yolov5口罩算法实战演练（PyTorch + Conda + YOLO）-- 内含不使用 Conda 方法

YOLOv5口罩检测实战
最新推荐文章于 2025-11-24 17:01:47 发布
原创 最新推荐文章于 2025-11-24 17:01:47 发布 · 877 阅读 · 21 ·
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 #算法 #pytorch #目标检测 #python

部署运行你感兴趣的模型镜像

这里写目录标题

一、 创建虚拟环境

下载口罩算法： yolov5-mask-42-master

  1. 进入项目文件夹，cmd 进入目录

  1. 输入代码，创建 py20251110 虚拟环境
conda create -n py20251110 python==3.10

在这里插入图片描述

  1. 激活虚拟环境 py20251110
conda activate py20251110

在这里插入图片描述

补充：如何找练习的项目

使用 github 进行查找 https://github.com/

  • 搜索框搜索想练习的算法，查看其收藏数选择高质量算法进行练习

在这里插入图片描述

  • issues数 决定了算法的稳定度

在这里插入图片描述

五分钟教你使用GitHub寻找优质开源项目

二、安装相关依赖

  1. 安装 pytorch

参考：手把手带你实战YOLOv8 - 从环境搭建到目标检测

  1. 安装 ultralytics
pip install -U ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple/
  1. 安装依赖 requirements.txt

可使用 dir 查看文件目录

dir

在这里插入图片描述

  • requirements.txt 文件里包含了所有该项目需要下载的依赖
pip install -r requirements.txt
  • 安装过程遇到警告：某些版本过低

在这里插入图片描述

pip install --upgrade torch torchvision numpy

pip install --upgrade numpy
  1. 安装计算目标检测精度
pip install pycocotools
  1. 图形化界面依赖
conda install pyqt5

不要在一个环境里混用 conda 和 pip 装同名包

补充：用 Python 内置工具实现 Conda 功能（有些公司域控）

  • 使用 Python 自带的 venv + pip 代替 Conda 功能

Conda 的核心价值是：创建隔离环境 + 安装科学计算包。Python 自带的 venv + pip 完全可以替代

以下步骤均在 PyCharm 中执行，仍是使用 YOLO5 口罩算法

  • 步骤 1：创建虚拟环境（等效于 conda create）
# 创建名为 yolov5-env 的环境
python -m venv yolov5-env

这个命令不需要管理员权限，也不会被域控拦截（因为是 Python 标准库）

在这里插入图片描述

  • 步骤 2：激活环境（等效于 conda activate）
# Windows CMD （我用的这个）
yolov5-env\Scripts\activate

# PowerShell（如果报错，先运行：Set-ExecutionPolicy -Scope CurrentUser RemoteSigned）
yolov5-env\Scripts\Activate.ps1

在这里插入图片描述

激活后，命令行前缀会变成：

在这里插入图片描述

  • 步骤3：安装 Pytorch （等效于 conda install）

Pytorch cuda版本（ GPU 版本通常在 2.4GB 左右）

# 使用 官方 + 国内镜像组合 安装 CUDA 12.1 版本
pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://pypi.tuna.tsinghua.edu.cn/simple --extra-index-url https://mirror.sjtu.edu.cn/pytorch-wheels/cu121

安装后执行命令检查安装情况

python -c "import torch; print('PyTorch version:', torch.__version__); print('CUDA available:', torch.cuda.is_available()); print('CUDA version used to build PyTorch:', torch.version.cuda)"

正确显示
在这里插入图片描述

  • 步骤4：安装项目依赖 requirements.txt
pip install -r requirements.txt

  • 步骤5：运行检测代码缺什么安什么

  • 检测代码

python detect.py --source data/images/bus.jpg --weights pretrained/yolov5s.pt --conf 0.25
  • 安装以下内容

ultralytics

pip install -U ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple/

安装计算目标检测精度

pip install pycocotools

图形化界面依赖

pip install pyqt5
  • 步骤6：添加解释器

三、测试代码

1. Anaconda Prompt 测试

在 yolov5-mask-42-master 文件夹内 Anaconda Prompt 执行测试代码

使用到以下文件：

在这里插入图片描述

输入测试代码

python detect.py --source data/images/bus.jpg --weights pretrained/yolov5s.pt
  • 代码含义解读

使用的 --weights 权重文件是： pretrained / yolov5s.pt 模型
需要检测 --source 的图片是：data/images/bus.jpg

在这里插入图片描述

  • 检测结果解读

图片结果存放在：runs \ detect \ exp2 文件处

2. PyCharm 测试

PyCharm 解释器设置

  • PyCharm打开该项目，右下角设置解释器

在这里插入图片描述

  • 添加解释器

在这里插入图片描述

  • 添加 conda 会自动带出相关虚拟环境

在这里插入图片描述

  • 关联项目

在这里插入图片描述

  • 配置成功后主界面右下角显示该虚拟环境，打开终端自动进入该虚拟环境

在这里插入图片描述
在这里插入图片描述

  • 输入测试代码
python detect.py --source data/images/bus.jpg --weights pretrained/yolov5s.pt

在这里插入图片描述

四、数据标注

1. 安装软件

虚拟环境安装数据标注软件

1）进入算法文件F:\yolov\yolov5-mask-42-master cmd

在这里插入图片描述

2）进入虚拟环境

conda activate py20251110

3）下载数据标注软件

pip install labelimg

4）下载成功输入，打开软件

pip install --upgrade PyQt5==5.15.9

在这里插入图片描述
在这里插入图片描述

若软件总闪退建议直接下载 labelImg.exe

labelImg 免命令安装（Windows）

在这里插入图片描述

2. 配置软件

修改为YOLO（标注结果 YOLO：txt 格式； CreateML：json 格式；PasclVOC：xml 格式）

在这里插入图片描述

3. 使用软件

1）Open Dir 选择要导入的图片文件夹

在这里插入图片描述
在这里插入图片描述

右侧的 File List 会显示当前文件夹内所有图片文件

在这里插入图片描述

2）选择标注好要存入的文件夹

在这里插入图片描述
在这里插入图片描述

3）标注数据

注意：无论图片格式是否不同，图片名称必须不同。确保标签文件顺利生成

  • 可在 Use default labtel 处设置想要的分类，点击键盘 W 按钮对图片进行标注

在这里插入图片描述

在这里插入图片描述

LabelImg 核心快捷键
按键功能
A上一张图（Previous Image）
D下一张图（Next Image）
W创建一个新的 bounding box（Create a new bounding box）
LabelImg其他常用快捷键
按键功能
Ctrl + s保存当前标注（Save）
Del 或 Delete删除选中的 bounding box
Ctrl + u打开图像文件夹（Load Dir）
Ctrl + r更改保存路径（Change Save Dir）
↑ / ↓ / ← / →微调选中的 bounding box 位置（每次移动 1 像素）
Shift + ↑ / ↓ / ← / →快速调整 bounding box 大小（每次缩放 10 像素）

4）标注完成

标注结果：（ YOLO：txt 格式； CreateML：json 格式；PasclVOC：xml 格式）

  • YOLO标注后生成的标签文件在 labels 文件里

在这里插入图片描述

  • 生成的 TXT 文件名和 images中的图片名一 一对应

在这里插入图片描述

  • 每个 TXT 内容的含义，标注了几个选框就有几行

在这里插入图片描述

五、数据集

1. 数据集的获取

可进入 飞桨AI - -开放数据集，按需求查找所需的数据集

在这里插入图片描述

注意：数据集有两种格式 VOC 和 YOLO，按需求进行转换

VOC 数据集转换为 YOLO 数据集

具体内容请查看：

从 VOC 到 YOLO：转换目标检测数据集（附完整代码）

2. 修改数据集配置文件

  • 在 data 目录下创建一个 mask_data.yaml 的文件

内容如下：

注意训练集、验证集为反斜杠 ‘/’ (Windows)

在这里插入图片描述

YOLO 训练时，train（训练集） 和 val （验证集）路径必须指向 images 文件夹

  • labels 标签路径是 自动匹配 的（要求文件名一致，目录结构对称）
格式满足：
DataSet-YOLO/
├── train/
│   ├── images/      ← 提供给 YAML 的训练集路径
│   │   └── abc.png
│   └── labels/      ← YOLO 自动去找这里
│       └── abc.txt
└── val/
    ├── images/      ← 提供给 YAML 的验证集路径
    │   └── xyz.png
    └── labels/      ← YOLO 自动去找这里
        └── xyz.txt

在这里插入图片描述
在这里插入图片描述

六、YOLOv5 项目结构详解（以 yolov5-master 为例）

yolov5/
├── data/              # 数据集配置
├── docs/              # 文档说明
├── images/            # 数据集图片
├── models/            # 模型结构定义
├── pretrained/        # 预训练权重
├── runs/              # 训练/验证结果输出
├── utils/             # 工具函数库
├── yolov5-env/        # 环境相关（可忽略）
├── data_gen.py        # 数据生成脚本
├── detect.py          # 推理检测主程序
├── export.py          # 导出模型（ONNX/TensorRT等）
├── hubconf.py         # HuggingFace Hub 支持
├── train.py           # 训练主程序
├── val.py             # 验证主程序
├── VOC_YOLO.py        # VOC格式转换工具
└── window.py          # GUI界面（Windows专用）

在这里插入图片描述

目录功能作用补充
data/ 目录数据集配置中心存放数据集的配置文件（.yaml）
docs/ 目录官方文档提供使用说明、API文档、示例、常见问题解答建议阅读：README.md 和 docs/ 下的 index.html 是入门必看
images/ 目录数据集图片存放用于演示的测试图片及数据集
models/ 目录模型结构定义定义网络架构（YOLOv5s/yolov5m/yolov5l/yolov5x）告诉模型“怎么搭建”——卷积层、瓶颈块、SPP、检测头等
pretrained/ 目录预训练权重存放官方预训练模型权重（.pt 文件）训练时通常从这些权重开始微调（fine-tune）
runs/ 目录输出结果存储区存放训练、验证、检测的结果
utils/ 目录工具函数库封装各种通用功能很多评估指标（如 mAP）就在这个目录里实现。
detect.py推理主程序运行模型进行图像/视频检测AI 测试的核心入口之一
export.py模型导出工具将 PyTorch 模型导出为其他格式
train.py训练主程序训练阶段核心脚本
val.py验证主程序评估模型性能（计算 mAP）

七、模型训练

1. 模型的基本训练

  • 修改 models 的 mask_yolov5s.yaml 的模型配置文件，uc = 2（数据集分类数）:

在这里插入图片描述

  • 训练前请确保代码目录下有以下文件：

在这里插入图片描述

  • 执行 train.py 中代码运行程序即可：
python train.py --data mask_data.yaml --cfg mask_yolov5s.yaml --weights pretrained/yolov5s.pt --epochs 100 --batch-size 2

在这里插入图片描述

（-- batch-size 一般为16，按显卡来）执行该代码后先扫描数据集，扫描完成进行训练

  • 可通过 nvidia-smi 查看显存大小
  • 我的显卡：Memory-Usage: 1366MiB / 4096MiB 仅有4 GB ，最大 batch-size 得设为 2
代码代码解析
python train.py启动 YOLOv5 训练脚本
–data mask_data.yaml使用自定义口罩数据集配置（含类别：如 with_mask, without_mask）
–cfg mask_yolov5s.yaml使用定制的 YOLOv5s 模型结构（适配口罩检测）
–weights pretrained/yolov5s.pt加载官方预训练权重，进行迁移学习（需提前下载并放在 pretrained/ 目录下）
–epochs 100训练 100 轮（默认 300 轮）
–batch-size 2每次输入 2 张图像（适合显存较小的 GPU）

常用训练参数表

参数默认值说明
–data-数据集配置文件（YAML），指定训练/验证路径和类别名
–cfg-模型结构文件（YAML），定义网络层数、通道等
–weights‘yolov5s.pt’预训练权重路径，可加速收敛或迁移学习
–epochs300训练总轮数，1 epoch = 遍历全部训练数据一次
–batch-size16每卡批次大小，越大显存占用越高，训练越稳定
  • 根据数据集的大小和设备的性能，经过漫长的等待之后模型就训练完了，输出如下：

在这里插入图片描述

2. 训练结果查看

  • 在 train / runs / exp 的目录下可以找到训练得到的模型和日志文件

weights（保留两个文件一个best，一个last。表现最好和最后）

在这里插入图片描述

3. 模型评估

  • 训练完成后，通常会输出三张图，分别展示模型在验证集上的 Precision、Recall 和 mAP

目标检测模型的性能通常用 均值平均密度mAP（mean Average Precision） 评估。mAP 介于 0 到 1 之间，越接近 1 表示模型越好

  • mAP 基于 精度（Precision） 和 召回率（Recall） 计算

在这里插入图片描述

以PR-curve为例，可以看到我们的模型在验证集上的均值平均密度为0.194

  • 如果你的目录下没有这样的曲线，可能是因为你的模型训练一半就停止了，没有执行验证的过程，你可以通过下面的命令来生成这些图片：
python val.py --data data/mask_data.yaml --weights runs/train/exp_yolov5s/weights/best.pt --img 640

实际应用评估指标

场景应关注哪个指标？
模型整体性能对比mAP@0.5:0.95（COCO 官方标准）
是否能准确定位AP@IoU=0.75（IoU 越高，预测框越准）
是否会漏检小目标APsmall 和 ARsmall
多目标场景表现ARmax=10 或 ARmax=100

4. 模型使用

模型的使用全部集成在了detect.py目录下，按照下面的指令执行要检测的内容即可
在这里插入图片描述

 # 检测摄像头
 python detect.py  --weights runs/train/exp_yolov5s/weights/best.pt --source 0  # webcam
 # 检测图片文件
  python detect.py  --weights runs/train/exp_yolov5s/weights/best.pt --source file.jpg  # image 
 # 检测视频文件
   python detect.py --weights runs/train/exp_yolov5s/weights/best.pt --source file.mp4  # video
 # 检测一个目录下的文件
  python detect.py --weights runs/train/exp_yolov5s/weights/best.pt path/  # directory
 # 检测网络视频
  python detect.py --weights runs/train/exp_yolov5s/weights/best.pt 'https://youtu.be/NUsoVlDFqZg'  # YouTube video
 # 检测流媒体
  python detect.py --weights runs/train/exp_yolov5s/weights/best.pt 'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

精选资源
目标检测-使用Yolov5+Pytorch训练自己的数据集-超详细流程教程-优质项目实战.zip
02-19
在本教程中，我们将深入探讨如何使用Yolov5和PyTorch框架进行目标检测，以及如何训练自己的数据集。目标检测是计算机视觉领域的重要任务，它涉及识别图像中的特定对象并确定其位置。Yolov5是一款高效、准确且易于...
YOLOv11+Miniconda+Pytorch环境配置与安装，虚拟环境使用的常见问题总结
Yixuanxia的博客
04-16 1264
在运行YOLOv11项目，以及运行一些Python项目过程中，遇到问题的一些经验总结，如有不足请多包涵，欢迎各位大佬批评指正。
YOLOV5--利用Anaconda安装pytorch深度学习环境+pycharm安装---不需要额外安装CUDA和cudnn
WorkHard_w的博客
07-22 1433
之前安装过几次深度学习环境（主要是玩yolov5），主要分为两种方式：第一种是分步安装，cuda和pytorch需要的环境等。第二种是利用anaconda来安装。
Linux conda环境配置YOLO-v5
阿阿阿阿里郎的博客
11-26 884
Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source MirrorIndex of /anaconda/archive/ | 清华大学开源软件镜像站，致力于为国内和校内用户提供高质量的开源软件镜像、Linux 镜像源服务，帮助用户更方便地获取开源软件。本镜像站由清华大学 TUNA 协会负责运行维护。
PyTorch + CUDA + Anaconda + YOLOv8深度学习环境配置全过程
Hclam的博客
04-03 1464
安装时务必使用英文路径。CUDA版本高于显卡支持版本会报错，务必遵守版本对应关系。网络原因推荐使用国内镜像源。推荐经常更新NVIDIA显卡驱动以保持兼容性。
【YOLO学习】YOLOv5口罩检测实战
m0_62881487的博客
10-05 1546
4. 打开具体的标注文件，你将会看到下面的内容，txt 文件中每一行表示一个目标，以空格进行区分，分别表示目标的类别 id，归一化处理之后的中心点 x 坐标、y 坐标、目标框的 w 和 h。的第 60 行，修改成你的模型地址即可，如果你有 GPU 的话，可以将 device 设置为 0，表示使用第 0 行 GPU，这样可以加快模型的识别速度。文件中，是通过 pyqt5 完成的界面设计，在启动界面前，你需要将模型替换成你训练好的模型，替换的位置在。标记完成的数据请按照下面的格式进行放置，方便程序进行索引。
[学习记录]Anaconda+Pycharm使用cpu版pytorch运行yolov5（一）
accumulation_的博客
02-26 1114
Cpu版本Yolov5运行环境搭建
适合小白的超详细yolov8环境配置+实例运行教程，从零开始教你如何使用yolov8训练自己的数据集（Windows+conda+pycharm）
CV在读
11-21 25万+
yolov8源码下载地址：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLiteyolov8使用文档： Home - Ultralytics YOLOv8 Docs教学视频参考： 包会！YOLOv8训练自己的数据集_哔哩哔哩_bilibili先用conda prompt创建一个虚拟环境，我的叫yolov8, python版本用3.10 源码地址：GitHub - ul
【大作业-05】手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程
热门推荐
dejahu的博客
12-15 35万+
手把手教你使用YOLOV5训练自己的目标检测模型 大家好，这里是肆十二（dejahu），好几个月没有更新了，这两天看了一下关注量，突然多了1k多个朋友关注，想必都是大作业系列教程来的小伙伴。既然有这么多朋友关注这个大作业系列，并且也差不多到了毕设开题和大作业提交的时间了，那我直接就是一波更新。这期的内容相对于上期的果蔬分类和垃圾识别无论是在内容还是新意上我们都进行了船新的升级，我们这次要使用YOLOV5来训练一个口罩检测模型，比较契合当下的疫情，并且目标检测涉及到的知识点也比较多，这次的内容除了可以作为大家
conda命令下载pytorch + cuda，详细步骤与讲解
weixin_54100601的博客
04-05 1万+
网上的教程杂乱，很多都是把简单的问题复杂化，又是去官网下载各种包然后还要添加路径，我不是很能理解这么麻烦那下载Ananconda的意义是什么。本文记录了使用conda命令下载CUDA及CUDA版本的pytorch的详细过程及注意事项，相比于其它文章简单明了、清晰全面。
精选资源
PyTorch安装配置+YOLOv5-5.0实现口罩检测+GPU训练实现办法汇总（非常全）
06-15
### PyTorch安装配置 #### 一、PyTorch与Anaconda环境搭建 ...通过以上步骤，我们可以顺利完成PyTorch环境下YOLOv5的安装配置，并实现口罩检测的功能。在训练过程中，合理利用GPU资源可以显著提高训练速度。
【跟我学YOLO】（3）训练 YOLO11 图像分割模型
youcans的博客
11-23 1177
本文介绍了如何使用YOLOv11进行图像分割任务YOLOv11在COCO-seg数据集上预训练，提供了多个分割模型选项，支持实例分割任务输出对象掩码和类别标签。文章详细说明了安装步骤和模型选择建议，帮助用户快速上手YOLOv11图像分割应用。
第14篇 如何下载yolov8的训练源码与权重文件预训练模型文件
Txwtech
11-24 62
摘要：YOLOv8模型及权重文件获取方法：1)访问GitHub仓库https://github.com/ultralytics/ultralytics，点击Download ZIP下载代码；2)进入中文文档https://docs.ultralytics.com/zh/models/yolov8/，在"模型"部分下拉至中间位置即可下载各类预训练权重文件。
YOLOv8 与 YOLOv8-Seg 全面对比：核心差异解析与完整上手教程
最新发布
m0_62681080的博客
11-24 473
YOLOv8与YOLOv8-Seg的核心区别在于任务类型：前者用于目标检测（输出矩形框），后者用于实例分割（输出像素级掩码）。检测模型适合简单定位任务，而分割模型能提供精确轮廓，适用于需要测量面积、自动抠图等场景。两者在标注方式（矩形框vs多边形）、模型结构（分割多出掩码头）和应用场景上都有显著差异。关键选择标准取决于是否需要像素级精度，如残皮识别、坏点检测等任务必须使用YOLOv8-Seg。
YOLO 系列论文：核心思想与技术演进全解析
叫好与叫座虽然不是对立面，但想在同一个作品中达到双重效果很难。
11-24 1005
定位精度：从“原始回归”→“锚框辅助回归”→“无锚框回归”，逐步降低模型学习难度；特征提取：从“简单卷积”→“残差网络”→“CSP/C2f”→“NAS自动设计”，持续提升特征提取效率；多尺度检测：从“单尺度”→“3尺度FPN”→“SPP+PAN”→“自适应注意力融合”，逐步优化小目标/大目标检测能力；工程化：从“无工具链”→“简单脚本”→“模块化PyTorch工具”→“一体化全任务库”，持续降低训练/部署门槛；性能目标。
目标检测YOLO[03]:推理入门
paopao_wu的专栏
11-23 125
本文首先通过生活类比和技术流程解释了AI模型训练与推理的区别：训练是让模型学习知识的过程，需要大量数据和参数调整；推理则是应用所学知识对新数据进行预测。接着介绍了如何使用YOLOv8模型进行目标检测推理，包括代码实现、预测目标类型和不同模型尺寸的选择。文章详细说明了YOLO系列各版本支持的任务类型（目标检测、实例分割、姿态估计等）及其对应的模型文件命名规则，并提供了查看模型任务类型和可预测类别的代码示例。最后指出模型参数越多推理越准确，但计算耗时也更长。
YOLOv8 验证码识别：从数据标注到模型部署的完整实战教程
沉寂
11-23 202
本文将手把手教你如何使用 YOLOv8 训练一个高精度的验证码识别模型，涵盖数据标注、环境配置、模型训练、验证测试全流程。基于 RTX 4090 服务器实测，600 张训练图片即可达到 50%+ 准确率，是 OCR 和验证码识别入门的首选方案。
S7.1YOLO
2501_91237346的博客
11-22 672
YOLO系列目标检测算法发展综述 本文系统梳理了YOLO系列目标检测算法的发展历程和技术演进。从YOLO v1将检测问题转化为回归问题的创新设计，到v2引入BatchNorm和Multi-Scale训练提升性能，再到v3采用多尺度特征融合和Logistic分类器改进小物体检测。YOLO v4通过数据增强、DropBlock正则化、损失函数优化（CIoU）和网络结构改进（CSPNet、注意力机制）等技术创新显著提升检测精度。最新YOLO v5则侧重工程实践优化。文章详细分析了各版本网络架构、损失函数设计特点，
YOLO中骨干网络与检测头的关系
Lazy_Goat的博客
11-23 229
输入：骨干网络提取的高级语义特征处理：通过卷积层学习特征到类别的映射数学本质：计算特征向量与类别权重向量的相似度输出：每个位置的类别概率分布决策：基于概率选择最可能的类别关键理解骨干网络负责"看"图像并提取有意义的特征检测头负责"理解"这些特征并做出分类决策分类能力是通过学习特征与类别之间的统计关联获得的整个过程是端到端学习的，所有组件协同工作这种设计让网络能够自动发现对分类最有用的特征模式，而不是依赖人工设计的特征。
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
 
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
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