triton 部署yolov5模型

NVIDIA Triton系列-YOLOV5 部署(1) -环境搭建及部署并使用Perf_Analyze测试ONNX YOLOV5M 利用英伟达高性能部署方案Triton完成YOLOV5的trt+ensemble+python backend的部署 阅读详情

一、安装triton

0.安装docker和nvidia-docker

1. 安装以下网站获取Nvidia授权账号密码

Nvidia授权

2. 安装triton

docker login nvcr.io

Username: XXXXXXX
Password: XXXXXXX

sudo docker pull nvcr.io/nvidia/tritonserver:22.04-py3

二、准备yolov5模型

参考 yolov5训练自己的数据集

三、启动triton服务

1.搭建模型目录

/home/triton/model_repository  # model-repository-path 可自行修改 
└── model_test  # your_model_name  可自行修改
      ├── 1  # 固定路径,不可修改
      │   └── model.onnx    # 默认onnx模型名

2.启动服务

sudo docker run -d --gpus=1 --rm -p8000:8000 -p8001:8001 -p8002:8002 -v /home/triton/model_repository:/models nvcr.io/nvidia/tritonserver:22.04-py3 tritonserver --model-repository=/models --strict-model-config=false

4. 查看config,登录网址

http://ip:8000/v2/models/model_test/config

三、客户端调用

1.需要tritonclient模块,参考代码

import numpy as np
import tritonclient.grpc as grpcclient
import cv2 as cv

color_list = [(255, 0, 0), (0, 255, 0)]

class MY_data:
    def __init__(self, rect_list, name_list, img) -> None:
        self.rect_list = rect_list
        self.name_list = name_list
        self.img = img

    def show(self):
        for i in range(len(self.rect_list)):
            cv.rectangle(self.img, self.rect_list[i], color_list[0] if self.name_list[i] == 'people' else color_list[1])
        cv.imshow("test", self.img)
        cv.waitKey(0)
        cv.imwrite('test.jpg', self.img)

if __name__ == "__main__":

    triton_client =  grpcclient.InferenceServerClient(
        url='XXX.XXX.XXX.XXX:8001',
        verbose=False,
        ssl=False,
        root_certificates=None,
        private_key=None,
        certificate_chain=None)
    # 测试图片    
    src_img = cv.imread('3.jpg')

    max_side = src_img.shape[1] if src_img.shape[1] >src_img.shape[0] else src_img.shape[0]

    dst_img = np.zeros([max_side, max_side, 3], dtype=np.uint8)
    dst_img[0:src_img.shape[0], 0:src_img.shape[1]] = src_img.copy()


    x_factor = dst_img.shape[1]/640
    y_factor = dst_img.shape[0]/640

    img = cv.resize(dst_img, [640, 640])
    
    img = img /255.
    inputs = []
    inputs.append(grpcclient.InferInput('images', [3, 640, 640], "FP32"))
    img = img.astype(np.float32).transpose((2, 0, 1))

    # 增加维度,编程 1X3X640X640
    # img = np.expand_dims(img,axis=0)

    inputs[0].set_data_from_numpy(img)
    outputs = []
    outputs.append(grpcclient.InferRequestedOutput('output'))

    results = triton_client.infer(model_name='yolov5', inputs=inputs, outputs=outputs,compression_algorithm=None)

    predictions = results.as_numpy("output")[0]
    # print(predictions[0])

    rows = 25200
    dimensions = 7

    scoreThreshold = 0.2
    nmsThreshold = 0.4
    confThreshold = 0.4

    class_name = ['label1', 'label2']

    confidence_list = []
    class_list = []
    rect_list = []

    for i in range(rows):
        res = predictions[i]
        confidence = res[4]
        
        if confidence > confThreshold:
            print(confidence)
            max = -1
            max_index = -1
            for j in range(len(class_name)):
                if res[5 + j] > max:
                    max = res[5 + j]
                    max_index = j
            confidence_list.append(confidence)
            class_list.append(class_name[max_index])
            x = res[0]
            y = res[1]
            w = res[2]
            h = res[3]
            left = int((x - w/2)*x_factor)
            top = int((y - h/2)*y_factor)
            width = int(w*x_factor)
            height = int(h*y_factor)
            rect_list.append([left, top, width, height])
    # print(rect_list)
    nms_result = cv.dnn.NMSBoxes(np.array(rect_list), np.array(confidence_list), scoreThreshold, nmsThreshold)  
    print(nms_result)  
    r_l = []
    n_l = []
    for k in range(len(nms_result)):
        id = nms_result[k]
        rect = rect_list[id]
        r_l.append(rect)
        name = class_list[id]
        n_l.append(name)
    # print(r_l)
    my_data = MY_data(r_l, n_l, src_img)
    my_data.show()
triton环境安装 基于centos7安装,曾经尝试了ubuntu16.04安装nvidia的驱动,发现非常麻烦,不推荐,推荐centos7安装,直接命令行就可以安装,相关教程可参考之间发布的博客。 阅读详情

相关推荐

YoloV5 用的Triton 模型导出和测试

固定/不固定模型参数,都写default=[640, 640]占位如果不固定模型参数,需要在--dynamic里默认为True。这样子,做inference的时候,图片是任意的尺寸输入。

EmoC的博客 479

triton部署yolov5笔记(五)

总结

weixin_41796280的博客 1308

Triton服务器部署Yolov5s模型应用

目录 1. Triton介绍 2.Yolov5s模型部署 2.1Triton服务端部署 2.2Triton客户端部署 1. Triton介绍 NVIDIA Triton推理服务器是NVIDIA推出的开源推理框架,主要为用户提供在云和边缘推理上部署的解决方案。 NVIDIA Triton 推理服务器 具有以下的特性: 支持多种开源框架的部署,包括TensorFlow/PyTorch/ONNX Runtime/TensorRT 等,同时也支持用户提供自定义的服务后端(back...

space01的专栏 1601

python模块triton安装教程

Triton是一个用于高性能计算的开源库,特别适用于深度学习和科学计算。通过预编译的 whl 文件安装Triton可以简化安装过程,尤其是在编译时可能会遇到依赖问题的情况下。

2401_85863780的博客 9974

1116-极智开发-解读数据增强之Mosaic及示例代码

1116_极智开发_解读数据增强之Mosaic及示例代码

国产AI芯动力:复旦微FMQL100TAI900 FPGA原型验证板全解析

本文全面解析了复旦微FMQL100TAI900 FPGA原型验证板在国产AI硬件领域的创新突破。该板卡采用全栈国产化设计,具备出色的AI推理性能、视频处理能力和接口生态,特别适合工业质检、智能交通等场景。文章详细介绍了其芯片架构、存储子系统、接口扩展及电源设计,并分享了实战开发经验,为开发者提供了一套可靠的国产计算平台解决方案。

weixin_29250573的博客 458

yolov5模型部署:Triton服务器+TensorRT模型加速(基于Jetson平台)

系列文章目录 yolov5 win10 CPU与GPU环境搭建,亲测有效! yolov5训练自己的数据集,详细教程! yolov5转tensorrt模型 Jetson调用triton inference server详细笔记 Jetson下Triton部署yolov5的trt目标检测系统 文章目录系列文章目录前言一、建立triton模型库1.1config文件编写1.2文件配置二、启动triton服务三、启动客户端测试图片测试视频总结 前言 在完成yolov5环境搭建,训练自己的模型,以及将yolov

JulyLi2019的博客 7807

【转载】参数估计(Parameter Estimation):频率学派(最大似然估计MLE、最大后验估计MAP)与贝叶斯学派(贝叶斯估计BPE)

基础 频率学派与贝叶斯学派 http://www.douban.com/group/topic/16719644/ http://www.zhihu.com/question/20587681 最大似然估计(Maximum likelihood estimation,MLE) http://baike.baidu.com/view/1918804.htm http://baike.baidu.co

影 的专栏 3413

Triton部署YOLOV5笔记(一)

triton部署yolov5模型

weixin_41796280的博客 4201

【Python】SimpleITK使用笔记

1. 概念 1.1 nii格式 1.2 SimpleITK 1.3 SimpleITK 图像 2. 基本操作 2.1 常见属性 2.1 读取和保存图像 2.2 SimpleITK图像数据和Numpy矩阵数据之间的转换

See_Star的博客 7900

科研绘图避坑指南:用PyMol制作期刊级蛋白-配体相互作用图(含氢键显示技巧)

本文是一份专业的科研绘图避坑指南,详细讲解如何利用PyMol软件制作符合期刊发表标准的蛋白-配体相互作用图。文章重点分享了从构图逻辑、精准选择到氢键等相互作用的艺术化表达技巧,并提供了视觉优化与期刊适配的终极参数设置,帮助科研人员产出兼具科学严谨性与视觉美感的专业图表。

weixin_29292431的博客 271

yolov5m.pt triton部署

1.创建triton docker镜像 docker pull nvcr.io/nvidia/tritonserver:21.10-py3 2.将yolov5m转为onnx A.下载yolov5官方代码 B.在运行export.py文件之前,因为onnx必须转成动态的,需要修改dynamic参数,并且根据自己需求修改精度(一般为FP16)。 python path/to/export.py --weights yolov5m.pt --img 640 --include onnx --dynamic --

qq_42316533的博客 2379

KUKA机器人自动回原点程序

创建两个全局变量分别用于储存机器人的笛卡尔姿态与关节角姿态。打开System文件夹中的config文件创建全局变量的点位。在USER GROBALS用户自定义变量Userdefined variables下创建一个E6POS类型的点位,一个E6AXIS类型的点位。

A567852的博客 5217

yolo模型部署——tensorRT模型加速+triton服务器模型部署

将最近的工作做个记录,方便日后学习回顾: 1.针对项目需求开发满足任务的模型,拿到任务就要去选相应的算法,由于是工程应用型,必须找填坑多的算法,这样遇到问题可参考的资料多。 2.做好以后,还要将开发的算法进行封装集成,要交付的是一个相对成熟的产品,所以涉及到算法和模型的部署,而不是每个应用场景都需要像开发环境一样去构建开发环境。 3.在本次模型的部署中遇到了各种各样的问题,有些细小问题无法全面记录,本次只按开发流程记录必要步骤。 4.主要涉及环境配置、模型训练、模型编译、模型部署、产品测试。 5.包含te.

小屋 1万+

152:vue+leaflet 判断一个点是否在一个电子围栏内

本文介绍了一个基于Vue+Leaflet的示例,演示如何判断点是否在电子围栏内。作者大剑师兰特(CSDN知名博主)展示了使用polygon.getBounds().contains(latlng)方法检测点与多边形边界的关系。代码仅需80行,通过点击地图触发判断逻辑,结果显示提示信息。该技术可广泛应用于地理围栏、位置服务等场景,需要安装turf依赖。文章提供了完整源码和配置说明,适合GIS开发者学习参考。

大剑师兰特的GIS世界 759

Python电商网站全站爬虫实战:以京东为例的数据采集与分析

随着电子商务的蓬勃发展,电商数据已成为市场研究、竞争分析和消费者行为研究的重要资源。本文详细介绍了如何使用Python最新技术栈构建一个高效的电商网站全站爬虫,以京东为例实现商品数据的自动化采集。文章涵盖了爬虫的法律与伦理考量、技术选型、反爬虫策略应对、分布式架构设计以及数据存储方案,并提供了完整的代码实现。本爬虫系统采用Scrapy-Redis分布式框架、Selenium动态渲染、智能代理轮换和机器学习验证码识别等先进技术,能够稳定高效地抓取京东全站商品数据,为电子商务研究提供数据支持。关键词。

2201_76125261的博客 416

小模型在昇腾NPU上的推理部署:【triton-server服务化部署yolov8/yolov11/yolov5】

模型仓库的目录结构配置文件的详细解释Python 后端服务端代码(基于ais_bench推理接口)客户端调用示例Triton Server 启动命令注意:本文仅聚焦于模型的服务化部署,未包含预处理(如图像缩放、归一化)和后处理(如 NMS、结果解析)逻辑。开发者需根据实际业务需求自行实现这些部分。前后处理的实现可参考昇腾官方仓库示例:🔗Ascend/modelzoo-GPL - Yolov8 for PyTorch 前后处理参考。

qq_52777223的博客 864

Agile Modbus使用和学习笔记

i < len;这里仅仅需要提供获取函数即可,离散输入是只读类型i++) {return 0;只读类型寄存器i++) {return 0;i < len;

Car12 171

Triton部署YOLOV5笔记(二)

python backend triton

weixin_41796280的博客 2797

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Jetson调用triton inference server详细笔记

文章目录一、jetson安装triton-inference-server1.1 jtop命名行查看jetpack版本与其他信息1.2下载对应版本的安装包1.3解压刚刚下载的安装包,并进入到对应的bin目录下1.4尝试运行一下tritonserver二、运行triton-inference-server2.1下载相关文件包2.2 生成模型文件2.3启动tritonserver三、测试triton client demo3.1安装客户端依赖项3.2安装python 客户端库3.3运行onnx分类模型demo总

JulyLi2019的博客 5184

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

YOLOv5模型部署:混合部署策略

你是否在部署YOLOv5模型时面临以下困境:云端GPU资源昂贵却利用率不足?边缘设备算力有限无法承载复杂模型?Web端实时性要求与模型体积之间难以平衡?混合部署策略通过动态调度不同硬件环境下的最优模型格式,可将推理成本降低60%同时保持99%精度,彻底解决这些矛盾。本文将系统讲解YOLOv5的全场景部署方案,从模型导出、格式选型到多端协同,提供可落地的混合部署架构与实战代码。 读完本文你将掌握:...

gitblog_00221的博客 956

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

triton部署yolov5笔记(三)

tensorrt yolov5

weixin_41796280的博客 2261

无需重启服务:YOLOv5模型热更新技术全解析

你是否遇到过目标检测服务更新模型时必须重启系统的困扰?生产环境中即使短暂的服务中断也可能造成重大损失。本文将详细介绍如何利用YOLOv5框架实现模型的热更新技术,让你能够在不中断服务的情况下完成模型迭代升级。通过本文你将学到:Triton Inference Server部署方案、Flask动态加载实现、多版本模型管理策略以及热更新最佳实践。 ## 热更新技术原理与优势 模型热更新(Hot U...

gitblog_00864的博客 462

YOLOv5~TRT~JetsonNX部署

针对不同的平台,如何使深度学习算法的推理速度更快,无疑可以影响用户的体验,甚至可以影响一个算法的有效性,这是深度学习模型部署所要研究的问题。目前模型部署框架则有NVIDIA推出的TensorRT,谷歌的Tensorflow和用于ARM平台的tflite,开源的caffe,百度的飞桨等。在AIOT、移动设备以及自动驾驶等领域...

weixin_41287143的博客 318

triton部署yolov5笔记(四)

triton部署yolov5系列笔记

weixin_41796280的博客 2530
上一篇: PTGui使用教程
what_wrong
博客等级 码龄9年 6粉丝 12原创
评论
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
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