Yolov3:win10下训练自己的数据(GPU版)(详细步骤)

超详细教程:YOLO_V3(yolov3)训练自己的数据 前言:最近刚好做一个项目需要做detection,选择的算法是yolo v3,因为它既有速度又有精度,还非常灵活,简直是工业界良心。做项目免不了需要用到自己的数据集,所以的从头一个脚印的来,走通了之后决定写一个帖子,以免需要用的人少走歪路,节约时间。 官网上已经教我们如何跑起来yolo v3,因此大部分时间其实花在制作数据集上。总体来说,分为四个步骤,分别是:标注数据,利用voc制作自己的数据集,... 阅读详情

 

前言

      最近在做用yolov3进行目标识别,关于前期已经成功检测成功了,大家有兴趣的可以看我之前写的一篇博客:VS2015+opencv3.4.2+yolov3成功检测,这篇博客主要介绍如何训练自己的数据。训练的环境是:win10+GPU

      最后,如果有什么写得不对的地方,希望大家不吝赐教,谢谢!

第二章 训练自己的数据

2.1 制作自己的数据集

  2.1.1 下载labellmg

       点击这个直接下载:下载labellmg

  2.1.2 采集图片

       图片大小最好是416*416,这个方便后面作为网络的输入。我是用摄像头直接采集图片,下面是我写的程序,可以参考下,用VS2015调用opencv库写的。

#include<opencv2/opencv.hpp>
#include <opencv2/highgui.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
	VideoCapture cap(0);
	string name;
	int num = 1;
	while (1)
	{
		Mat image;
		cap >> image;
		imshow("image", image);
		waitKey(1);

		Mat image2;
		resize(image, image2, Size(416, 416));
		imshow("image2", image2);
		waitKey(1);

		if (!cap.isOpened())
		{
			cout << "don't open creama!" << endl;
		}
		char key = waitKey(1);
		if (key == 'a')
			break;
		if (key == 'q' || key == 'Q')
		{
			name = to_string(num++) + ".jpg";
			imwrite(name, image2);
		}
		
	}
	waitKey(30);
	return 0;
}

  2.1.3 标记图片

     当采集完图片后,就是用labellmg软件进行标记得到.xml文件和.txt文件。具体步骤如下:

       解压了之后,可以直接打开data文件夹,可以把采集的图片都添加进来,然后在predefined_classes.txt文件中添加自己需要标记的类别,一个类别一行。

      然后打开labellmg.exe

(1)打开一张图片

(2)进行标框,选择类别

 

(3)保存即可,就会得到对应的.xml文件。

(4)得到.txt文件。网上有很多方法是写一个python程序,运行下就有了,但是对于那个程序有很多地方需要修改路径,反正我是没有成功的,后来发现labellmg软件同样可以得到.txt文件,方法如下:

切换选择保存的格式为:YOLO即可,就会得到对应的.txt文件。

(5)最后得到的结果

2.2 整理数据集

    (1)在F:\darknet-master\scripts下创建一个新的文件夹:VOCdevkit文件夹。再在VOCdevkit文件夹下面分别创建这几个文件夹:

VOC2018文件夹          ------文件名称可以改

JPEGImages文件夹     -----存放所有的.jpg图片

(2)在VOC2018文件夹下创建这几个文件夹:

Annotations文件夹       -------存放所有的.xml文件

ImageSets文件夹        

Labels文件夹              --------存放所有的.txt文件

(3)在ImageSets文件夹下创建一个Main文件

Main文件夹

(4)在Main文件夹下创建两个.txt文本:train.txt、val.txt

train.txt        ------存放图片的名称,不带后缀,如下图所示

val.txt

 

这个写图片名,其实有个python程序可以直接生成,如下所示,记得修改到对应的路径。


import os

from os import listdir, getcwd

from os.path import join

if __name__ == '__main__':

    source_folder='F:\\darknet-master\\scripts\\VOCdevkit\\JPEGImages'

    dest='F:\\darknet-master\\scripts\\VOCdevkit\\VOC2018\\ImageSets\\Main\\train.txt' 

    dest2='F:\\darknet-master\\scripts\\VOCdevkit\\VOC2018\\ImageSets\\Main\\val.txt'  

    file_list=os.listdir(source_folder)       

    train_file=open(dest,'a')                 

    val_file=open(dest2,'a')                  

    for file_obj in file_list:                

        file_path=os.path.join(source_folder,file_obj) 

       

        file_name,file_extend=os.path.splitext(file_obj)

       

        file_num=int(file_name) 

        

        if(file_num<776):                     

            

            train_file.write(file_name+'\n')  

        else :

            val_file.write(file_name+'\n')    

    train_file.close()

val_file.close()

 

2.3 修改voc_label.py生成对应Main中train.txt和val.txt,记得修改对应的路径。

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('2018', 'train'), ('2018', 'val')]  #这里需要修改成对应的Main中

classes = ["cup"]  #这里需要改成对应的类别,可以有多类


def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(year, image_id):
    in_file = open('G:\\darknet-master\\scripts\\VOCdevkit\\VOC%s\\Annotations\\%s.xml'%(year, image_id))
    out_file = open('G:\\darknet-master\\scripts\\VOCdevkit\\VOC%s\\labels\\%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult)==1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('G:\\darknet-master\\scripts\\VOCdevkit\\VOC%s\\labels\\'%(year)):
        os.makedirs('G:\\darknet-master\\scripts\\VOCdevkit\\VOC%s\\labels\\'%(year))
    image_ids = open('G:\\darknet-master\\scripts\\VOCdevkit\\VOC%s\\ImageSets\\Main\\%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%sG:\\darknet-master\\scripts\\VOCdevkit\\VOC%s\\JPEGImages\\%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

os.system("cat 2018_train.txt 2018_val.txt  > train.txt")

然后运行,就会生成对应的2018_train.txt、2018_val.txt、train.txt

2.4 下载预先训练的权重

点击:darknet53.conv.74下载

2.5 整理所有的文件到对应的地方

其实最终我们只需要.jpg、.xml、2018_train.txt、2018_val.txt、darknet53.conv.74

(1)在F:\darknet-master\build\darknet\x64\data下创建两个文件夹:

obj文件夹             -----存放所有的.jpg图片和.xml文件

weights文件夹      -------存放训练后的权重文件

(2)对于2018_train.txt和2018_val.txt文件,我们用记事本打开,会发现就是图片的绝对路径而已,在这里需要修改成现在图片的路径,如下所示,其实在运行那个voc_lable.py时可以修改下图片的路径为这里的obj路径。

F:\darknet-master\build\darknet\x64\data\obj\1.jpg
F:\darknet-master\build\darknet\x64\data\obj\2.jpg
F:\darknet-master\build\darknet\x64\data\obj\3.jpg
F:\darknet-master\build\darknet\x64\data\obj\4.jpg
F:\darknet-master\build\darknet\x64\data\obj\5.jpg
F:\darknet-master\build\darknet\x64\data\obj\6.jpg
F:\darknet-master\build\darknet\x64\data\obj\7.jpg
F:\darknet-master\build\darknet\x64\data\obj\8.jpg
F:\darknet-master\build\darknet\x64\data\obj\9.jpg
F:\darknet-master\build\darknet\x64\data\obj\10.jpg

 (3)至于darknet53.conv.74文件直接放到F:\darknet-master\build\darknet\x64这个下面即可。

2.6 修改其他的文件

(1)修改voc.data

记住这里的voc.data是在F:\darknet-master\build\darknet\x64\data这下面的,做如下修改:

类别数为对应你想检测的类别,train和valid对应的路径,backup就是最后训练好的权重存放位置。

classes= 1
train  = data/2018_train.txt
valid  = data/2018_val.txt
names = data/voc.names
backup = data/weights

(2)修改yolov3-voc.cfg

记住这里的yolov3-voc.cfg是在F:\darknet-master\build\darknet\x64下的,做如下修改:

一共需要改三处,每处有两个地方需要修改,每次都是先修改[yolo]下的classes为对应的类别数,再修改[yolo]对应上面的[convolutional]下的filters为(classes+5)*3

[convolutional]
size=1
stride=1
pad=1
filters=18               #(classes+5)*3
activation=linear

[yolo]
mask = 3,4,5
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=1        #类别数
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=1

(3)修改voc.names

记住这里的voc.names是在F:\darknet-master\build\darknet\x64\data下的,做如下修改:

写上自己需要检测的类别名即可,一行一个,我这里只有一个。

cup

2.7 开始训练

    我这里是在win10系统下进行训练的,所有打开cmd,cd F:\darknet-master\build\darknet\x64,到这个路径下,然后输入:

darknet.exe detector train data/voc.data yolov3-voc.cfg darknet53.conv.74 data/weights  >> yolov3.log

这里需要等待很长时间,大概一百多次就会生成一个yolov3-voc_last.weights。>>yolov3.log :这是生成日志

2.8 测试

   测试就不跟大家多说了,主要就是为了生成权重文件,就已经大功告成了,剩下的就是效果的问题,效果好坏和数据集的大小还有训练迭代的次数有关系。

 

yolov5,如何使用CPU/GPU运行——安装环境及依赖(详细,简单易懂) yolov5很适合作为计算机视觉入门项目,但是在自己修改模型之前,项目的导入、配置对初学者来说,是一个比较繁琐的过程。博主这篇博客希望能够对初入项目领域的初学者起到一些帮助,希望能够在配置环境,安装依赖的过程中,起到参考作用。有任何问题,可以在评论区留言。t=N7T8。 阅读详情

相关推荐

colab和win10系统下yolov5的安装及训练自己的训练集

colab和win10系统下yolov5的安装及运行colab下yolov5的安装运行colab安装yolov5的目的谷歌云安装yolov5的环境准备谷歌云安装yolov5的步骤谷歌云yolov5训练自己的数据集win10下yolov5的安装运行win10安装yolov5的目的win10安装yolov5的环境准备win10安装yolov5的步骤win10的yolov5检测物体 colab下yolov5的安装运行 colab安装yolov5的目的 使用我们win10系统下的yolov5训练项目会消耗大量的时间

weixin_46502301的博客 6418

yolov5/yolov3训练自己的数据集(超详细,细的有点烦)

YOLO系列是非常优秀的物体检测框架,目前总共有V1-V5五个版本。本博客的目的在于教大家如何使用YOLOv5训练自己的数据,重点在于应用。有关原理我会在后面的博客中详细介绍。使用YOLOv5训练自己的数据往往要经过以下几个步骤: 一、环境配置 在环境配置方面,我安装的是tensorflow-gpu2.3.0、cuda10.1、cudnn7.6.4、torch1.9.0、anaconda我选择的是python3.8版本。有关详细的安装过程大家可以参考我的另一篇博客《Tensorflow-gpu2.1

qq_43078154的博客 1万+

WIN10+YOLOv4,windows上完美执行YOLOv4目标检测

YOLOv4项目实战!! 直接上教程! 一步一步教你win10下目标检测!

qq_41915226的博客 2万+

yolov3 - AlexeyAB版 ubuntu训练自己的数据集(巨详细教程)

工作里部署yolo时踩了很多坑,记录一下。 yolov4、yolov5因为各种技术不支持的原因就放弃了,选择用yolov3或yolov3-spp。 yolov3我用过两个版本,一个是原作者的darknet版,一个是yolov5作者Ultralytics LLC的版本。单纯使用的话我比较推荐后者,因为封装的比较好,而且文档做的很清晰,使用起来很爽。 但论兼容性,darknet版肯定是最好的。踩了无数坑之后,还是用回darknet版。。。毕竟是C实现的,很强很牛批。。。 ...

学渣集散地 1101

[YOLOv5]如何训练自己的数据集(GPU版)

最近在用yolov5训练自己的数据集,期间走了不少的弯路,也被师兄无情diss了半天,因此想记录一下这个过程,第一次写,如果有侵权,联系我可以删掉,如果有不对的地方,还请在评论区交流指正,谢谢大家! 1. 下载项目 源码链接:https://github.com/ultralytics/yolov5 其实官网上也有官方教程,大家想看的可以看一下 2. 配置环境 法1(官方):只需要用终端打开项目文件,运行命令即可。 pip install -r requirements.txt 法2:由于pytorch不

qq_44396101的博客 1万+

win10下YOLO v3训练自己的数据集

  一、YOLO v3的下载与编译 1、安装VS(YOLOv3支持vs2012、2013、2015,其他版本需要下载工具集)   去https://visualstudio.microsoft.com/downloads/?lang=en下载vs,YOLOv3支持vs2012、2013、2015,其他版本需要下载工具集(本人使用VS2017),下载工具集步骤:在电脑搜索框输入vi,点击Vi...

kk123k的博客 2万+

【学习总结】win10下yolov5使用GPU训练自己的模型,同时调用网络摄像头识别目标、学习指南与踩坑经验

yolov5学习经验,纯新手向,包学包会

m0_55317949的博客 3万+

YOLOv3/YOLOv4(GPU)+Win10+VS2019的配置(从0开始)

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言VS2019的下载vs2019安装勾选 前言 本文章主要分为了两个板块:YOLOv3的配置和YOLOv3用自己的数据集训练。 点击这里跳转到第二篇的地址 这几天以来,我也看了很多这方面的博客,依然是踩了很多的坑才过来的。因此我写了这两篇博客,希望能够帮助一些人。 VS2019的下载 VS2019的下载比较简单。点击下载地址即可到官网下载VS2019,选择Community版即可。 安装的时候需要注意勾选以下几个就可以了。注意要

qq_45940791的博客 7797

win10下YOLOv3训练自己的数据集检测车辆(vs2015)

目录 一、数据集准备 二、配置文件的修改及训练 三、训练结果检验 环境: WIN10 + vs2015 + python3.6 + YOLOV3 + GPU训练 一、数据集准备 这里有DETRAC数据集的包,用到的是其中的DETRAC-train-data及DETRAC-Train-Annotations-XML包。 链接:https://pan.baidu.com/s/1W...

liushangkun的博客 2万+

win10 YOLOv3-tf 训练自己的数据集

win10 YOLOv3-tf 训练自己的数据集 1.获取项目https://github.com/YunYang1994/tensorflow-yolov3/blob/master/README.md 2.运行demo(查看自己配置的环境是否符合) 3.制作训练数据集 获取yolov3-tensorflow的项目 获取地址https://github.com/YunYang1994/tens...

longlong068的博客 2747

win10+pytorch+yolov3 训练爬取数据

win10+yolov3+pytorch训练数据编译环境安装编译环境功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 编...

Break A Leg Today 1340

【目标检测】使用keras-yolov3训练自己的数据集详细流程

YOLOv3的具体的概念与流程这里不再介绍,下面直接讲解实现的步骤。 笔者的计算机环境Win10 + Python3.6 + tensorflow1.1.2 + keras??? + cuda9.0 一 制作数据集 制作数据集的工程量较为巨大,如果你有几千张图片,就要一一为这些图片做标记。如果不是做实际的工程项目或是比赛,此步骤可以跳过,在互联网上直接下载已经标记好的数据集。 著名的数据集: 1 ...

See_Star的博客 5760

win10 + Anaconda + yolov3 + pytorch (CPU版)

一、Anaconda安装与配置 推荐清华镜像站下载Windows版本,安装可参考官方文档(注意安装路径不要有中文) 安装时勾选将anaconda添加至系统环境变量中(官方文档第8步) 在cmd中输入conda -V,输出 conda x-x-x(x-x-x为版本号)即为安装成功 安装成功后将anaconda切换为清华源,具体步骤如下: win + R 打开cmd,输入conda config ...

AliceZyxw的博客 3349

win10 GPU训练yolov3数据集(darknet版)之生成darknet.exe

win10 GPU训练yolov3(配置环境)安装1.安装cuda三级目录 安装 1.安装cuda 先确定你的显卡是否适宜安装cuda,不能安装cuda,就不用往下看了,浪费时间。 三级目录 ...

qq_42751792的博客 1万+

LTX-2.3 V1.6:8G显存本地AI视频生成工具与int8量化加速实践

这次我们来看一个本地部署的AI视频生成工具——LTX-2.3文字图片生成带音频视频工具V1.6版本。这个工具最大的特点是支持int8量化加速,相比原版提速2-4倍,效果更好,而且8G显存就能运行,不需要搭建复杂环境,解压即可使用。 对于想要在本地电脑上快速生成带音频视频内容的用户来说,这个工具解决了几个关键痛点:首先是硬件门槛低,8G显存意味着大多数主流游戏显卡都能胜任;其次是部署简单,避免了Python环境配置、依赖包冲突等常见问题;最后是性能优化明显,int8加速让生成速度大幅提升。 本文会重点演示如何

hqmln的博客 1238

ENVI新手避坑指南:手把手教你搞定遥感影像的坐标系转换(附ArcGIS对比)

本文详细解析ENVI与ArcGIS在遥感影像坐标系转换中的关键差异与实战技巧,特别针对新手常见问题提供避坑指南。从基础概念到高级操作,涵盖定义投影、UTM转换等核心步骤,并对比两种软件的处理精度与效率,帮助用户高效完成遥感影像处理任务。

weixin_42531925的博客 380

WIN10下配置Yolov3(VS2019,GPU)+opencv训练自己的数据集(绝对详细,小白型记录)

大二菜鸡,因为要准备一个水下识别的比赛,想到了用yolov3这个强大的框架,参考了许多大佬的博客,在这里记录一下自己的配置过程。 ** 一、 CUDA和CUDNN配置 ** 我的显卡的GTX1060,因为之前为了安装Tensorflow2.0,所以选择CUDA10.0。 下载地址在这: https://developer.nvidia.com/cuda-10.0-download-archive?...

Nekonlaa的博客 6834

Python入门之机器学习(非常详细)篇幅拉满,一般人看不完!

什么是机器学习?监督学习 supervised learning;非监督学习 unsupervised learning;半监督学习 semi-supervised learning;强化学习 reinforcement learning;监督学习是不断向计算机提供数据(特征),并告诉计算机对应的值(标签),最后通过大量的数据,让计算机自己学会判断和识别。例如Google Photo,你在APP中输入狗,这时就会弹出与狗相关的图片,这背后使用的算法就是监督学习。

xiaolinyui的博客 2万+

yolov5 win10 CPU与GPU环境搭建,亲测有效!

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结 前言 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。 提示:以下是本篇文章正文内容,下面案例可供参考 一、pandas是什么? 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码

JulyLi2019的博客 2万+

目标检测: 一文读懂 YOLOX

论文:YOLOX: Exceeding YOLO Series in 2021 论文链接:https://arxiv.org/pdf/2107.08430.pdf 代码链接:https://github.com/Megvii-BaseDetection/YOLOX. 文章目录1 为什么提出YOLOX2 YOLOX 网络架构3 YOLOX 实施细节3.1 backbone3.2 neck3.3 Head3.3.1 Decoupled Head3.3.2 Anchor-free3.4 如何计算Loss3.5 如

weixin_46142822的博客 3万+

量化实战:用三种波动率模型给你的期货策略做个“体检”(附Python代码与螺纹钢案例)

本文深入探讨了三种专业波动率模型(Parkinson、Garman-Klass和Rogers-Satchell)在期货量化策略中的应用,并以螺纹钢期货为例,展示了如何通过Python实现这些模型进行多维度波动率分析。文章详细比较了不同模型的特点和适用场景,提供了动态仓位管理、止损策略优化等实战应用方案,帮助交易者更精准地评估市场风险,优化策略表现。

weixin_26824299的博客 462

win10 + YOLOv4 + CPU/GPU最全面配置教程

Win10下YOLOv4配置教程YOLO v4源码CUDA安装CUDNN安装OpenCV安装Cmake编译VS编译图像测试测试结果 YOLO v4源码 YOLOv4仓库github地址: https://github.com/AlexeyAB/darknet. 为了防止下载压缩包解压后会丢失一些文件,建议在码云上clone下来。 CUDA安装 CUDA是我当初安装tensorflow2.0时安的, CUDNN安装 直接从官网下载 OpenCV安装 下载好直接解压就可以 直接输入1次#,并按下space后,将

shuaijieer的博客 2万+

CKS-CN考试之路----04

根据上面信息我们知道,这个pod运行在default命名空间下,pod名字为cpu-77cd5ddcbf-bvb8w。可以从/etc/falco/falco_rules.yaml中获得相关内容,大概在文件的460行左右.编辑/etc/falco/falco_rules.local.yaml。7c688a8bfd69即是我们想要获得的docker id。将行为不当 Pod 的 Deployment 缩放为零副本。根据我们刚才定义的rule生成报告。访问/dev/mem 的 Pod。那么如果考试记不住怎么办?

Q先生 603

在win10下配置yolov3(超详细的der~)

经过千辛万苦终于将yolov3弄出来了,我希望我的配置过程可以帮助大家 文章目录vs2017安装Cuda9.0安装关于TensorFlow+Cuda+Cudnn的关系对照表Cuda的下载安装及配置Cudnn下载TensorFlow-gpu安装openCV安装配置下载darknetdarknet.vcxproj文件的修改darknet.sln文件的设置下载yolo3.weights参考 vs2017...

qq_38737790的博客 1万+

RK356x U-Boot研究所(命令篇)3.7 pci与nvme命令的用法

RK356x U-Boot研究所(命令篇)3.7 pci与nvme命令的用法

Systemcall名屋 2084

告别 DIFY 构建卡顿 / 失败!巧用 Makefile 一键构建本地 WEB 镜像,附核心避坑指南

本文详细介绍了DIFY本地源码构建WEB镜像的完整流程,重点解决因官方npm源不稳定导致的构建失败问题。通过修改web/Dockerfile文件启用国内npmmirror镜像源,可大幅提升依赖下载速度和稳定性。在DIFY根目录执行封装好的make build-web命令即可一键完成构建,无需手动编写复杂docker命令。文章还提供了前置环境准备、构建结果验证等实用指导,帮助开发者高效完成DIFY前端二次开发后的镜像构建验证。

2501_93651177的博客 184
上一篇: 用VS2015编译用GPU训练的Yolov3工程
下一篇: 【超详细】【吴恩达课后作业】Course 1-神经网络与深度学习-第四周编程作业
烊萌
博客等级 码龄10年 537粉丝 161原创
评论 63
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

打赏作者

烊萌

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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