 细粒度特征

YOLOv2输入为416×416，5次池化最终输出为13×13×1024。对于大目标来说，最终的特征图足以提取其特征；

但对于小目标，多次卷积池化后特征不明显，因此需要更精细的特征图（Fine-Grained Features)。YOLOv2引入一种称为passthrough层的方法在特征图中保留一些细节信息

在这里插入图片描述

其中，passthrough layer拆分方式如下图所示：

[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-li1rMeyW-1657544245562)(C:\Users\EDY\AppData\Roaming\Typora\typora-user-images\image-20220707205755546.png)]

（三）Yolov3

1. YoloV3网络架构

Yolov3 将原来的 darknet-19 改进为darknet-53，引入resnet（残差网络）
在这里插入图片描述

在这里插入图片描述

2. YoloV3 可预测多标签

使用交叉熵损失函数，而不是softmax

3. YoloV3 Predictions Across Scales

是真正的多尺度，一共有3种尺度，每个尺度有3个先验框，共9个。

分别是13×13，26×26，52×52三种分辨率，分别负责预测大，中，小的物体边框，这种改进对小物体检测更加友好。

FPN
在这里插入图片描述

（四）Yolov4

Yolov3和Yolov4两个版本的作者发生了变化。

Yolov4则是在Yolov3算法的基础上增加了很多实用的技巧，使得它的速度与精度都得到了极大的提升。

Yolov4对深度学习中一些常用Tricks进行了大量的测试，最终选择了这些有用的Tricks：WRC、CSP、CmBN、SAT、 Mish activation、Mosaic data augmentation、CmBN、DropBlock regularization 和 CIoU loss。

1. YoloV4网络架构

核心思想：三个尺寸特征的融合

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

CBL-CBL模块由Conv+BN+Leaky_relu激活函数组成。

CBM-CBM是Yolov4网络结构中的最小组件，由Conv+BN+Mish激活函数组成。

Res unit-借鉴ResNet网络中的残差结构，用来构建深层网络，CBM是残差模块中的子模块示。

CSPX-借鉴CSPNet网络结构，由卷积层和X个Res unint模块Concate组成而成。

SPP-采用1×1、5×5、9×9和13×13的最大池化方式，进行多尺度特征融合

输入端

在模型训练阶段，做了一些改进操作，主要包括Mosaic数据增强、cmBN、SAT自对抗训练；

BackBone基准网络

融合其它检测算法中的一些新思路，主要包括：CSPDarknet53、Mish激活函数、Dropblock；

Neck网络

目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov4中添加了SPP模块、FPN+PAN结构；

输出端

（80+5）*3=225

输出层的锚框机制与YOLOv3相同，主要改进的是训练时的损失函数CIOU_Loss，以及预测框筛选的DIOU_nms。

2. YoloV4训练阶段

1）分类训练

数据集： ImageNet image

输入数据： Mosaic

训练过程：

2）目标检测训练

数据集： MS COCO

训练过程：cmBN

3. YoloV4推理阶段

4. YoloV4输入端

  • Mosaic数据增强

Mosaic数据增强方法则采用了4张图片，并且按照随机缩放、随机裁剪和随机排布的方式进行拼接而成
在这里插入图片描述

  • cmBN

BN是对当前mini-batch进行归一化，CBN是对当前以及当前往前数3个mini-batch的结果进行归一化，而CmBN则是仅仅在这个Batch中进行累积。

  • SAT自对抗训练

    1）生成对抗样本

    2）使用对抗样本进行训练

5. YoloV4 Backbone

  • CSPDarknet53

    Cross Stage Partial Network 论文链接

    resnet -> desenet -> cspnet

    优点：减少计算量

    CSPNet的作者认为推理计算过高的问题是由于网络优化中的梯度信息重复导致的。

    CSP模块先将基础层的特征映射划分为两部分，

    然后通过跨阶段层次结构将它们合并，在减少了计算量的同时可以保证准确率。

  • 激活函数
    Leaky-ReLU

    是Relu的变体，函数形式如下所示：

在这里插入图片描述

[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-EWjQ9SrY-1657544245565)(file:///C:/Users/EDY/AppData/Local/Temp/企业微信截图_165750949327.png)]

其中a为固定参数，通常取0.01。

优点：缓解Relu导致神经元死亡的问题。

缺点：非线性没有ReLU 强大。

使用场景：不适合分类任务，适合回归任务，卷积神经网络隐藏层使用。

Mish

Mish激活函数是Leaky_relu算法的基础上改进而来的，更加平滑一些，可以进一步提升模型的精度。
在这里插入图片描述

优点：有上限，无下限，光滑，非单调

缺点：计算量大

  • Dropblock

    Dropblock是一种解决模型过拟合的正则化方法，它的作用与Dropout基本相同。Dropout的主要思路是随机的使网络中的一些神经元失活，从而形成一个新的网络。如下图所示，最左边表示原始的输入图片，中间表示经过Dropout操作之后的结果，它使得图像中的一些位置随机失活，Dropblock的作者认为：由于卷积层通常是三层结构，即卷积+激活+池化层，池化层本身就是对相邻单元起作用，因而卷积层对于这种随机丢弃并不敏感。除此之外，即使是随机丢弃，卷积层仍然可以从相邻的激活单元学习到相同的信息。因此，在全连接层上效果很好的Dropout在卷积层上效果并不好。最右边表示经过Dropblock操作之后的结果，我们可以发现该操作直接对整个局部区域进行失活（连续的几个位置）。
    在这里插入图片描述

6. YoloV4 Neck

  • SPP模块

    Spatial Pyramid Pooling（空间金字塔池化结构） 论文链接

​ 通过融合不同大小的最大池化层来获得鲁棒的特征表示。 采用全局最大池化，可以使输出固定。

[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-ZYdJpj3W-1657544245566)(file:///C:/Users/EDY/AppData/Local/Temp/企业微信截图_16575295741929.png)]

  • FPN+PAN

    深层网络容易响应语义特征，浅层网络容易响应图像特征几何信息

    FPN, Feature Pyramid Networks，高维度向低维度 捕获强语义特征。

    **PAN, **Path Aggregation Network 低纬度向高纬度 传递定位信息。

    通过组合这两个模块，可以很好的完成目标定位的功能。
    在这里插入图片描述

7. YoloV4 输出

采用CIOU

特征
IOU交并比
GIOU交并比，外接矩形
DIOU交并比，中心点距离
CIOU交并比，中心点距离, 长宽比
  • IOU
    IOU

在这里插入图片描述
在这里插入图片描述

但以下情况无法处理

[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-ghcrWxr3-1657544245567)(file:///C:/Users/EDY/AppData/Local/Temp/企业微信截图_16572721312486.png)]

GIOU

generalized IoU

[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-o1QcjvVw-1657544245567)(file:///C:/Users/EDY/AppData/Local/Temp/企业微信截图_16575188949217.png)]

[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-IVH3zFeK-1657544245568)(file:///C:/Users/EDY/AppData/Local/Temp/企业微信截图_16572721547496.png)]

但以下情况无法处理
在这里插入图片描述

DIOU

相比IOU 添加中心对角距离

Distance-IoU 参考论文

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

CIOU

相比IOU 添加中心对角距离和长宽比

[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-660nCJcn-1657544245570)(file:///C:/Users/EDY/AppData/Local/Temp/企业微信截图_1657273012141.png)]

[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-fXLEB3H7-1657544245570)(file:///C:/Users/EDY/AppData/Local/Temp/企业微信截图_16572730219058.png)]

清风幻影17
关注
  • 6
    点赞
  • 踩
  • 35
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
yolov3训练数据免费下载
08-31
在我的博客https://blog.csdn.net/z649431508/article/details/82191036有详细的训练单类检测物体的说明，这个文件是训练集和测试集整理的文件，可以直接放到代码离去训练，详细说明文件在博客里有记载。
YOLOv1~v5五篇论文英文原文
10-11
这个系列的论文涵盖了从YOLOv1到YOLOv5的五个主要版本，每个版本都在前一个的基础上进行改进，以提升目标检测的准确性和速度。以下是对这五篇论文主要知识点的详细解析： **YOLOv1:** YOLO（You Only Look Once）的...
yolov1-yolov4
Bismarckczy的博客
12-23 2390
由于一幅图中大部分网格中是没有物体的，这些网格中的边界框的 confidence 置为 0，相比于有物体的网格，这些不包含物体的网格更多，对梯度更新的贡献更大，会导致网络不稳定。我们先计算每个GroundTruth (GT) 的中心点，确定GT的中心落在哪一个网格，那么这个GT box就由该网格负责预测(回归)，网格的类就是GT的类，具体由网格中两个预测框中的哪一个预测框来回归GT box，由预测框和GT box之间的IOU决定，IoU更大的预测框负责回归该GT box。
YOLO 目标检测 从V1到V4（一）
什么都学一点的工具人
05-15 485
最近一直在学YOLO，算是入门的比较迟了。在导师的压力下让自己把v1到v4理了一下。算是给自己加深记忆吧，也帮助想入门的可以一起入门哦。有什么说的不对的地方可以批评指正的。 一、YOLO——是you only look once前面四个字母的缩写。主要用在目标检测上面。 在v1中，首先对图片进行输入， 最后得到输出是一个 7730 的张量（tensor）。 ...
目标检测之深入理解YOLOv1
qq_40716944的博客
03-17 1651
参考： https://blog.csdn.net/c20081052/article/details/80236015 论文下载：http://arxiv.org/abs/1506.02640 darknet版的代码下载：https://github.com/pjreddie/darknet tensorflow版本的代码下载：https://github.com/hizhangp/yo...
论文笔记（一）YOLO系列：v1，v2，v3，v4
weixin_47444348的博客
06-16 2176
YOLO系列介绍介绍YOLOv1总体思路Unified Detection网络结构损失函数 介绍 本篇博客将对目标检测发展过程中的经典算法：YOLO系列算法进行介绍。目标检测是计算机视觉中的经典任务，最开始针对的目标主要是人脸，之后开始关注其他的目标，这其中，诞生了很多经典的方法，比如深度学习提出来之前的DPM方法。以及使用深度学习的RCNN系列方法和YOLO系列方法等。这其中，YOLO方法可以说的上是比较另类的方法，YOLO方法刚提出来的时候，方法非常的简单粗暴，是典型的暴力美学方法，笔者也是从看了YOL
63.目标检测网络之 YOLOv1~v31
08-03
YOLOv1是该系列的第一个版本，它在2015年由Joseph Redmon等人提出。YOLOv1的基本思想是将输入图像分割成SxS个网格，每个网格负责预测B个边界框（bounding box）以及C个类别的概率。每个边界框包括中心位置的偏移量和...
目标检测 YOLOv1~v7模型结构剖析横向对比
11-20
1. **YOLOv1**：YOLOv1是YOLO系列的第一个版本，采用了一个较简单的主干网络，由卷积层和池化层构成，输入为448×448×3的彩色图片。网络输出为7×7×30的预测结果，其中包含了位置、大小和类别的信息。YOLOv1的损失...
YOLOv4-pytorch 版源代码
06-25
1. **网络结构优化**：YOLOv4采用了多种先进的网络结构组件，如 CSPNet、SPP-Block、Mish激活函数、Panoptic FPN 等。CSPNet（Cross Stage Partial Network）减少了训练过程中的计算冗余，提高了模型效率。SPP-Block...
yolov4.weights
05-01
YOLOv4是一种先进的目标检测算法，全称为You Only Look Once version 4。该模型源自YOLO系列，旨在实现快速且准确的实时对象检测。YOLOv4在YOLOv3的基础上进行了多方面的改进，提高了检测性能，尤其在小目标检测上...
YOLO v1到YOLO v4（下）
吴建明wujianming_110117
05-07 714
YOLO v1到YOLO v4（下） Faster YOLO使用的是GoogleLeNet，比VGG-16快，YOLO完成一次前向过程只用8.52 billion 运算，而VGG-16要30.69billion，但是YOLO精度稍低于VGG-16。 · Draknet19 YOLO v2基于一个新的分类model，有点类似与VGG。YOLO v2使用3*3filter，每次Pooling之后都...
YOLO学习笔记3——训练阶段
baidu_41906969的博客
01-17 2802
训练阶段（反向传播） 拟合物体 深度学习、监督学习：通过梯度下降、反向传播方法迭代的微调神经元中的权重，使损失函数最小化。 当有ground truth的中心点落在某一个grid cell中： 对于该grid cell产生的两个bbox，由其中与ground truth(人工标注的真实标注框)IOU最大的那个bbox，来负责拟合物体。 当没有ground truth的中心点落在某一个grid cell中： 对于该grid cell 产生的两个bbox，只需要让这两个bbox的置信度越接近于0。 损失函数
YOLOv1（训练过程）
qq_43780332的博客
08-20 1886
YOLOv1训练阶段 YOLOv1在训练时，权重朝着什么方向更新呢？ 上篇文章提到每个grid cell能预测两个bounding box，那么，训练的目的其实是使标签中画出的标准框所属的grid cell，这个grid cell能预测出两个bounding box，我们选择一个和标准框IOU大的bounding box，使它朝着和标准框重合的方向更新梯度，另一个IOU小的bounding box我们使它的置信度尽量小，从而在预测时更容易被淘汰 YOLOv1损失函数如下： 坐标损失： 包含2项 负责检
YOLOV1训练阶段
sponor的博客
01-03 116
模型由gridcell产生的bounding boxes 中与手动标签的框体，附带率大的进行预测，通过损失函数控制框的的HW,和网格的xy。通过labelImg标注检测框送入模型。
yolov3输入尺寸问题
pangxing6491的博客
11-19 6625
【Make YOLO Great Again】YOLOv1-v7全系列大解析（输入侧篇）
欢迎大家关注我
09-18 2579
YOLOv1-v7输入侧解析，包含全系列网络结构图。
yolo升级版
fangxiangeng的博客
06-08 1162
YOLO升级版：YOLOv2和YOLO9000解析狗头山人七追寻谷歌deepmind巨人脚步，研究深度学习。78 人赞了该文章论文笔记：YOLO9000: Better, Faster, Stronger；官方网站评论：YOLO是基于深度学习方法的端到端实时目标检测系统（YOLO：实时快速目标检测）。YOLO的升级版有两种：YOLOv2和YOLO9000。作者采用了一系列的方法优化了YOLO的模型...
Yolov4模型训练规则和技巧
胡椒面er
07-08 6239
Yolov4模型训练技巧总结 Training Yolo v4 (and v3): AlexeyAB官方github介绍: 训练对应的yolov4.cfg，cfg/yolov4-custom.cfg，cfg/yolov4-tiny.cfg，需下载对应的yolov4.conv.137，yolov4-tiny.conv.29 预训练模型 How to improve object detection: 1、修改cfg文件中设置 random=1 ，多尺度训练 2、提高网络分辨率，修改cfg文件中的尺寸(heig
YoLo V1详解
pyscl01的博客
11-05 1128
YoLo系列都是在V1的基础上进行改进的，所以学好YoLo V1至关重要
简要概述yolov6~yolov8的演进
最新发布
03-14
YOLO（You Only Look Once）是一种实时目标检测算法，YOLOv6~YOLOv8是YOLO算法的演进版本。以下是它们的简要概述： YOLOv6： YOLOv6是YOLOv5的改进版本，主要改进了网络结构和训练策略。YOLOv6采用了更深的网络结构，引入了一些新的模块和技术，如CSPDarknet53、PANet、SAM、ASFF等，以提高检测性能和准确度。此外，YOLOv6还优化了训练策略，使用更大的输入分辨率和更长的训练时间，以获得更好的检测结果。 YOLOv7： YOLOv7是YOLOv6的改进版本，主要改进了网络结构和特征融合方式。YOLOv7采用了更深的网络结构和更多的卷积层，以提高特征提能力。此外，YOLOv7还引入了一新的特征融合方式，称为CBAM（Convolution Block Attention Module），通过自适应地学习通道和空间注意力权重，提高了目标检测的准确度。 YOLOv8： YOLOv8是YOLOv7的改进版本，主要改进了网络结构和训练策略。YOLOv8采用了更深的网络结构和更多的卷积层，以进一步提高特征提取能力。此外，YOLOv8还引入了一种新的训练策略，称为Mosaic数据增强，通过将多张图像拼接在一起进行训练，提高了模型的泛化能力和鲁棒性。
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