Python实现Labelme的Json标注文件与YOLO格式的TXT标注文件相互转换

原创 已于 2023-11-06 21:58:40 修改 · 4.7k 阅读 · 46 ·
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：

#python #json #YOLO #目标检测 #人工智能

于 2023-11-06 21:48:54 首次发布
本文围绕Python、YOLO和目标检测展开。介绍了Python、PyTorch、YOLOv5、YOLO格式标签及Labelme图像标注工具。强调实现Labelme的Json标注文件与YOLO格式的TXT标注文件相互转换的必要性，并给出了转换的代码实现和输出结果示例。
部署运行你感兴趣的模型镜像

Python实现Labelme的Json标注文件与YOLO格式的TXT标注文件相互转换

在这里插入图片描述

前言

前提条件

相关介绍

  • Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
  • PyTorch 是一个深度学习框架，封装好了很多网络和深度学习相关的工具方便我们调用，而不用我们一个个去单独写了。它分为 CPU 和 GPU 版本，其他框架还有 TensorFlow、Caffe 等。PyTorch 是由 Facebook 人工智能研究院（FAIR）基于 Torch 推出的，它是一个基于 Python 的可续计算包，提供两个高级功能：1、具有强大的 GPU 加速的张量计算（如 NumPy）；2、构建深度神经网络时的自动微分机制。
  • YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。它是一个在COCO数据集上预训练的物体检测架构和模型系列，代表了Ultralytics对未来视觉AI方法的开源研究，其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。
  • YOLO格式标签是目标检测任务中常用的标注格式之一。YOLO格式标注文件由目标框的中心点坐标、宽度和高度组成。具体来说，YOLO格式标注文件的每一行都包含了一个目标的标注信息，其中第一个数字表示目标的类别，后面四个数字分别表示目标框的中心点坐标（x_center, y_center）和宽度w以及高度h，这些值都是相对于图像宽度和高度的比例。
  • 例如，下面是一个YOLO格式标注文件的示例：
    在这里插入图片描述
  • 其中，第一行表示一个类别为45的目标，其中心点坐标为图像宽度的0.749891和0.255612，宽度和高度分别为图像宽度和高度的0.477249和0.511224；第二行表示一个类别为50的目标，其中心点坐标为图像宽度的0.64458和0.722577，宽度和高度分别为图像宽度和高度的0.492199和0.513077。
  • Labelme是一款图像标注工具，由麻省理工(MIT)的计算机科学和人工智能实验室(CSAIL)研发。它是用Python和PyQT编写的，开源且免费。Labelme支持Windows、Linux和Mac等操作系统。
  • 这款工具提供了直观的图形界面，允许用户在图像上标注多种类型的目标，例如矩形框、多边形、线条等，甚至包括更复杂的形状。标注结果以JSON格式保存，便于后续处理和分析。这些标注信息可以用于目标检测、图像分割、图像分类等任务。
  • 总的来说，Labelme是一款强大且易用的图像标注工具，可以满足不同的图像处理需求。

实验环境

  • Python 3.x （面向对象的高级语言）

Labelme的Json标注文件与YOLO格式的TXT标注文件相互转换

  • 背景：Labelme仍市面上是一款主流的免费图像标注工具，比如可以用其来进行目标检测、图像分割等的标注，目前，还是有很多数据集标注文件是Labelme格式，因此，实现Labelme的Json标注文件与YOLO格式的TXT标注文件相互转换，是非常有必要的。
  • 目录结构
    在这里插入图片描述

convert_labelme_json_to_txt

在这里插入图片描述

jsons/000000000009.json

{
    "version": "4.5.7",
    "flags": {},
    "shapes": [
        {
            "label": "45",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    1.0799999999999699,
                    187.69008
                ],
                [
                    612.66976,
                    473.53008
                ]
            ]
        },
        {
            "label": "45",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    311.73024,
                    4.310160000000001
                ],
                [
                    631.01024,
                    232.99032
                ]
            ]
        },
        {
            "label": "50",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    249.60032000000007,
                    229.27032
                ],
                [
                    565.84032,
                    474.35016
                ]
            ]
        },
        {
            "label": "45",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    0.0003200000000092018,
                    13.510080000000002
                ],
                [
                    434.48032,
                    388.63007999999996
                ]
            ]
        },
        {
            "label": "49",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    376.2,
                    40.35996
                ],
                [
                    451.75007999999997,
                    86.88996
                ]
            ]
        },
        {
            "label": "49",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    465.7797119999999,
                    38.969952
                ],
                [
                    523.849728,
                    85.63996800000001
                ]
            ]
        },
        {
            "label": "49",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    385.70016000000004,
                    73.65983999999999
                ],
                [
                    469.72,
                    144.16992
                ]
            ]
        },
        {
            "label": "49",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    364.04959999999994,
                    2.4900960000000016
                ],
                [
                    458.80992,
                    73.559856
                ]
            ]
        }
    ],
    "imagePath": "000000000009.jpg",
    "imageData": null,
    "imageHeight": 480,
    "imageWidth": 640
}

代码实现

import json
import os
import glob
from tqdm import tqdm


def convert_poly_to_rect(coordinateList):
    X = [int(coordinateList[2 * i]) for i in range(int(len(coordinateList) / 2))]
    Y = [int(coordinateList[2 * i + 1]) for i in range(int(len(coordinateList) / 2))]

    Xmax = max(X)
    Xmin = min(X)
    Ymax = max(Y)
    Ymin = min(Y)
    flag = False
    if (Xmax - Xmin) == 0 or (Ymax - Ymin) == 0:
        flag = True
    return [Xmin, Ymin, Xmax - Xmin, Ymax - Ymin], flag

def convert_labelme_json_to_txt(json_path,img_path,out_txt_path):
    json_list = glob.glob(json_path + '/*.json')
    num = len(json_list)
    for json_path in tqdm(json_list):
        with open(json_path, "r")as f_json:
            json_data = json.loads(f_json.read())
        infos = json_data['shapes']
        if len(infos) ==0:
            continue
        img_w = json_data['imageWidth']
        img_h = json_data['imageHeight']
        image_name = json_data['imagePath']
        image_path = os.path.join(img_path, image_name)
        if not os.path.exists(img_path):
            print(img_path, 'is None!')
            continue
        txt_name = os.path.basename(json_path).split('.')[0] + '.txt'
        txt_path = os.path.join(out_txt_path, txt_name)
        f = open(txt_path, 'w')
        for label in infos:
            points = label['points']
            if len(points) < 2:
                continue

            if len(points) == 2:
                x1 = points[0][0]
                y1 = points[0][1]
                x2 = points[1][0]
                y2 = points[1][1]
                points = [[x1, y1], [x2, y1], [x2, y2], [x1, y2]]
            else:
                if len(points) < 4:
                    continue

            segmentation = []
            for p in points:
                segmentation.append(int(p[0]))
                segmentation.append(int(p[1]))

            bbox, flag = convert_poly_to_rect(list(segmentation))
            x1, y1, w, h = bbox

            if flag:
                continue

            x_center = x1 + w/2
            y_center = y1 + h/2
            norm_x = x_center / img_w
            norm_y = y_center / img_h
            norm_w = w / img_w
            norm_h = h / img_h
            obj_cls = label['label']
            line = [obj_cls, norm_x, norm_y, norm_w, norm_h]
            line = [str(ll) for ll in line]
            line = ' '.join(line) + '\n'
            f.write(line)
        f.close()

if __name__ == "__main__":
    img_path = 'images'
    json_path = 'jsons'
    out_txt_path = 'labels'

    if not os.path.exists(out_txt_path):
        os.makedirs(out_txt_path)
    
    convert_labelme_json_to_txt(json_path,img_path,out_txt_path)

输出结果

在这里插入图片描述

labels/000000000009.txt

45 0.47890625 0.6875 0.9546875 0.5958333333333333
45 0.7359375 0.24583333333333332 0.5 0.475
50 0.6359375 0.7322916666666667 0.49375 0.5104166666666666
45 0.3390625 0.41770833333333335 0.678125 0.78125
49 0.64609375 0.13125 0.1171875 0.09583333333333334
49 0.771875 0.128125 0.090625 0.09791666666666667
49 0.6671875 0.22604166666666667 0.13125 0.14791666666666667
49 0.6421875 0.078125 0.146875 0.14791666666666667

convert_txt_to_labelme_json

在这里插入图片描述

labels/000000000009.txt

45 0.47890625 0.6875 0.9546875 0.595833
45 0.7359375 0.24583333333333332 0.5 0.475
50 0.6359375 0.7322916666666667 0.49375 0.5104166
45 0.3390625 0.41770833333333335 0.678125 0.78125
49 0.64609375 0.13125 0.1171875 0.095833
49 0.771875 0.128125 0.090625 0.0979166
49 0.6671875 0.22604166666666667 0.13125 0.1479166
49 0.6421875 0.078125 0.146875 0.1479166

代码实现

import os
import cv2
import json
import glob
import numpy as np

def convert_txt_to_labelme_json(txt_path, image_path, output_dir, image_fmt='.jpg'):
    # txt 转labelme json
    # 将yolo的txt转labelme json
    txts = glob.glob(os.path.join(txt_path, "*.txt"))
    for txt in txts:
        labelme_json = {
            'version': '4.5.7',
            'flags': {},
            'shapes': [],
            'imagePath': None,
            'imageData': None,
            'imageHeight': None,
            'imageWidth': None,
        }
        txt_name = os.path.basename(txt)
        image_name = txt_name.split(".")[0] + image_fmt
        labelme_json['imagePath'] = image_name
        image_name = os.path.join(image_path, image_name)
        if not os.path.exists(image_name):
            raise Exception('txt 文件={},找不到对应的图像={}'.format(txt, image_name))
        image = cv2.imdecode(np.fromfile(image_name, dtype=np.uint8), cv2.IMREAD_COLOR)
        h, w = image.shape[:2]
        labelme_json['imageHeight'] = h
        labelme_json['imageWidth'] = w
        with open(txt, 'r') as t:
            lines = t.readlines()
            for line in lines:
                content = line.split(' ')
                label = content[0]
                object_width = float(content[3])
                object_height = float(content[4])
                top_left_x = (float(content[1]) - object_width / 2) * w
                top_left_y = (float(content[2]) - object_height / 2) * h
                bottom_right_x = (float(content[1]) + object_width / 2) * w
                bottom_right_y = (float(content[2]) + object_height / 2) * h
                try:
                    shape = {
                        'label': str(label),
                        'score':float(content[5]),
                        'group_id': None,
                        'shape_type': 'rectangle',
                        'flags': {},
                        'points': [
                            [float(top_left_x), float(top_left_y)],
                            [float(bottom_right_x), float(bottom_right_y)]
                        ]
                    }
                except Exception as e:
                    # print(e)
                    shape = {
                        'label': str(label),
                        'score':float(0.99),
                        'group_id': None,
                        'shape_type': 'rectangle',
                        'flags': {},
                        'points': [
                            [float(top_left_x), float(top_left_y)],
                            [float(bottom_right_x), float(bottom_right_y)]
                        ]
                    }
                labelme_json['shapes'].append(shape)
            json_name = txt_name.split('.')[0] + '.json'
            json_name_path = os.path.join(output_dir, json_name)
            fd = open(json_name_path, 'w')
            json.dump(labelme_json, fd, indent=4)
            fd.close()
            print("save json={}".format(json_name_path))


if __name__=="__main__":
    in_imgs_dir = 'images'
    in_label_txt_dir = 'labels'
    out_labelme_json_dir = 'jsons'

    if not os.path.exists(out_labelme_json_dir):
        os.mkdir(out_labelme_json_dir)
    convert_txt_to_labelme_json(in_label_txt_dir,in_imgs_dir,out_labelme_json_dir,image_fmt='.jpg')

输出结果

在这里插入图片描述

jsons/000000000009.json

{
    "version": "4.5.7",
    "flags": {},
    "shapes": [
        {
            "label": "45",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    1.0799999999999699,
                    187.69008
                ],
                [
                    612.66976,
                    473.53008
                ]
            ]
        },
        {
            "label": "45",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    311.73024,
                    4.310160000000001
                ],
                [
                    631.01024,
                    232.99032
                ]
            ]
        },
        {
            "label": "50",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    249.60032000000007,
                    229.27032
                ],
                [
                    565.84032,
                    474.35016
                ]
            ]
        },
        {
            "label": "45",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    0.0003200000000092018,
                    13.510080000000002
                ],
                [
                    434.48032,
                    388.63007999999996
                ]
            ]
        },
        {
            "label": "49",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    376.2,
                    40.35996
                ],
                [
                    451.75007999999997,
                    86.88996
                ]
            ]
        },
        {
            "label": "49",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    465.7797119999999,
                    38.969952
                ],
                [
                    523.849728,
                    85.63996800000001
                ]
            ]
        },
        {
            "label": "49",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    385.70016000000004,
                    73.65983999999999
                ],
                [
                    469.72,
                    144.16992
                ]
            ]
        },
        {
            "label": "49",
            "score": 0.99,
            "group_id": null,
            "shape_type": "rectangle",
            "flags": {},
            "points": [
                [
                    364.04959999999994,
                    2.4900960000000016
                ],
                [
                    458.80992,
                    73.559856
                ]
            ]
        }
    ],
    "imagePath": "000000000009.jpg",
    "imageData": null,
    "imageHeight": 480,
    "imageWidth": 640
}

参考

[1] https://blog.youkuaiyun.com/lucky404/article/details/132156805
[2] https://blog.youkuaiyun.com/h609232722/article/details/130710032

您可能感兴趣的与本文相关的镜像

Python3.9

Python3.9

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

目标检测YOLO格式与LabelMe标注互相转换及其可视化 Python
学习使你进步。
06-16 1362
第二行开始，每一行表示一个目标框，第一个数字表示物体类别（从0开始），后面四个数字表示BBox的左上角坐标、宽度和高度，分别除以图片的宽度和高度得到相对坐标。将LabelMe格式数据转换为YOLO格式，也相对简单，只需要读取XML文件，再分别解析出图片路径、BBox坐标和类别等信息，然后生成对应的YOLO格式文本即可。通过这些工具和代码，可以更便捷地进行目标检测任务的标注和验证。将YOLO格式数据转换为LabelMe格式，只需要先读取YOLO格式文件，然后遍历每个BBox，生成对应的XML标注文件即可。
深入解析：如何通过Python脚本将LabelMe标注格式转换为YOLO格式并进行验证
m0_57781768的博客
06-17 1290
在开始具体的代码实现之前，我们先了解一下LabelMe和YOLO标注格式的基本概念。接下来，我们定义一个函数，用于将LabelMe标注格式转换为YOLO标注格式。# 遍历Annotations文件夹中的所有JSON文件try:# 获取对应的图片文件# 读取图片尺寸# 创建对应的YOLO格式标注文件# 计算边界框的坐标# 计算中心坐标和宽高# 写入YOLO格式。
labelme生成的标注数据转换成yolov5格式
热门推荐
athrunsunny的博客
12-24 1万+
# -*- coding: utf-8 -*- """ Time: 2021.10.26 Author: Athrunsunny Version: V 0.1 File: toyolo.py Describe: Functions in this file is change the dataset format to yolov5 """ import os import numpy as np import json from glob import glob import c.
【labelme】labelme的json转换txt
h609232722的专栏
05-16 3143
因项目中使用labelme工具标注可控性比较强，效果可能会更好，就使用了labelme，但是生成出来的是json文件，因为yolov5使用的是txt文件，所以进行了处理。
Labelme格式转yolo格式
最新发布
AI浩
10-22 280
【代码】Labelme格式转yolo格式。
labelme生成的json文件转成txt文件
m0_48095841的博客
05-20 866
【代码】labelme生成的json文件转成txt文件。
labelme的json标签和图像改变分辨率，再将json转换为YOLO的txt格式进行实例分割
love_respect的博客
07-04 2171
labelme的json标签和图像改变分辨率，再将json转换为YOLO的txt格式
labelme标注的json转Yolo格式【ultralytics工具】
深耕CV
10-17 1909
labelme标注的json转Yolo格式【ultralytics必备工具】
跑模型——labelme的json文件转成yolo使用的txt文件（语义分割，目标检测需要自己改改）
weixin_44598554的博客
04-09 1094
将labelme多边形标注的json文件转换成yolo使用的txt文件。如果有什么不懂的，可以在评论区底下评论哦，我会努力解答的。
精选资源
labelme标注工具生成的json文件内容格式转YOLOV3标签格式源程序
09-24
labelme标注工具生成的json文件内容格式转YOLOV3标签格式
将labelme标注的json转yolo11的txt
qq_19891197的博客
02-07 401
python转换代码片段
labelme标注的多边形数据转为yolo使用的txt
05-04 1577
依次为：类别 目标中心点x 目标中心点y 目标宽w 目标高h 目标点1x坐标 目标点1y坐标 目标点2x坐标 目标点2y坐标 目标点3x坐标 目标点3y坐标 目标点4x坐标 目标点4y坐标。读取labelme标注后的json文件，写入到各个txt文件。样本标注为4个点多边形标注。
YoloV8之labelme数据集转为yolo格式
Jumy_S的博客
09-24 5251
【代码】YoloV8之labelme数据集转为yolo格式。
Labelme标注的json文件转yolo训练的txt文件
笑脸惹桃花的博客
10-24 1968
在目标检测任务中，数据标注是模型训练的关键环节。常用的标注工具有Labelimg和 Labelme，它们均能够以直观的方式对图像中的目标进行标注，并生成包含标注信息的TXT文件或者 JSON 文件。然而，YOLO模型使用的是特定格式的 .txt 文件作为训练数据。思路为，json文件中需要提取的关键信息为类别和坐标，可在shapes标签中通过提取label和points的值并进行分析得到，再将坐标值进行归一化，将全部信息按照每行文本输出到txt文件中，得到的即为yolo格式的txt文件。
labelme标注的多分类数据集转化为YOLO数据集（json转txt）
07-27 3615
（此脚本支持多分类的目标检测数据）1、修改dir_json为自己生成的coco数据集文件夹目录2、修改dir_txt为要放进去Yolo格式标签的文件夹目录3、直接运行代码。
Labelme 标注转为YOLO v5/v8格式
qq_29402011的博客
08-05 453
基于labelme2yolo库将labelme格式的标注数据转成yolo格式。
【实例分割】Labelme数据集转换YOLO格式
m0_50355568的博客
03-11 4896
将LabelMe的实例分割数据集快速转换为YOLO可以使用的格式
将labelme标注的json文件转换为yolo形式
WwwALlll的博客
09-22 1958
yolo模型的学习是学习深度学习的一个很关键的，在使用yolov5模型进行训练数据集时，必不可少要对文件进行转换，这里是详细说明将labelme标注的json文件转换为yolo形式的过程。
2.labelme转yolo格式和MS COCO格式
Snakewood的博客
05-25 3087
MS COCOObject Detection（[主要处理人、车、大象等]）DensePose（姿态密度检测）Keypoints（关键点检测）Stuff（[主要处理草、墙、天等]）Panoptic（场景分割）Captions（字幕标注）
如何将 labelme 标注的 JSON 文件转换为 YOLO 格式的 TXT 文件？
08-16
### labelme JSON annotations to YOLO TXT format conversion 在使用 `labelme` 标注图像后，生成的标注文件是以 JSON 格式存储的。为了将这些标注文件适配于 YOLO 目标检测框架，需要将 JSON 文件转换为 YOLO 所需的 TXT 格式标签文件。YOLO 的标签文件中每一行表示一个目标，包含类别编号和边界框的归一化坐标（中心点坐标、宽度和高度）。 #### 转换原理 `labelme` 的 JSON 文件中包含了图像的标注信息，例如标注对象的类别名称和边界框的坐标信息。YOLO 要求将这些信息转换为归一化形式，即坐标和尺寸相对于图像宽度和高度的比例值。具体来说，YOLO 的 TXT 文件格式如下： ``` <class_id> <x_center> <y_center> <width> <height> ``` 其中： - `<class_id>` 表示目标类别对应的整数编号。 - `<x_center>` 和 `<y_center>` 是边界框中心点的归一化坐标。 - `<width>` 和 `<height>` 是边界框宽度和高度的归一化值。 #### 实现代码 以下是一个将 `labelme` 的 JSON 文件转换为 YOLO TXT 文件的 Python 示例代码： ```python import json import os def convert_labelme_to_yolo(json_file, output_dir, class_mapping): with open(json_file, 'r') as f: data = json.load(f) image_height = data['imageHeight'] image_width = data['imageWidth'] yolo_annotations = [] for shape in data['shapes']: label = shape['label'] if label not in class_mapping: raise ValueError(f"Class '{label}' not found in class mapping.") class_id = class_mapping[label] points = shape['points'] x_coords = [p[0] for p in points] y_coords = [p[1] for p in points] x_min = min(x_coords) x_max = max(x_coords) y_min = min(y_coords) y_max = max(y_coords) x_center = (x_min + x_max) / 2 / image_width y_center = (y_min + y_max) / 2 / image_height width = (x_max - x_min) / image_width height = (y_max - y_min) / image_height yolo_annotations.append(f"{class_id} {x_center} {y_center} {width} {height}") output_file = os.path.join(output_dir, os.path.splitext(os.path.basename(json_file))[0] + ".txt") with open(output_file, 'w') as f: f.write('\n'.join(yolo_annotations)) # 示例用法 if __name__ == "__main__": # 类别映射（根据实际标注的类别进行修改） class_mapping = { "class1": 0, "class2": 1, "class3": 2 } # JSON 文件路径 json_file = "path/to/annotation.json" # 输出目录 output_dir = "path/to/output" convert_labelme_to_yolo(json_file, output_dir, class_mapping) ``` #### 注意事项 - 在运行代码之前，确保 `class_mapping` 字典与标注文件中的类别名称一致，并按照实际标注类别进行调整。 - 输入的 JSON 文件需要与图像文件一一对应，并确保图像的宽高信息正确无误。 - 输出的 TXT 文件将与 JSON 文件同名，仅扩展名不同，且保存在指定的输出目录中。 #### 代码扩展 如果需要批量处理多个 JSON 文件，可以遍历文件夹中的所有 JSON 文件并调用 `convert_labelme_to_yolo` 函数。此外，可以结合 `os.listdir` 或 `glob` 模块实现自动化处理。 --- ###
评论 7
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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

FriendshipT

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