Python——基于YOLOV8的车牌识别（源码+教程）

原创 已于 2023-12-26 12:58:24 修改 · 4.1w 阅读 · 566 ·
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 #python #人工智能 #深度学习

于 2023-05-02 18:19:48 首次发布
文章介绍了如何利用YOLOv8和LPRNet进行车牌检测与识别的Python项目，结合了GitHub上的开源代码，强调了项目对Python版本的要求（需3.8及以上），并提供了下载项目包的链接。文章还提到了项目的运行步骤，包括库的安装、配置修改和路径设置，并给出了参考视频链接，展示项目效果。该项目具有高识别速度和准确性。
部署运行你感兴趣的模型镜像

目录

一、前言

二 、完成效果

三、 项目包

四、运行项目 （教程）

12月更新：

因为有兄弟想要流畅调用摄像头，我就用MTSP的项目改了一下。

更新项目：Python——yolov8识别车牌2.0-优快云博客

时间：2023年12月26日12:57:52

一、前言

YOLOv8+LPRNet车牌定位与识别icon-default.png?t=N7T8https://www.bilibili.com/video/BV1vk4y1E7MZ/

最近做了有一个车牌识别的小需求，今天完成了，在此记录和分享
首先，我去了GitHub上面找开源项目，就找到了3个大佬的项目，于是融合一下就完成了
基于YOLOV8的车牌识别的项目参考项目：

二 、完成效果

 

三、 项目包

YOLOv8-license-plate-recognize.zip - 蓝奏云文件大小：24.4 M|icon-default.png?t=N7T8https://wwwf.lanzout.com/iCY5N0uhltdg下载解压后，可根据下面的提示，运行代码

注意Python版本！要3.8及以上！！！

注意Python版本！要3.8及以上！！！

注意Python版本！要3.8及以上！！！

python>=3.8

四、运行项目 

4.1、下载库——ultralytics （记得换源）

记录pip问题（解决下载慢的问题、升级失败问题）_pip升级太慢_Pan_peter的博客-优快云博客icon-default.png?t=N7T8https://blog.youkuaiyun.com/Pan_peter/article/details/129553679

# 安装对应版本的库
pip install ultralytics==8.0.48
pip install pyside6==6.4.2

4.2、更改配置（CPU & GPU）

4.3、更换路径

4.4、运行项目

 

 

5、参考视频

yolov5车牌号检测+识别_哔哩哔哩_bilibili继上期视频做的检测任务上做的识别，视频是一帧一帧做的检测，没有声音，由于数据集中部分场景不足，会造成对标识牌的误检。对较近的车牌效果还是可以的。如果喜欢或者对你有用，就给我github点个赞吧。代码已经开源：https://github.com/Buster-maker/plate，链接：https://pan.baidu.com/s/1ivZMy33mnPRaJWULt2-b5Q 提取码：6mn, 视频播放量 11802、弹幕量 2、点赞数 126、投硬币枚数 73、收藏人数 306、转发人数 88, 视频作者 Excelsior007, 作者简介 保持热爱，奔赴星海。，相关视频：YOLOv7+YOLOv5车辆识别+车辆测距+车辆测速+反应时间+防碰撞检测(原创作品)，yolov5检测车牌号（后期加上识别），道路监控摄像头--YOLOv5算法实时检测过往车辆和车牌，YOLOv3+CRNN实现车牌检测与识别，yolov5+lprnet yolov5实现的是车牌检测 lprnet实现的是字符识别，效果还是说的过去的，基于YOLOv5+LPRNet进行车牌检测及识别，YOLOv5+LPRNet完成车牌定位与识别，基于pyqt5+yolov5+lprnet实现车牌检测和车牌识别系统，基于YOLOv5+LPRNet进行车牌检测及识别，数字图像处理大作业-车牌识别icon-default.png?t=N7T8https://www.bilibili.com/video/BV1iD4y1S7fKYOLOv5+LPRNet完成车牌定位与识别_哔哩哔哩_bilibili鸽了太久了，简单写一下，大家可以按着这个思路自己优化一下，代码方github上啦，用到自取，谢谢大家。https://github.com/mmastererliu/master_liu, 视频播放量 2240、弹幕量 0、点赞数 63、投硬币枚数 53、收藏人数 131、转发人数 17, 视频作者 学渣大鑫子, 作者简介 朋友，摸鱼吗，相关视频：20分钟学会车牌识别网络LPRnet，yolov5车牌号检测+识别，基于YOLOV5的车辆车牌实时识别，yolov5+lprnet yolov5实现的是车牌检测 lprnet实现的是字符识别，效果还是说的过去的，[yolov5小白训练教程]0基础教学，训练自己的数据集，详细教学，【车牌识别】YOLOv5实战项目分享，附带原理+代码课程学习，项目及课程均有源码，速来白嫖！—人工智能/计算机视觉/目标检测，获取并使用YOLOv5识别结果，YOLOV5改进-基于FasterNet轻量化模型提出C3-Faster，基于YOLOv5+LPRNet进行车牌检测及识别，带你一行行读懂yolov5代码，yolov5源码icon-default.png?t=N7T8https://www.bilibili.com/video/BV1Hs4y1S7tw

项目介绍：

基于YOLOv8+LPRNet进行车牌检测及识别，包括对车辆的车牌区域精确定位，利用校正探测器对定位的车牌进行边框校正处理，使用增强神经网络模型对车牌区域进行超分辨率技术处理和光学字符识别。经过多次试验测试，可以对视频中的车辆车牌实时识别以及图片中的车辆车牌进行准确定位和识别，识别速度快，准确率高，比那些传统车牌识别方法效果好很多。

结语：

  • 感谢大佬们的开源！
  • 让本小白也可以完成这个小项目，先开始看见网上挺多付费的，自己也准备放弃了，用钱买
  • 突然柳暗花明，看见了大佬们的开源项目，自己拿过来改改，就完成了！

您可能感兴趣的与本文相关的镜像

Python3.11

Python3.11

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

基于YOLOv5的车牌识别系统（YOLOv5+LPRNet）
qq_53545309的博客
10-13 7584
LPRNet（License Plate Recognition Network）是一个专门用于车牌号码识别的深度学习模型。它的主要目标是从图像中准确地提取和识别车牌上的字符和数字。车牌号码识别是计算机视觉中的一个重要应用，通常用于自动化停车场管理、交通监控系统、道路收费、安全监控等领域。LPRNet通常是一个端到端的神经网络，它接受输入图像，并通过一系列卷积神经网络层和循环神经网络（RNN）层来实现字符识别。卷积神经网络（CNN）：用于特征提取。
基于YOLOv8模型+CnOCR识别技术实现汽车车牌识别
DT程序员的博客
06-23 2937
详细介绍如何基于YOLOv8模型加CnOCR实现车牌识别，并附源码和数据集下载链接
车牌识别系统源码
01-23
可以自己调教的车牌号识别系统，提供灰度化、二值化、文字切割等各方面算法
python 车牌识别
04-29
车牌识别python实现，程序可运行。opencv3使用，分割效果不佳，进一步优化
C++实现车牌识别系统（附带源码）
欢迎来到我的博客！这里是一个专注于计算机技术的分享平台，涵盖编程开发、算法研究、系统架构、软件工程等多个领域。无论你是初学者还是资深开发者，都能在这里找到有价值的内容。
11-06 640
C++实现车牌识别系统（附带源码）
基于Python的车牌识别
12-20
可以直接运行的车牌识别代码，基于Python语言的车牌识别代码，
python yolov8 车牌识别
m0_74245345的博客
07-30 1063
在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。当导入的文件是视频MP4格式的时候，程序会通过每一帧来识别汽车的车牌，出现过的车牌会罗列到下方，左边为车牌截图，右边是车牌的识别结果。程序运行的界面，包括选择文件，识别和清除结果的按钮，中间的框为选择文件的预览，下方左侧的是信息输出框，右侧的是提示框。定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
基于yolov8的车牌识别
2301_77979519的博客
10-19 1584
在本项目中，我们实现了基于 YOLOv8 的车牌识别系统，成功进行了车牌的检测和识别。虽然仍有改进空间，但这个过程让我们深入了解了计算机视觉技术在实际应用中的挑战与可能性。未来，我们希望继续优化模型，并探索更多的应用场景。
基于Python的车牌识别系统实现
wgq2020的博客
11-12 2172
车牌识别系统是一种应用于交通管理、车辆追踪等领域的技术，可以对车辆的车牌进行自动识别和获取信息。下面是基于Python的车牌识别系统实现和代码。
YOLOv5、CNN、SVM实现车牌检测
热门推荐
swust512017的博客
07-06 1万+
使用Python实现车牌检测，目前可实现常见的蓝绿黄车牌的识别。
YOLOv8中国车牌字符检测与识别项目
QQ_1309399183的博客
12-12 2684
YOLOv8中国车牌字符检测与识别项目
Python-车牌识别
Python_Smily的博客
12-06 6979
一.车牌识别系统的用途与技术 车牌识别系统(Vehicle License Plate Recognition，VLPR) 是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别在高速公路车辆管理中得到广泛应用，电子收费(ETC)系统中，也是结合DSRC技术识别车辆身份的主要手段。 车牌识别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来，通过车牌提取、图像预处理、特征提取、车牌字符...
YOLOV8+OCR+AI自动车牌识别
05-09
YOLOV8+OCR+AI自动车牌识别： v8进行车牌检测，定位ROI，然后通过easyocr进行车牌字符提取，详细实现可参考： 适合刚入门小白研究深度学习模型实现及应用，以及opencv实现视频处理
Python——基于YOLOV8的车牌识别（源码+教程）_yolov8车牌识别
2401_83817769的博客
04-20 1049
本涵盖了95%以上前端开发知识点，真正体系化！
Python——基于YOLOV8的车牌识别（源码+教程）_yolov8车牌识别(1)
2401_83817689的博客
04-20 1188
本涵盖了95%以上前端开发知识点，真正体系化！
基于YOLOV8检测和OCR识别的车牌识别
qq_46345319的博客
03-09 9281
基于YOLOv8和OCR的车牌号码识别是一种结合了目标检测和光学字符识别技术的车牌识别方法。YOLOv8（You Only Look Once version 8）是一种实时目标检测算法，可以快速准确地检测图像中的物体，如车辆、行人等。OCR（Optical Character Recognition）是一种光学字符识别技术，可以将图像中的文本转换为计算机可编辑的文本数据。
基于YOLOv8深度学习的智能车牌检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
阿旭的博客
02-19 1万+
基于YOLOv8深度学习的智能车牌检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
基于YOLO V8的车牌识别
赵春江的专栏
06-27 8519
十年前就想实现车牌识别这项任务，虽然当时这项技术就已较成熟（与现在的实现方法不同），但那时的我还具备这个能力。弹指一瞬间，没想到十年间人工智能技术已经发展到一个新的高度，图像识别早已不成问题，以ChapGPT为代表的生成式技术大行其道。写作、作曲、绘画等内容创作，甚至编程都可由计算机自动完成，这在以前只会出现在电影里。回到主题，正如上文提到的那样，图像识别经过十几年的发展，已经不再触不可及。基于各类预训练模型，通过简单的微调和迁移学习，就可以实现我们想要的各类图像分类、图像识别和图像分割。
YOLO v8 车牌号码识别
Winkyyyyyy的博客
05-09 2399
基于YOLO_v8的车牌号码识别（代码源自Kaggle）
基于yolov8的车牌号识别
最新发布
12-10
<think>首先，用户的问题是基于YOLOv8实现车牌号识别的方法和技术。他们提供了几个引用，但系统指令说这些引用仅供参考，我应该参考用户上一次的问题和我的回答。然而，在这个对话中，这是第一次交互，所以没有上一次的问题。我需要基于当前查询和提供的引用来构建回答。 用户查询："我想查找基于yolov8进行车牌号识别的相关内容，如实现方法、技术方案等 请问基于yolov8实现车牌号识别的方法和技术" 提供的引用： - [^1]: 提到YOLOv5, YOLOv8, YOLOv10在车牌检测中的性能，环境搭建和数据准备。 - [^2]: 描述了一个基于YOLOv8的车牌号检测系统，包括UI界面、实时摄像头检测、模型训练、数据集准备。 - [^3]: 详细说明如何使用YOLOv8训练车牌检测数据集，包括安装依赖、准备数据集、配置训练、可视化评估。 - [^4]: 介绍YOLOv8作为先进模型，支持多种任务。 系统指令： - 所有行内数学表达式用$...$。 - 独立公式用$$...$$。 - LaTeX语法正确。 - 使用中文回答。 - 生成相关问题。 - 回答中引用的段落末尾添加引用标识，如[^1]。 - 回答结构清晰，帮助用户逐步解决问题。 - 保证回答真实可靠。 所以，我需要构建一个结构清晰的回答，覆盖基于YOLOv8实现车牌号识别的方法和技术。步骤应该包括： 1. 介绍YOLOv8在车牌识别中的应用。 2. 环境搭建（安装依赖）。 3. 数据准备（数据集收集和标注）。 4. 模型训练（使用YOLOv8训练）。 5. 模型评估和可视化。 6. 部署（包括UI界面、实时检测）。 从引用中提取关键点： - 使用YOLOv8进行车牌检测。 - 数据集：7800张图像，带标注（VOC或YOLO格式）。 - 步骤：安装依赖、准备数据集、配置训练、训练模型、可视化评估。 - 可以构建系统，包括UI界面（如PyQt5）。 我的回答结构： - 开头介绍YOLOv8在车牌识别中的优势。 - 然后，分步骤详细说明实现方法。 - 最后，生成相关问题。 确保使用LaTeX格式： - 行内数学：例如，$x^2$。 - 独立公式：可能不需要，因为车牌识别不涉及复杂数学，但如果提到损失函数等，可以用。例如，YOLOv8的损失函数可以写成公式。 可能的数学部分： - 目标检测中的损失函数：如交叉熵损失、边界框损失。 - 精度指标：如mAP（mean Average Precision）。 例如： - 交叉熵损失：$L_{ce} = - \sum y \log(p)$ - mAP公式：可能需要独立公式。 但保持简单，因为用户可能不需要深入数学。 步骤： 1. **介绍**：YOLOv8在车牌识别中的应用和优势。 2. **环境搭建**：安装必要的库，如Ultralytics YOLO库、PyTorch等。 3. **数据准备**：获取数据集（如7800张车牌图像），标注格式（YOLO格式），数据预处理。 4. **模型训练**：配置YOLOv8模型，指定超参数，训练过程。 5. **模型评估**：使用验证集评估模型，计算mAP等指标。 6. **部署**：构建应用系统，如使用PyQt5创建UI界面，实现图像、视频、实时摄像头检测。 7. **字符识别**：车牌号识别通常包括检测和OCR部分。YOLOv8用于检测车牌位置，然后需要OCR模型（如Tesseract或CNN）识别字符。引用中提到了进一步的字符识别步骤。 在引用[^1]中："并通过进一步的字符识别步骤完成车牌号码的自动识别。" 所以，我应该提到完整的流程：先检测车牌，然后识别字符。 完整方法： - 步骤1: 使用YOLOv8检测车牌区域。 - 步骤2: 裁剪检测到的车牌区域。 - 步骤3: 应用OCR模型识别车牌号码。 引用[^2]和主要集中在检测部分，但[^1]提到了字符识别。 在回答中，整合这些。 生成相关问题： - 在回答末尾，添加3-5个相关问题，如： 1. 如何优化YOLOv8模型在车牌检测中的性能？ 2. 推荐哪些OCR模型用于车牌字符识别？ 3. 如何处理不同光照条件下的车牌检测？ 4. 数据集标注的最佳实践是什么？ 5. 如何部署模型到移动设备？ 系统指令说："生成相关问题"，并在示例中展示了相关问题。 添加引用标识： - 当引用具体内容时，在末尾加、[^2]等。 例如，在描述数据集时："准备一个标注好的数据集，如7800张车牌图像。" 确保回答真实可靠：基于一般知识和提供的引用。YOLOv8是开源的，车牌识别是常见应用。 最终回答结构： - 引言 - 方法步骤 - 技术细节（包括代码片段，如果需要） - 相关问题 代码片段：引用中提供了Python代码示例。在回答中，我可以包括一个简单的训练代码示例。 例如： ```python from ultralytics import YOLO # 加载预训练模型 model = YOLO('yolov8n.pt') # 使用YOLOv8 nano版本 # 训练模型 results = model.train(data='path/to/dataset.yaml', epochs=100, imgsz=640) ``` 这来自YOLOv8文档。 现在，草拟回答。 </think> ### 基于YOLOv8的车牌号识别方法和技术方案 基于YOLOv8实现车牌号识别是一种高效的目标检测应用，结合了YOLOv8的实时检测能力和后续的光学字符识别（OCR）技术。YOLOv8作为先进的目标检测模型，在车牌定位中表现出色，能快速准确地从图像中检测车牌区域，再通过OCR模型识别具体字符。以下我将分步详解实现方法和技术方案，内容基于真实可靠的实践和参考信息[^3]。整个过程包括环境搭建、数据准备、模型训练、评估与部署。 #### 1. **系统概述与YOLOv8优势** YOLOv8（You Only Look Once version 8）是Ultralytics开发的最新目标检测模型，支持检测、分割、分类等多种视觉任务。它在车牌识别中的优势包括： - **高效实时性**：处理速度高，可达30-60 FPS，适合视频流检测。 - **高精度**：通过改进的骨干网络和损失函数，提升检测准确性。 - **灵活性**：支持自定义数据集训练和多种部署场景。 完整车牌识别流程包括两个主要阶段： 1. **车牌检测**：使用YOLOv8定位图像中的车牌区域（边界框）。 2. **字符识别**：对裁剪出的车牌区域应用OCR模型（如Tesseract或CNN）识别车牌号码。 此方法已在多个项目中验证，能高效完成车牌自动识别[^1]。 #### 2. **环境搭建** 首先，安装必要的依赖库。推荐使用Python 3.8+和PyTorch框架。以下是关键步骤： - **安装库**：通过pip安装YOLOv8和相关OCR工具。 ```bash pip install ultralytics torch torchvision opencv-python pytesseract ``` 这里，`ultralytics`库提供YOLOv8接口，`opencv-python`用于图像处理，`pytesseract`是OCR引擎的封装[^4]。 - **验证环境**：运行简单测试，确保YOLOv8可用。 ```python from ultralytics import YOLO model = YOLO('yolov8n.pt') # 加载预训练模型 results = model.predict('test_image.jpg') # 测试检测 print(results) ``` #### 3. **数据准备** 数据集是模型训练的基础。车牌识别需要标注好的数据集，包括车牌位置（边界框）和字符标签。 - **数据集要求**： - 大小：推荐7800张以上车牌图像，覆盖不同场景（如光照变化、角度变化）以提高泛化性[^2]。 - 标注格式：使用YOLO格式（每个图像对应.txt文件，包含边界框坐标和类别）。例如： ``` class_id x_center y_center width height ``` 类别通常为`plate`（车牌）。 - 来源：公开数据集（如CCPD或自定义收集），引用中提到7800张标注图像，VOC/YOLO格式[^2]。 - **数据预处理**： - 图像增强：使用OpenCV或Albumentations库进行旋转、缩放、亮度调整，增强模型鲁棒性。 - 数据集划分：将数据集分为训练集（70%）、验证集（20%）、测试集（10%）。 - 创建配置文件：定义数据集路径和类别，如`dataset.yaml`： ```yaml train: path/to/train/images val: path/to/val/images names: 0: plate # 类别名 ``` 数据准备的质量直接影响模型性能，确保标注准确是关键。 #### 4. **模型训练** 使用YOLOv8训练车牌检测模型。训练过程优化损失函数（如交叉熵损失$L_{ce} = - \sum y \log(p)$和边界框损失）以提升精度。 - **训练步骤**： 1. **加载模型**：选择预训练权重（如`yolov8n.pt`）。 2. **配置超参数**：设置epochs、batch size、学习率等。 3. **启动训练**： ```python from ultralytics import YOLO # 加载模型 model = YOLO('yolov8n.pt') # 可以是yolov8s/m/l版本 # 训练模型 results = model.train( data='path/to/dataset.yaml', # 数据集配置文件 epochs=100, # 训练轮次 imgsz=640, # 输入图像大小 batch=16, # 批次大小 lr0=0.01, # 初始学习率 device='cuda' # 使用GPU加速 ) ``` - **技术细节**： - **损失函数**：YOLOv8使用多任务损失，包括分类损失和定位损失。数学表示为： $$ L = \lambda_{\text{coord}} L_{\text{coord}} + \lambda_{\text{obj}} L_{\text{obj}} + \lambda_{\text{cls}} L_{\text{cls}} $$ 其中$L_{\text{coord}}$为边界框损失（如CIoU），$L_{\text{cls}}$为分类损失。 - **优化技巧**：使用数据增强、早停（early stopping）和学习率衰减，避免过拟合。训练后模型保存为`.pt`文件[^3]。 #### 5. **模型评估与可视化** 训练完成后，评估模型性能并可视化结果。 - **评估指标**： - 主要指标：mAP（mean Average Precision），计算平均精度。公式为： $$ \text{mAP} = \frac{1}{N} \sum_{i=1}^{N} \text{AP}_i $$ 其中$\text{AP}_i$为每个类别的平均精度。 - 其他指标：精确率（Precision）、召回率（Recall）。 - **评估代码**： ```python model = YOLO('best.pt') # 加载训练好的模型 metrics = model.val(data='path/to/dataset.yaml') # 在验证集上评估 print(metrics.box.map) # 输出mAP值 ``` - **可视化**： - 使用YOLOv8内置工具绘制检测结果： ```python results = model.predict('test_image.jpg') results[0].show() # 显示带边界框的图像 ``` - 绘制训练曲线：如损失曲线和mAP曲线，使用TensorBoard或Matplotlib。 #### 6. **部署与应用** 将训练模型集成到完整系统中，支持图像、视频和实时摄像头输入。 - **车牌检测与OCR集成**： 1. **检测车牌**：YOLOv8输出边界框坐标。 2. **裁剪车牌区域**：使用OpenCV裁剪检测到的区域。 3. **字符识别**：应用OCR模型（如Tesseract或训练自定义CNN）识别号码。 ```python import pytesseract from PIL import Image # 裁剪车牌区域 x1, y1, x2, y2 = results[0].boxes.xyxy[0] # 获取边界框 cropped_img = image[y1:y2, x1:x2] # 字符识别 plate_text = pytesseract.image_to_string(cropped_img, config='--psm 7') print(f"车牌号码: {plate_text}") ``` - **系统构建**： - **UI界面**：使用PyQt5开发图形界面，支持文件上传、摄像头捕获和结果显示。引用中提到基于PyQt5的系统设计。 - **实时检测**：结合OpenCV的视频流处理： ```python cap = cv2.VideoCapture(0) # 打开摄像头 while True: ret, frame = cap.read() results = model.predict(frame) # 显示检测结果和识别文本 cv2.imshow('License Plate Detection', results[0].plot()) if cv2.waitKey(1) == ord('q'): break ``` - **部署优化**：将模型转换为ONNX或TensorRT格式，提升推理速度，适用于嵌入式设备。 #### 总结 基于YOLOv8的车牌号识别方法高效可靠，结合检测和OCR技术，能在各种场景下实现高精度识别。关键点包括：环境搭建、数据准备、模型训练、评估和部署。实践中，参考7800张标注数据集能获得良好效果[^3]。如需进一步优化，可调整模型架构或集成更先进的OCR模型。
评论 77
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

peter123123123123

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