TensorRT 部署Yolov5模型C++

最新推荐文章于 2024-08-13 12:30:00 发布
最新推荐文章于 2024-08-13 12:30:00 发布
阅读量1.4k 收藏 13
点赞数 2
分类专栏： # 模型部署 文章标签： c++ 人工智能 计算机视觉 深度学习 TensorRT
原文链接：https://blog.csdn.net/grape_yan/article/details/128550102
版权
文章介绍了如何使用TensorRT在C++环境中部署YOLOv5模型，包括ONNX模型转换为engine，读取本地模型，创建推理引擎，配置GPU显存缓冲区，执行模型推理和处理结果的详细步骤。同时，提到了TensorRT的相关配置和库的设置。
摘要由CSDN通过智能技术生成

TensorRT 部署Yolov5模型C++

  NVIDIA TensorRT™ 是用于高性能深度学习推理的 SDK，可为深度学习推理应用提供低延迟和高吞吐量。详细安装方式参考以下博客： NVIDIA TensorRT 安装 (Windows C++)
在这里插入图片描述

1. TensorRT部署模型基本步骤

  经典的一个TensorRT部署模型步骤为：onnx模型转engine、读取本地模型、创建推理引擎、创建推理上下文、创建GPU显存缓冲区、配置输入数据、模型推理以及处理推理结果。

1.1 onnx模型转engine

  TensorRT支持多种模型文件，不过随着onnx模型的发展，目前多种模型框架都将onnx模型当作中间转换格式，是的该模型结构变得越来越通用，因此TensorRT目前主要在更新的就是针对该模型的转换。TensorRT是可以直接读取engine文件，对于onnx模型需要进行一些列转换配置，转为engine引擎才可以进行后续的推理，因此在进行模型推理前，需要先进行模型的转换。项目中已经提供了转换方法接口:

void onnx_to_engine(std::string onnx_file_path, std::string engine_file_path, int type) {
	// 构建器，获取cuda内核目录以获取最快的实现
	// 用于创建config、network、engine的其他对象的核心类
	nvinfer1::IBuilder* builder = nvinfer1::createInferBuilder(gLogger);
	const auto explicitBatch = 1U << static_cast<uint32_t>(nvinfer1::NetworkDefinitionCreationFlag::kEXPLICIT_BATCH);
	// 解析onnx网络文件
	// tensorRT模型类
	nvinfer1::INetworkDefinition* network = builder->createNetworkV2(explicitBatch);
	// onnx文件解析类
	// 将onnx文件解析，并填充rensorRT网络结构
	nvonnxparser::IParser* parser = nvonnxparser::createParser(*network, gLogger);
	// 解析onnx文件
	parser->parseFromFile(onnx_file_path.c_str(), 2);
	for (int i = 0; i < parser->getNbErrors(); ++i) {
		std::cout << "load error: " << parser->getError(i)->desc() << std::endl;
	}
	printf("tensorRT load mask onnx model successfully!!!...\n");
	// 创建推理引擎
	// 创建生成器配置对象。
	nvinfer1::IBuilderConfig* config = builder->createBuilderConfig();
	// 设置最大工作空间大小。
	config->setMaxWorkspaceSize(16 * (1 << 20));
	// 设置模型输出精度
	if (type == 1) {
		config->setFlag(nvinfer1::BuilderFlag::kFP16);
	}
	if (type == 2) {
		config->setFlag(nvinfer1::BuilderFlag::kINT8);
	}
	// 创建推理引擎
	nvinfer1::ICudaEngine* engine = builder->buildEngineWithConfig(*network, *config);
	// 将推理银枪保存到本地
	std::cout << "try to save engine file now~~~" << std::endl;
	std::ofstream file_ptr(engine_file_path, std::ios::binary);
	if (!file_ptr) {
		std::cerr << "could not open plan output file" << std::endl;
		return;
	}
	// 将模型转化为文件流数据
	nvinfer1::IHostMemory* model_stream = engine->serialize();
	// 将文件保存到本地
	file_ptr.write(reinterpret_cast<const char*>(model_stream->data()), model_stream->size());
	// 销毁创建的对象
	model_stream->destroy();
	engine->destroy();
	network->destroy();
	parser->destroy();
	std::cout << "convert onnx model to TensorRT engine model successfully!" << std::endl;
}

1.2 读取本地模型

  此处读取本地模型为读取上一步保存在本地的engine二进制文件，将模型文件信息读取到内存中。该文件保存了模型的所有信息以及电脑的配置信息，因此该模型文件不支持在不同电脑上使用。

std::ifstream file_ptr(model_path_engine, std::ios::binary);
size_t size = 0;
file_ptr.seekg(0, file_ptr.end);	// 将读指针从文件末尾开始移动0个字节
size = file_ptr.tellg();	// 返回读指针的位置，此时读指针的位置就是文件的字节数
file_ptr.seekg(0, file_ptr.beg);	// 将读指针从文件开头开始移动0个字节
char* model_stream = new char[size];
file_ptr.read(model_stream, size);
file_ptr.close();

1.3 创建推理引擎

  首先需要初始化日志记录接口类，该类用于创建后续反序列化引擎使用；然后创建反序列化引擎，其主要作用是允许对序列化的功能上不安全的引擎进行反序列化，接下调用反序列化引擎来创建推理引擎，这一步只需要输入上一步中读取的模型文件数据以及长度即可。

// 日志记录接口
Logger logger;
// 反序列化引擎
nvinfer1::IRuntime* runtime = nvinfer1::createInferRuntime(logger);
// 推理引擎
nvinfer1::ICudaEngine* engine = runtime->deserializeCudaEngine(model_stream, size);

1.4 创建推理上下文

  这里的推理上下文与OpenVINO中的推理请求相似，为后面进行模型推理的类。

nvinfer1::IExecutionContext* context = engine->createExecutionContext();

1.5 创建GPU显存缓冲区

  TensorRT是利用英伟达显卡进行模型推理的，但是我们的推理数据以及后续处理数据是在内存中实现的，因此需要创建显存缓冲区，用于输入推理数据以及读取推理结果数据。

// 创建GPU显存缓冲区
void** data_buffer = new void* [num_ionode];
// 创建GPU显存输入缓冲区
int input_node_index = engine->getBindingIndex(input_node_name);
cudaMalloc(&(data_buffer[input_node_index]), input_data_length * sizeof(float));
// 创建GPU显存输出缓冲区
int output_node_index = engine->getBindingIndex(output_node_name);
cudaMalloc(&(data_buffer[output_node_index]), output_data_length * sizeof(float));

1.6 配置输入数据

  配置输入数据时只需要调用cudaMemcpyAsync()方法，便可将cuda流数据加载到与i里模型上。但数据需要根据模型要求进行预处理，除此以外需要将数据结果加入到cuda流中。

// 创建输入cuda流
cudaStream_t stream;
cudaStreamCreate(&stream);
std::vector<float> input_data(input_data_length);
memcpy(input_data.data(), BN_image.ptr<float>(), input_data_length * sizeof(float));
// 输入数据由内存到GPU显存
cudaMemcpyAsync(data_buffer[input_node_index], input_data.data(), input_data_length * sizeof(float), cudaMemcpyHostToDevice, stream);

1.7 模型推理

context->enqueueV2(data_buffer, stream, nullptr);

1.8 处理推理结果

  我们最后处理数据是在内存上实现的，首先需要将数据由显存读取到内存中。

float* result_array = new float[output_data_length];
cudaMemcpyAsync(result_array, data_buffer[output_node_index], output_data_length * sizeof(float), cudaMemcpyDeviceToHost, stream);

  接下来就是根据模型输出结果进行数据处理，不同的模型会有不同的数据处理方式。

2. TensorRT 部署Yolov5模型

2.1 新建C++项目

  右击解决方案，选择添加新建项目，添加一个C++空项目，将C++项目命名为：cpp_tensorrt_yolov5。进入项目后，右击源文件，选择添加→新建项→C++文件(cpp)，进行的文件的添加。
  右击当前项目，进入属性设置，配置TensorRT以及OpenCV的属性。

设置包含目录：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4\include
D:\Program Files\TensorRT-8.4.0.6\include
E:\OpenCV Source\opencv-4.5.5\build\include
E:\OpenCV Source\opencv-4.5.5\build\include\opencv2

设置 ** 库目录**：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4\lib\x64
D:\Program Files\TensorRT-8.4.0.6\lib
E:\OpenCV Source\opencv-4.5.5\build\x64\vc15\lib

设置附加依赖项：

nvinfer.lib
nvinfer_plugin.lib
nvonnxparser.lib
nvparsers.lib
cublas.lib
cublasLt.lib
cuda.lib
cudadevrt.lib
cudart.lib
cudart_static.lib
cudnn.lib
cudnn64_8.lib
cudnn_adv_infer.lib
cudnn_adv_infer64_8.lib
cudnn_adv_train.lib
cudnn_adv_train64_8.lib
cudnn_cnn_infer.lib
cudnn_cnn_infer64_8.lib
cudnn_cnn_train.lib
cudnn_cnn_train64_8.lib
cudnn_ops_infer.lib
cudnn_ops_infer64_8.lib
cudnn_ops_train.lib
cudnn_ops_train64_8.lib
cufft.lib
cufftw.lib
curand.lib
cusolver.lib
cusolverMg.lib
cusparse.lib
nppc.lib
nppial.lib
nppicc.lib
nppidei.lib
nppif.lib
nppig.lib
nppim.lib
nppist.lib
nppisu.lib
nppitc.lib
npps.lib
nvblas.lib
nvjpeg.lib
nvml.lib
nvrtc.lib
OpenCL.lib
opencv_world455.lib

2.2 定义yolov5模型相关信息

const char* model_path_onnx = "E:/Text_Model/yolov5/yolov5s.onnx";
const char* model_path_engine = "E:/Text_Model/yolov5/yolov5s.engine";
const char* image_path = "E:/Text_dataset/YOLOv5/0001.jpg";
std::string lable_path = "E:/Git_space/Al模型部署开发方式/model/yolov5/lable.txt";
const char* input_node_name = "images";
const char* output_node_name = "output";
int num_ionode = 2;

2.3 读取本地模型信息

std::ifstream file_ptr(model_path_engine, std::ios::binary);
	if (!file_ptr.good()) {
		std::cerr << "文件无法打开，请确定文件是否可用！" << std::endl;
}
size_t size = 0;
file_ptr.seekg(0, file_ptr.end);	// 将读指针从文件末尾开始移动0个字节
size = file_ptr.tellg();	// 返回读指针的位置，此时读指针的位置就是文件的字节数
file_ptr.seekg(0, file_ptr.beg);	// 将读指针从文件开头开始移动0个字节
char* model_stream = new char[size];
file_ptr.read(model_stream, size);
file_ptr.close();

2.4 初始化推理引擎

在此处我们需要初始化反序列化引擎以及推理引擎，并创建用于推理的上下文。

Logger logger;
// 反序列化引擎
nvinfer1::IRuntime* runtime = nvinfer1::createInferRuntime(logger);
// 推理引擎
nvinfer1::ICudaEngine* engine = runtime->deserializeCudaEngine(model_stream, size);
// 上下文
nvinfer1::IExecutionContext* context = engine->createExecutionContext();

2.5 创建GPU显存缓冲区

GPU显存缓冲区的数量主要与模型的输入输出节点有关，我们在此处只需要按照模型输入输出的节点数量进行设置。

void** data_buffer = new void* [num_ionode];
// 创建GPU显存输入缓冲区
int input_node_index = engine->getBindingIndex(input_node_name);
nvinfer1::Dims input_node_dim = engine->getBindingDimensions(input_node_index);
size_t input_data_length = input_node_dim.d[1]* input_node_dim.d[2] * input_node_dim.d[3];
cudaMalloc(&(data_buffer[input_node_index]), input_data_length * sizeof(float));
// 创建GPU显存输出缓冲区
int output_node_index = engine->getBindingIndex(output_node_name);
nvinfer1::Dims output_node_dim = engine->getBindingDimensions(output_node_index);
size_t output_data_length = output_node_dim.d[1] * output_node_dim.d[2] ;
cudaMalloc(&(data_buffer[output_node_index]), output_data_length * sizeof(float));

2.6 配置模型输入

  首先对输入图片按照模型数据输入要求进行处理，首先是将图片数据复制到正方形背景中，然后交换RGB通道、缩放至指定大小以及归一化处理，在OpenCV中，blobFromImage()方法可以直接实现上述功能。

// 图象预处理 - 格式化操作
cv::Mat image = cv::imread(image_path);
int max_side_length = std::max(image.cols, image.rows);
cv::Mat max_image = cv::Mat::zeros(cv::Size(max_side_length, max_side_length), CV_8UC3);
cv::Rect roi(0, 0, image.cols, image.rows);
image.copyTo(max_image(roi));
// 将图像归一化，并放缩到指定大小
cv::Size input_node_shape(input_node_dim.d[2], input_node_dim.d[3]);
cv::Mat BN_image = cv::dnn::blobFromImage(max_image, 1 / 255.0, input_node_shape, cv::Scalar(0, 0, 0), true, false);

  接下来创建cuda流，将处理后的数据放置在input_data容器里；最后直接使用cudaMemcpyAsync()方法，将输入数据输送到显存。

// 创建输入cuda流
cudaStream_t stream;
cudaStreamCreate(&stream);
std::vector<float> input_data(input_data_length);
memcpy(input_data.data(), BN_image.ptr<float>(), input_data_length * sizeof(float));
// 输入数据由内存到GPU显存
cudaMemcpyAsync(data_buffer[input_node_index], input_data.data(), input_data_length * sizeof(float), cudaMemcpyHostToDevice, stream);

2.7 模型推理

context->enqueueV2(data_buffer, stream, nullptr);

2.8 处理推理结果

  首先读取推理结果数据，主要是将GPU显存上的推理数据结果赋值到内存上，方便后续对数据的进一步处理。

float* result_array = new float[output_data_length];
cudaMemcpyAsync(result_array, data_buffer[output_node_index], output_data_length * sizeof(float), cudaMemcpyDeviceToHost, stream);

  接下来就是处理数据，Yolov5输出结果为85x25200大小的数组，其中没85个数据为一组，在该项目中我们提供了专门用于处理yolov5数据结果的结果处理类，因此在此处我们只需要调用该结果类即可：

ResultYolov5 result;
result.factor = max_side_length / (float) input_node_dim.d[2];
result.read_class_names(lable_path);
cv::Mat result_image = result.yolov5_result(image, result_array);

  下图为我们测试效果。
在这里插入图片描述

明月醉窗台
关注
专栏目录
Win10-Yolov5实战+TensorRt部署+Visual Studio2019环境配置+Cmake编译
weixin_68562649的博客
06-26 907
Win10+vs2019+yolov5+TensorRt+cmake 实战部署教程
Tensorrt YOLOv5 C++部署
Ljh8410的博客
08-02 379
基于Tensorrt加速Yolov5 7.0支持支持C++/Python。
tensorRT部署实战——yolov5
qq_41389330的博客
08-27 6780
yolov5的onnx简化到trt推理
C++使用TensorRT加速yolov5
cg1135217680的博客
04-12 1409
C++使用TensorRT对yolov5进行加速，在RTX3050的显卡中达到7ms的速度
tensorRT C++部署实战(yolov5/yolov8/yolov5seg/yolov8seg)
最新发布
秋意为谁白的博客
08-13 898
tensorRT是NVIDIA推出的用于深度学习模型加速的工具库,将Yolov5/Yolov8与TensorRT结合使用，可以在NVIDIA的GPU上进行高效推理。使用C++中使用TensorRT加载和运行Yolov5/Yolov8模型流程主要分为以下三步，附上代码链接：完整代码：https://download.csdn.net/download/qq_36801705/89633517。
【详细案例】yoloV5 tensorRT加速 C++图片推理
qq_38276941的博客
10-06 3415
@TOC 前言 因部署jetson nano需要，以yolov5为例提供一种tensorRT加速推理的实例。python训练出来的神经网络权重文件pt如果想要应用到实际设备上，需要进行权重文件的转换工作：pt -> onnx -> engine(TensorRT)，加载engine文件可以更流畅的运行推理，这在预测模型移植到小型设备上是有必要的工作。 项目文件已上传至github源码 一、权重文件pt转onnx onnx是一种通用神经网络文件，使用这种文件格式可脱离pytorch、te
【TensorRT】TensorRT 部署Yolov5模型（C++）
热门推荐
grape_yan的博客
01-04 1万+
TensorRT支持多种模型文件，不过随着onnx模型的发展，目前多种模型框架都将onnx模型当作中间转换格式，是的该模型结构变得越来越通用，因此TensorRT目前主要在更新的就是针对该模型的转换。TensorRT是可以直接读取engine文件，对于onnx模型需要进行一些列转换配置，转为engine引擎才可以进行后续的推理，因此在进行模型推理前，需要先进行模型的转换。
C++ TensorRT部署Yolov5模型
dubochao_xinxi的博客
09-30 550
这些步骤提供了一个基本的框架，您可以根据实际情况进行调整和扩展。请注意，上述代码中的一些细节可能需要根据您的具体模型和环境进行修改，如输入输出名称、内存布局、后处理等。确保正确配置CUDA环境并具备适当的GPU硬件支持。此外，您还需要根据Yolov5模型的具体设计和输出格式，进行适当的输出数据解析和后处理操作，以获取有意义的结果。建议您参考TensorRT和Yolov5的官方文档、示例代码和社区资源，以获得更详细和完整的实现指导。
yolov5使用TensorRT进行c++部署
weixin_41311686的博客
12-29 7008
有了前面用c++进行opencv里dnn部署和onnxruntime部署的经验，使用TensorRT进行部署，我们只要了解tensorrt和cuda的一些相关api的使用即可方便的部署，整个部署流程都差不多。
【无标题】tensorrt c++推理yolov5
rooftopstars的博客
03-17 2232
c++ tensorrt 推理 yolov5 目标识别
win10_yolov5_tensorRT
03-30
1，安装环境 CUDA10.2 张量RT7.2 OpenCV3.4（工程中已指定，不需安装） vs2015下载相关工程： : 2，生成yolov5s.wts文件 在生成yolov5s.wts前，首先需要模型。同时，需要我们安装环境。这里可以参考网上其他文章或github教程进行配置安装，这里不详加说明。 将tensorrtx-master\yolov5文件夹下的gen_wts.py拷贝到ultralytics/yolov5文件夹下 在当前目录下执行： python gen_wts.py 最终我们会在当前目录下得到一个yolov5s.wts文件。 3，vs2015环境建设 这里我们使用别人已经编好的库，下载连接： 。（注意：部分头文件，lib文件已在我之后的工程中命名，有需要的同学可以直接下载） 创建vs工程，命名为yolov5_Trt，重新连接tensorrtx-master
yolov5_tensorrt_dll c++动态链接库接口
09-06
实际应用中，需要把生成的engine和推理程序给c#,java或者各种调用，可以把它写为一个对外的接口，供给别人使用。
YOLOv9-使用TensorRT部署YOLOv9目标检测算法-支持Python+Cpp-优质算法部署项目实战.zip
03-15
总的来说，这个项目实战提供了从理论到实践的完整流程，帮助你掌握利用TensorRT部署YOLOv9模型的技巧，提升目标检测系统的运行效率。通过学习和实践，你可以更好地理解和运用深度学习模型的部署技术，为今后的AI项目...
使用TensorRT C++部署YOLOv10实现GPU加速-C++源码与模型
06-04
该代码将演示如何使用NVIDIA TensorRT C++ API 部署YOLOv10目标检测模型，实现模型推理加速。经过测试，推理可以实现2ms所有，全流程包含前后处理仅有15ms左右。 此处提供了项目源码以及模型文件。
TensorRT部署yoloV5源码
12-23
这篇关于“TensorRT部署yoloV5源码”的资源，旨在指导用户如何将训练好的YOLOv5模型整合到TensorRT中，以实现更快的预测速度。在CSDN博客文章（https://blog.csdn.net/Z960515/article/details/121975944）中，作者...
基于Tensorrt部署YOLOv5实例分割（源码）.rar
04-15
1、资源内容：基于tensorrt部署yolov5实例分割（完整源码+说明文档+数据）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等专业的大学生...
yolov8使用tensorRT进行c++部署
01-29
在本文中，我们将深入探讨如何使用TensorRT对YOLOv8模型进行C++部署，以实现高效的计算机视觉任务，特别是X射线检测。YOLO（You Only Look Once）系列是实时目标检测领域的标志性算法，而YOLOv8作为最新版本，优化了...
YOLOV5的TensorRT高性能部署
kuzma_zhang的博客
08-07 693
1、:下载解压到/usr/local下面，将tensorrt的头文件和库文件加入到环境变量中，配置～/.bashrc文件出现如下即配置成功：2:OpenCV：下载。
tensorrt部署yolov5+c++
06-28
### 回答1： TensorRT是一个高性能的深度学习推理库，可以帮助您在 NVIDIA GPU 上加速深度学习推理。要在C++中部署YOLOv5，您需要进行以下步骤: 1.安装 TensorRT：在系统上安装 TensorRT 库和配套的驱动程序。 2.导出权重：在训练模型之后，您需要将权重导出到一个可以被 TensorRT 读取的格式，如 ONNX 或 TensorRT 格式。 3.构建网络：使用 TensorRT 的 C++ API 构建网络，并将权重加载到网络中。 4.配置推理：设置网络的运行参数，如批量大小和精度。 5.运行推理：使用 TensorRT 运行网络，并得到结果。 6.解码结果：最后，您需要对结果进行解码，以便更好地理解结果。 希望这能帮到你。 ### 回答2： TensorRT是一个高性能的推理引擎，可以加速神经网络模型的推理，而yolov5 c是一种基于深度学习的物体检测模型，因此使用TensorRT部署yolov5 c可以提高模型的运行速度和效率。 下面是TensorRT部署yolov5 c的步骤： 1. 模型转换：将yolov5的模型文件转换为TensorRT可处理的格式。这可以使用yolov5_offical代码库中的convert.py脚本来完成。通过在终端中运行该脚本，可以生成一个TensorRT可识别的Engine文件。 2. Engine文件编写：将生成的Engine文件加载到CUDA内存中，并在CPU上分配空间。 3. 归一化和预处理：对于输入图片，进行归一化和预处理，使其适合模型的输入。 4. 推理：在CPU上运行推理，得出检测结果并处理。 5. 结果可视化：将推理结果可视化，可以使用OpenCV等工具库来实现。 TensorRT部署yolov5 c可以让模型实现更快的推理速度，同时提供高效能的计算功能，进一步提高了模型在实际应用中的作用。使用TensorRT，可以有效缩短模型推理的时间，提高应用的实时性和响应速度。 ### 回答3： TensorRT是一种针对机器学习模型的高性能推理引擎，它可以通过优化、量化、融合等技术将模型的推理速度提升数十倍。在使用TensorRT部署yolov5 c时，可以按照以下步骤进行： 1. 准备环境：首先需要安装yolov5 c和TensorRT，并安装CMake辅助构建工具。同时还需要下载yolov5的配置文件和权重文件。 2. 将模型转换为TensorRT引擎：使用TensorRT提供的API，将训练好的yolov5 c模型转换为TensorRT引擎。这个过程主要包含以下几个步骤： （1）通过TensorRT提供的Builder API创建一个Builder对象，用于定义TensorRT引擎的配置。 （2）将yolov5 c模型加载进来，通过Parser API解析为TensorRT的网络描述对象。 （3）使用Builder对象定义TensorRT引擎，包括设置精度、批大小、推理模式等。 （4）转换为TensorRT引擎，生成对应的.engine文件，以便进行后续推理。 3. 进行推理：使用生成的TensorRT引擎文件，进行推理操作。这个过程主要包含以下几个步骤： （1）创建一个执行上下文，用于对输入数据进行处理和输出结果。 （2）将输入数据加载到TensorRT引擎中，通过execute API进行推理。 （3）获取输出结果，将其解析为目标检测的结果，包括物体类别、位置和置信度等。 4. 部署到目标设备：最后根据实际应用需要，将部署好的yolov5 c模型和TensorRT引擎部署到目标设备上，进行实时目标检测。 总之，TensorRT部署yolov5 c可以较大的提高其推理性能，使得其在实际应用场景中更加高效、准确和实时。
评论 6
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