YOLOv26训练自己的数据集

原创 已于 2026-06-16 10:17:54 修改 · 187 阅读 · 5 ·
CC 4.0 BY-SA版权
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。
文章标签：

#YOLO

于 2026-06-16 10:14:18 首次发布

文章目录

YOLOv11代码下载

https://github.com/ultralytics/ultralytics

1.数据集制作

1.1 数据集准备

1.2 数据标注

  1. 下载安装Labelimg：Labelimg
    在这里插入图片描述

  2. 新建label文件夹保存标签
    在这里插入图片描述

  3. 打开数据集文件进行标注
    快捷键w进行标注，输入标签名，比如说person，保存，然后继续下一张，直到标注完成。
    在这里插入图片描述
    YOLO格式标签生成的是txt文件
    在这里插入图片描述
    在这里插入图片描述
    VOC格式标签生成的xml文件：
    在这里插入图片描述
    在这里插入图片描述
    包含图片信息和标注的object信息（坐标、类别)
    注意：如果是包含多个类别，请注意每个类型的顺序：比如说 0：类别1，1：类别2.

1.3数据集划分

将数据集划分为训练集、测试集、验证集。训练集：验证集：测试集=8：1：1
在YOLOv11代码ultralytics/目录下新建data.py文件，将数据集的data和label文件夹进行拆分：

import os
import random
import shutil

# 原数据集目录（相对目录）
root_dir = 'datasets/原始数据集'
# 划分比例：训练集：验证集：测试集=8：1：1
train_ratio = 0.8
valid_ratio = 0.1
test_ratio = 0.1

# 设置随机种子
random.seed(42)

# 拆分后数据集目录
split_dir = 'datasets/safe'
os.makedirs(os.path.join(split_dir, 'train/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'train/labels'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'valid/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'valid/labels'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'test/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'test/labels'), exist_ok=True)

# 获取图片文件列表
image_files = os.listdir(os.path.join(root_dir, 'images'))
label_files = os.listdir(os.path.join(root_dir, 'labels'))

# 随机打乱文件列表
combined_files = list(zip(image_files, label_files))#图片、标签转化为列表
random.shuffle(combined_files)#打乱
image_files_shuffled, label_files_shuffled = zip(*combined_files)#重新获取

# 根据比例计算划分的边界索引
train_bound = int(train_ratio * len(image_files_shuffled))#图片总数*训练集比例
valid_bound = int((train_ratio + valid_ratio) * len(image_files_shuffled))

# 将图片和标签文件移动到相应的目录
for i, (image_file, label_file) in enumerate(zip(image_files_shuffled, label_files_shuffled)):
    if i < train_bound:
        shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'train/images', image_file))
        shutil.copy(os.path.join(root_dir, 'labels', label_file), os.path.join(split_dir, 'train/labels', label_file))
    elif i < valid_bound:
        shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'valid/images', image_file))
        shutil.copy(os.path.join(root_dir, 'labels', label_file), os.path.join(split_dir, 'valid/labels', label_file))
    else:
        shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'test/images', image_file))
        shutil.copy(os.path.join(root_dir, 'labels', label_file), os.path.join(split_dir, 'test/labels', label_file))

最后生成的目录文件：
c1c6f8cff01284282a586a430bad9763.png)

1.4 新建.yaml配置文件

在ultralytics/datasets/下新建xx.yaml文件。
在这里插入图片描述

2.网络训练

权重文件

  1. 新建文件夹，放置下载的yolov26权重文件。下载链接
    在这里插入图片描述

在这里插入图片描述

参数配置

  • ultralytics/cfg/default.yaml：这个文件里保存了我们模型训练的所有超参数。

  • 可以复制default.yaml文件，重命名为default1.yaml
    在这里插入图片描述

  • 修改default1.yaml里面的参数，比如说：

    • 一些训练的参数：
# Train settings -------------------------------------------------------------------------------------------------------
model: pt/yolov26n.pt #模型预训练权重路径
data: ultralytics/datasets/safe.yaml  # 数据集配置文件（yarm）文件路径
epochs: 600 # (int) 训练轮次
batch: 16 # batch size
imgsz: 640 # 图像大小
device: 0 # GPU训练还是cpu。(int | str | list) device: CUDA device=0 or [0,1,2,3] or "cpu/mps" or -1 or [-1,-1] to auto-select idle GPUs
workers: 4 # 加载数据集时的线程数
project: safe # 项目名，生成的训练结果会保存在这个目录下
  • 一些数据增强的参数：
scale: 0.5 # (float) image scale (+/- gain)
shear: 0.0 # (float) image shear (+/- deg)
perspective: 0.0 # (float) image perspective (+/- fraction), range 0-0.001
flipud: 0.0 # (float) image flip up-down (probability)
fliplr: 0.5 # (float) image flip left-right (probability)
bgr: 0.0 # (float) image channel BGR (probability)
mosaic: 1.0 # (float) image mosaic (probability)
mixup: 0.0 # (float) image mixup (probability)
cutmix: 0.0 # (float) image cutmix (probability)

训练方式

YOLO命令

  • 可以直接通过YOLO 命令来进行训练。yolo train data=ultralytics/datasets/traffic.yaml model=yolov811.pt epochs=600 lr0=0.01 batch=32
  • 参数必须以 arg=val 对，用等号分割 = 符号，每对之间用空格分隔。不要使用 -- 参数 , 参数之间。

新建py文件运行（推荐）

新建yolo.py进行训练。

  • 在代码根目录新建yolo.py,直接在代码里重写参数，会默认覆盖ultralytics/cfg/default.yaml里面的参数。 这种方式可以对网络结构进行修改。
    (yaml文件和pt文件一一对应，如果想训练YOLO的其他系列，切换模型就可以了。）

有两种训练方式：

  1. 利用预训练权重，比如说yolov11n.pt进行训练
from ultralytics import YOLO
import cv2
from PIL import Image

def tran():
    # 使用预训练权重进行训练
    model = YOLO(model="pt/yolo26n.pt")
    # 开始训练
    model.train(data="ultralytics/datasets/safe.yaml", cfg="ultralytics/cfg/default1.yaml",epochs=300, batch=32,workers=8,device="cpu")
  1. 不使用预训练权重，从零开始训练（如果对网络结构进行了修改，推荐从零开始训练）
    在这里插入图片描述

    # # 不使用预训练权重，从零开始训练（如果对网络结构进行了修改，推荐从零开始训练）
    model = YOLO('ultralytics/cfg/models/26/yolo26.yaml')
    model.train(cfg="ultralytics/cfg/default1.yaml", data="ultralytics/datasets/safe.yaml", epochs=600, close_mosaic=30, batch=4)
    # 这里写的参数会覆盖之前的default.yaml中的参数

3. 网络验证

需要加载训练好的best.pt权重模型，data参数需要传入数据集对应的yaml文件

def val():
    # 在训练数据集上进行验证
    model = YOLO(model='runs/train/weights/best.pt')
    model.val(data='ultralytics/datasets/safe.yaml')

4. 模型预测

需要加载训练好的best.pt权重模型，source参数需要传入你想要预测的图片或者视频或者文件夹

def predict():

    model = YOLO(model="model.pt")#训练完的模型文件路径
    # accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
    model.predict(source="folder",save=True,save_txt=True)  # #source="folder"预测数据的文件夹路径

    # # from PIL
    # im1 = Image.open("bus.jpg")
    # results = model.predict(source=im1, save=True)  # save plotted images
    #
    # # from ndarray
    # im2 = cv2.imread("bus.jpg")
    # results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels
    #
    # # from list of PIL/ndarray
    # results = model.predict(source=[im1, im2])

注意：网络训练和验证、推理（预测）不能同时进行，必须要训练完之后才能进行验证、推理（预测），主函数中只能同时运行一个，其余代码需要注释掉

完整代码：



from ultralytics import YOLO
import cv2
from PIL import Image

def tran():
    # 使用预训练权重进行训练
    model = YOLO(model="pt/yolo26n.pt")
    # 开始训练
    model.train(data="ultralytics/datasets/safe.yaml", cfg="ultralytics/cfg/default1.yaml",epochs=300, batch=32,workers=8,device="cpu")

    # # 不使用预训练权重，从零开始训练（如果对网络结构进行了修改，推荐从零开始训练）
    model = YOLO('ultralytics/cfg/models/26/yolo26.yaml')
    model.train(cfg="ultralytics/cfg/default1.yaml", data="ultralytics/datasets/safe.yaml", epochs=600, close_mosaic=30, batch=4)
    # 这里写的参数会覆盖之前的default.yaml中的参数

def val():
    # 在训练数据集上进行验证
    model = YOLO(model='runs/train/weights/best.pt')
    model.val(data='ultralytics/datasets/safe.yaml')

def predict():

    model = YOLO(model="model.pt")#训练完的模型文件路径
    # accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
    model.predict(source="folder",save=True,save_txt=True)  # #source="folder"预测数据的文件夹路径

    # # from PIL
    # im1 = Image.open("bus.jpg")
    # results = model.predict(source=im1, save=True)  # save plotted images
    #
    # # from ndarray
    # im2 = cv2.imread("bus.jpg")
    # results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels
    #
    # # from list of PIL/ndarray
    # results = model.predict(source=[im1, im2])

if __name__ == '__main__':
    tran()

5. 训练结果

tensorboard

找到tensorboard文件所在路径
在这里插入图片描述

  • 查看训练命令: tensorboard --logdir=tensorboard文件路径
  • tensorboard记录了很多训练曲线，可以直接下载图片，也可以导出数据为csv格式，自己通过python绘图绘制曲线（推荐）
    在这里插入图片描述

Yolo训练自带结果

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
在这里插入图片描述

预测图片效果

在这里插入图片描述
在这里插入图片描述

6.目标计数

统计图片中的某个类别的数量：

#图片计数
import cv2
from ultralytics import YOLO

def count_specific_class(image_path, output_img_path, model_path, target_classes=[0]):
    model = YOLO(model_path)
    img = cv2.imread(image_path)
    results = model(img, classes=target_classes)[0]  # cls_id 换成你的类别ID
    obj_num = len(results.boxes)

    res_img = results.plot()
    cv2.imwrite(output_img_path, res_img)
    print(f"指定类别目标数量：{obj_num}")
    cv2.destroyAllWindows()

if __name__ == "__main__":
    # 示例：只统计类别0的目标
    count_specific_class("图片路径", "保存路径", "runs/train/weights/best.pt", target_classes=[0])#.pt文件替换为训练好的权重文件

统计视频中的检测目标数量：

import cv2

from ultralytics import solutions

# 视频计数
def count_objects_in_region(video_path, output_video_path, model_path):
    """Count objects in a specific region within a video."""
    cap = cv2.VideoCapture(video_path)
    assert cap.isOpened(), "Error reading video file"
    w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
    video_writer = cv2.VideoWriter(output_video_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

    region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
    counter = solutions.ObjectCounter(show=True, region=region_points, model=model_path)

    while cap.isOpened():
        success, im0 = cap.read()
        if not success:
            print("Video frame is empty or processing is complete.")
            break
        results = counter(im0)
        video_writer.write(results.plot_im)

    cap.release()
    video_writer.release()
    cv2.destroyAllWindows()


count_objects_in_region("path/to/video.mp4", "output_video.avi", "yolo26n.pt")

7.热力图可视化

用来显示某一层网络之后的输出特征图。

#图片heatmap
import cv2
from ultralytics import solutions

# 图片路径、输出路径、模型、指定检测类别
img_path = "bus.jpg"
save_path = "heatmap_result.jpg"
model_path = "runs/train/weights/best.pt"#训练好的权重路径
# classes 填你需要的类别ID
target_classes = [0, 2]

# 读取图片
im0 = cv2.imread(img_path)
# 初始化热力图工具
heatmap = solutions.Heatmap(
    show=True,
    model=model_path,
    classes=target_classes
)

# 生成热力图
result_img = heatmap(im0)

# 保存结果图片
cv2.imwrite(save_path, result_img)
print(f"热力图已保存至: {save_path}")

cv2.destroyAllWindows()

视频热力图：

#视频heatmap
import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
heatmap = solutions.Heatmap(show=True, model="yolo26n.pt", classes=[0, 2])

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = heatmap(im0)
cap.release()
cv2.destroyAllWindows()

需要修改对应的权重文件

热力图结果：
在这里插入图片描述
在这里插入图片描述

【YOLO26实战全攻略】03——原理拆解+全平台部署+自定义训练（含完整代码）
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
03-12 238
YOLO26作为Ultralytics推出的边缘友好型目标检测模型，凭借轻量化架构、高推理速度和低资源占用，成为嵌入式设备与端侧应用的优选方案。本文从新手视角出发，先梳理YOLO26的技术背景与核心优势，再用通俗语言拆解其Anchor-free检测原理、特征融合机制等核心概念，随后详解网络结构构建逻辑。在此基础上，提供Windows 10/11、Ubuntu 20.04/22.04全平台零失败部署流程，结合篮球比赛目标检测虚拟案例，完整演示数据集准备、自定义训练、模型评估与部署全流程。
【YOLO26实战全攻略】08——YOLO26模型导出与部署全攻略：从训练权重到生产环境（含5种格式+INT8量化+实战案例）
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
03-15 356
本文聚焦YOLO26模型从训练权重到生产环境的全流程部署，针对“训练精度高、部署效果差”的行业痛点，详解其无NMS端到端推理、量化友好架构、全格式导出三大核心优势。内容涵盖ONNX、TensorRT、OpenVINO、TFLite、CoreML五种主流格式的导出原理与实操步骤，深入剖析INT8量化、混合量化等边缘优化技术，并通过智慧园区车辆检测虚拟案例，完整演示从模型准备、格式导出、引擎适配到性能验证的全流程。文中提供可直接复制运行的代码、详细执行结果及避坑指南，兼顾新手入门与进阶读者提升，更好的帮助读者。
[目标检测]YOLOv26环境配置与训练全攻略
yry5289的博客
03-20 863
​下载完成之后解压到D盘或其它盘文件夹内，此时点击鼠标右键文件夹通过pycharm打开，打开后需要配置虚拟环境，新版pycharm可选中文语言，点击左上角 文件-设置，点击 项目：yolo26，点击python解释器，点击右边添加解释器-添加本地解释器，创建一个新的python环境，这里以yolov26命名新建环境，python使用3.12。回车后出现新建环境提醒输入 y 继续，耐心等待全部下载完成后自动安装。切换环境后，我们进入PyTorch官网安装PyTorch。安装完成出现下图则环境配置完成。
YOLOv12训练全攻略：从数据准备到模型部署的完整流程
gitblog_00427的博客
04-08 579
YOLOv12是NeurIPS 2025提出的基于注意力机制的高性能实时目标检测器，在保持CNN速度优势的同时实现了注意力机制的性能提升。本文将详细介绍YOLOv12的完整训练流程，从环境配置到模型部署，帮助初学者快速掌握这一先进的目标检测技术。😊 ## 一、环境安装与配置 ### 1.1 安装Python环境 YOLOv12支持Python 3.11环境，推荐使用conda创建虚拟环境：
【YOLO26实战全攻略】02——YOLO26零失败部署全攻略：Win/Linux保姆级安装+数据集准备（含完整代码+避坑手册）
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
03-10 631
YOLO26作为边缘设备专用的目标检测新范式，其环境配置涉及系统、显卡、框架等多组件协同，是新手入门的核心痛点。本文针对Windows 10/11、Ubuntu 20.04/22.04全平台，从硬件自查、Python虚拟环境搭建、PyTorch（GPU/CPU版）安装，到YOLO26一键部署，提供 step-by-step 实操指南。同时详解五大视觉任务快速验证、30+常见错误解决方案，并通过篮球比赛目标检测虚拟案例，完整演示数据集下载、格式验证、标注可视化全流程。
【YOLO26实战全攻略】10——YOLO26+SAM3实战：从检测到像素级分割的全流程指南（含PCB缺陷检测案例）
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
03-17 461
本文聚焦YOLO26与SAM3的融合应用，系统讲解“检测+分割”的三种核心模式：YOLO26原生分割（轻量高效）、YOLO26检测+SAM3精细分割（精度极致）、SAM3自动标注+YOLO26蒸馏（低成本冷启动）。从环境搭建、数据集准备、模型训练、性能优化到边缘部署，提供 step-by-step 实操教程，配套完整可运行代码与执行结果。结合虚拟PCB缺陷检测案例，展示像素级缺陷识别与几何参数测量的工业级应用流程。本文兼顾新手入门与进阶提升，注重实用价值，读者可直接参考搭建自己的分割系统。
YOLOv11【第五章：数据工程与增强篇·第3节】Albumentations库全攻略：自定义增强流水线搭建！
**My Coding Family**
06-11 429
🏆 本文收录于专栏 《YOLOv11实战：从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化 展开，系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案，内容目前已覆盖 分类、检测、分割、追踪、关键点、OBB 检测 等多个方向。
【YOLO26实战全攻略】20——智慧交通（二）：团雾识别+车流量统计全流程落地
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
05-12 707
团雾作为高速公路"流动杀手"，常导致能见度骤降、事故频发，而传统监测手段响应滞后、统计粗放；车流量数据则是交通管控的核心依据，但精细化分类统计一直是行业痛点。本文基于YOLO26的边缘友好特性，结合FAENet特征增强网络与ByteTrack跟踪算法，打造了一套"团雾分级预警+多车型流量统计"的智慧交通解决方案。从核心原理拆解、环境搭建、数据预处理，到完整代码实现、边缘部署优化，全程实操演示，最终实现团雾检测延迟<2秒、车流量统计准确率>95%的落地效果。无论是新手入门还是工程化部署，都能从中获取可直接复用
YOLO12模型部署到Jetson系列：边缘计算优化全攻略
weixin_42613017的博客
02-11 102
本文介绍了如何在星图GPU平台上自动化部署YOLO12 实时目标检测模型 V1.0镜像，高效支撑边缘端实时视觉任务。依托平台能力，用户可快速完成模型容器化部署与优化，典型应用于工业产线微小划痕质检，实现28FPS稳定推理与高精度目标识别，显著提升边缘智能检测效率。
鱼眼相机视角下人体姿态人员行为人体活动状态检测数据集VOC+YOLO格式2520张6类别
2403_88102872的博客
06-11 169
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["falling","lying","running","sitting","standing","walking"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)standing（站立） 占有图片数 = 420。falling（跌倒） 占有图片数 = 420。
带标注的薄荷病叶数据集，识别率98.8%，3533张图，支持yolo，coco json，voc xml,文末有模型训练代码
yolo模型训练找我，AI游戏合作找我
06-12 81
​带标注的薄荷病叶数据集，识别率98.8%，3533张图，支持yolo，coco json，voc xml,文末有模型训练代码。
智慧医疗头颅侧位片特征点检测数据集VOC+YOLO格式1571张19类别
FL1623863129的博客
06-16 193
LowerIncisalincision（下中切牙切缘点） 占有图片数 = 1571。UpperIncisalincision（上中切牙切缘点） 占有图片数 = 1571。PosteriorNasalSpine（后鼻棘） 占有图片数 = 1571。AnteriorNasalSpine（前鼻棘） 占有图片数 = 1571。Subspinale（上齿槽前点/前鼻棘下点） 占有图片数 = 1571。Supramentale（颏上点） 占有图片数 = 1571。
地平线BPU部署实战：YOLOv8在J5/X3上的算法适配与性能优化
最新发布
谁念西风独自凉
06-16 16
地平线BPU部署核心:1. BPU是CNN专用加速器, 不是通用NPU2. 天工开物工具链是必经之路3. YOLOv8适配关键: C2f拆解 + 检测头简化4. 混合精度: backbone INT8 + head FP165. 能效比是BPU的最大优势(32-39 FPS/W)选型建议: 追求能效选地平线, 追求生态选Jetson地平线BPU在能效比上有着显著优势，特别适合对功耗敏感的边缘场景。理解BPU的架构特性，做好YOLOv8的算法适配，就能在3W功耗下实现100+FPS的实时检测。
目标检测-根据YOLO格式标签统计目标尺寸分布
张飞飞的博客
06-11 257
那么要按照 COCO 的标准统计目标尺寸，必须结合对应图像的实际分辨率计算目标面积。代码只需要修改label_dir和image_dir即可。
智慧交通道路两旁坍塌堵塞检测数据集VOC+YOLO格式1552张2类别
2403_88102872的博客
06-11 207
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["duse","tanta"]tanta（坍塌） 占有图片数 = 616。duse（堵塞） 占有图片数 = 937。图片数量(jpg文件个数)：1552。标注数量(xml文件个数)：1552。标注数量(txt文件个数)：1552。
YOLO26 自定义数据集 索引-类别对应关系
二分掌柜的
06-11 227
flyfish
Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models——统一的实时端到端视觉模型
Together_CZ的博客
06-13 340
Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models——统一的实时端到端视觉模型
YOLOv11 TensorRTX（TensorRT C++） vs ONNX Runtime 速度对比(AI总结)
qq_30150579的博客
06-16 244
YOLOv11 TensorRTX（TensorRT C++） vs ONNX Runtime 速度对比(AI总结)
YOLO11 改进系列 | 引入2025年 BLD-IoU Loss：边界级定位偏差 bbox 回归改进，适合边界精修和高精度定位
qq_44224801的博客
06-12 54
本文介绍了YOLO11中引入的BLD-IoU边界级定位偏差bbox回归损失，该改进在CIoU相似度的基础上显式计算预测框四条边与GT框之间的归一化偏移，从边界级别约束定位误差。BLD-IoU通过配置box_loss: bld_iou启用，不改变模型结构，仅在训练阶段优化bbox相似度计算。其核心创新是：1)在CIoU基础上加入四边定位偏差惩罚；2)使用GT宽高归一化边界偏差；3)保持与YOLO11训练流程兼容。相比传统IoU损失，BLD-IoU更适合边界贴合要求高、小目标定位、细长目标等场景，能显著提升边界
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