最近在网上看到有与本博客一模一样的，连图片都一样。
特此声明：这是原版，转载请附原文链接，谢谢。
这次我将大部分图片添加了水印
文章目录- 一. 环境（不能含有中文路径）
- 二. 准备工作（文件夹及视频转图片）
- 三. 使用labelImg标注图片
- 1. 安装labellmg
- 2. 使用labellmg
- 四. 划分数据集以及配置文件修改
- 1. 划分训练集、验证集、测试集
- 2. XML格式转yolo_txt格式
- 3. 配置文件
- 3. 聚类获得先验框
- 3.1 生成anchors（两种方法）
- 3.1.1 自动获取anchors
- 3.1.2 手动获取anchors
- 3.2 修改模型配置文件
- 五. 模型训练
- 1. 开始训练
- 2. 训练过程
- 3. 训练时间
- 4. 相关问题
- 5. 训练可视化
- 六. 检测效果
- 七. 模型评估与推理
- 八. 参考链接（感谢）
推荐下本人另一篇博客：
一. 环境（不能含有中文路径）最新安装anaconda与tensorflow、pytorch（详细完整版）
本教程使用环境：
-
pytorch: 1.10.0
-
python: 3.9
-
yolov5 v6.0
ps: 如果要使用GPU，cuda版本要 >=10.1
下载安装yolov5：
yolov5 v6.0官方要求 Python>=3.6 and PyTorch>=1.7
yolov5源码下载：https://github.com/ultralytics/yolov5
下载后，进入pytorch环境进入yolov5文件夹，使用换源的方法安装依赖。
如果你前面安装时没有换源，我强烈建议你使用换源的方法在安装一次
安装过的模块不会在安装，以防缺少模块，影响后续程序运行以及模型训练。
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
二. 准备工作（文件夹及视频转图片）因为本教程主详细讲解训练自己的数据集，避免篇幅过多，因此这里不详细说明了。
因为这篇文章主要是给小白提供，所以数据集文件夹以及代码文件命名不是很标准，标准的自行去搜索查看coco数据集就行了。
为了排除一些意外情况，路径中就不要有短横杠-以及空格等等特殊字符。中文更不能要有。
- 在 yolov5目录下 新建文件夹 VOCData（可以自定义命名）
- 在VOCData下新建两个文件夹 Annotations 以及 images
images：用于存放要标注的图片（jpg格式）
这个和后续产生的 labels文件夹命名来源于yolov5/utils/datasets.py的第372行，你可进行查看。
Annotations ：用于存放标注图片后产生的内容（这里采用XML格式）
后续使用代码保存位置如图
本教程需要用到图中的代码文件，这里先不用管，后面会给出代码。
这里提供本人编写的python代码，用于将视频转图片。
只需更改两个参数，视频路径以及间隔多少帧取图片。
python实现视频转图片_diyu-CSDN博客
三. 使用labelImg标注图片 1. 安装labellmg代码运行，需要装有opencv模块，装opencv模块前需要装numpy模块。
所以，你可以选择进入pytorch环境进入代码所在文件夹，用命令行形式运行程序。
labelImg下载：https://github.com/tzutalin/labelImg
各种安装方法都在此链接中，这里只给出 windows +anaconda 进行安装。
ps: 如果你进入不了github，这里给出百度网盘链接
labellImg百度网盘链接：https://pan.baidu.com/s/1odKMu9nY6ueVJsiQwYRnkw
提取码：diyu
此labelImg是采用命令行形式运行，需要使用命令行安装一些依赖。
如果你认为这个太麻烦，网上有人打包好了此软件，可以自行去下载。
本人labellmg存放位置
打开 anaconda prompt （类似于cmd）
进入 labellmg文件夹
我建议就在base环境下进行安装labellmg，方便一点，你也可以进入pytorch环境下安装。
在哪个环境安装的就在哪个环境下启动软件。
执行命令前，建议更新一下conda
conda update -n base -c defaults conda
-n：指定更新哪个环境的conda，这里是base环境
windows +anaconda 安装方式如下：
依次执行下面命令 （不要连接外网）
conda install pyqt=5
conda install -c anaconda lxml
pyrcc5 -o libs/resources.py resources.qrc
运行软件前可以更改下要标注的类别。
也可以进入软件后添加，不过那样每次进入软件都要添加，麻烦。
打开labellmg（要进入labellmg文件夹）
python labelImg.py #运行软件
勾选 auto save mode 自动保存
图片重新上传加了水印，模糊了见谅
格式就默认是XML格式，可以更改成yolo，这里就使用默认的XML格式
点击左方边栏或者屏幕右键选择 Create RectBox 即可进行标注。
尽可能的完全拟合标注物体，建议放大标注，也别放大狠了哈。
其它看个人标准。
四. 划分数据集以及配置文件修改如果数据集很多的话，可以考虑自动标注，当然，也不是全自动哈。
运行代码方式
-
第一种：使用pycharm、vscode、python自带的IDLE。如果出现缺少模块的情况（no module named），你可以安装模块，也可以使用后一种方法。
-
第二种：进入pytorch环境，进入代码所在目录，使用命令行形式运行（python + 程序名）
在VOCData目录下创建程序 split_train_val.py 并运行
程序如下：（可以不更改）
# coding:utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
#xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
#数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0 # 训练集和验证集所占比例。 这里没有划分测试集
train_percent = 0.9 # 训练集所占比例，可自己进行调整
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] + '\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
运行完毕后 会生成 ImagesSets\Main 文件夹，且在其下生成 测试集、训练集、验证集，存放图片的名字（无后缀.jpg）
2. XML格式转yolo_txt格式由于没有分配测试集，所以测试集为空。
若要分配，更改第 14、15 行代码，更改所在比例即可。
在VOCData目录下创建程序 text_to_yolo.py 并运行
命名随意，我后面改成了 xml_to_yolo.py，更加的贴切。
程序如下：
需要将第 7 行改成自己所标注的类别 以及修改各绝对路径
绝对路径需为：d:\\images 或者 d:/images
双右斜线或者单左斜线
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ["light", "post"] # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('D:/Yolov5/yolov5/VOCData/Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('D:/Yolov5/yolov5/VOCData/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
#difficult = obj.find('Difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('D:/Yolov5/yolov5/VOCData/labels/'):
os.makedirs('D:/Yolov5/yolov5/VOCData/labels/')
image_ids = open('D:/Yolov5/yolov5/VOCData/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
if not os.path.exists('D:/Yolov5/yolov5/VOCData/dataSet_path/'):
os.makedirs('D:/Yolov5/yolov5/VOCData/dataSet_path/')
list_file = open('dataSet_path/%s.txt' % (image_set), 'w')
# 这行路径不需更改，这是相对路径
for image_id in image_ids:
list_file.write('D:/Yolov5/yolov5/VOCData/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()
运行后会生成如下 labels 文件夹和 dataSet_path 文件夹。
其中 labels 中为不同图像的标注文件。每个图像对应一个txt文件，文件每一行为一个目标的信息，包括class, x_center, y_center, width, height格式，这种即为 yolo_txt格式
dataSet_path文件夹包含三个数据集的txt文件，train.txt等txt文件为划分后图像所在位置的路径，如train.txt就含有所有训练集图像的路径。
在 yolov5 目录下的 data 文件夹下 新建一个 myvoc.yaml文件（可以自定义命名），用记事本打开。
内容是：
训练集以及验证集（train.txt和val.txt）的路径（可以改为相对路径）
以及 目标的类别数目和类别名称。
注意这里的类别名称顺序，如果训练的结果是反的，这里修改重新训练。
给出模板： 冒号后面需要加空格
train: D:/Yolov5/yolov5/VOCData/dataSet_path/train.txt
val: D:/Yolov5/yolov5/VOCData/dataSet_path/val.txt
# number of classes
nc: 2
# class names
names: ["light", "post"]
有自动法以及手动法。
鉴于很多人在生成anchors文件这里出错，因此补上自动法
3.1.1 自动获取anchors如果目录 yolov5/utils下有 autoanchor.py文件，那么就可以采用自动获取anchors。（yolov5版本偏低是没有的）
如果没有此文件。那么就只能手动获取更改anchors
确保 yolov5/data/hyps/hyp.cratch.yaml中的anchors这行是注释掉的。
采用自动法的话，不用运行，训练时自动调用
如果自动获取anchors的话，训练时只要不添加参数 --noautoanchor（后面会介绍），就会自动运行autoanchor.py。
原理就是通过检测计算 Best Possible Recall (BPR)，来判断是否重新计算anchors。如果BPR<0.98时（最高是1），会自动通过k-means（欧式距离）聚类得到新的anchors。
图中大于0.98，所以没有更新anchors。
我这里不清楚 BPR<0.98的具体情况，我只知道会重新计算anchors，但是是否需要我们将重新生成的anchors像手动法那样去修改anchors就不清楚了。
按理应该是不需要的，如果训练时重新生成anchors后会停止训练，那么应该是需要我们修改ahchors。
在VOCData目录下创建程序两个程序 kmeans.py 以及 clauculate_anchors.py
不需要运行 kmeans.py，运行 clauculate_anchors.py 即可。
kmeans.py 程序如下：这不需要运行，也不需要更改
如果报错，可以查看第 13 行内容
import numpy as np
def iou(box, clusters):
"""
Calculates the Intersection over Union (IoU) between a box and k clusters.
:param box: tuple or array, shifted to the origin (i. e. width and height)
:param clusters: numpy array of shape (k, 2) where k is the number of clusters
:return: numpy array of shape (k, 0) where k is the number of clusters
"""
x = np.minimum(clusters[:, 0], box[0])
y = np.minimum(clusters[:, 1], box[1])
if np.count_nonzero(x == 0) > 0 or np.count_nonzero(y == 0) > 0:
raise ValueError("Box has no area") # 如果报这个错，可以把这行改成pass即可
intersection = x * y
box_area = box[0] * box[1]
cluster_area = clusters[:, 0] * clusters[:, 1]
iou_ = intersection / (box_area + cluster_area - intersection)
return iou_
def avg_iou(boxes, clusters):
"""
Calculates the average Intersection over Union (IoU) between a numpy array of boxes and k clusters.
:param boxes: numpy array of shape (r, 2), where r is the number of rows
:param clusters: numpy array of shape (k, 2) where k is the number of clusters
:return: average IoU as a single float
"""
return np.mean([np.max(iou(boxes[i], clusters)) for i in range(boxes.shape[0])])
def translate_boxes(boxes):
"""
Translates all the boxes to the origin.
:param boxes: numpy array of shape (r, 4)
:return: numpy array of shape (r, 2)
"""
new_boxes = boxes.copy()
for row in range(new_boxes.shape[0]):
new_boxes[row][2] = np.abs(new_boxes[row][2] - new_boxes[row][0])
new_boxes[row][3] = np.abs(new_boxes[row][3] - new_boxes[row][1])
return np.delete(new_boxes, [0, 1], axis=1)
def kmeans(boxes, k, dist=np.median):
"""
Calculates k-means clustering with the Intersection over Union (IoU) metric.
:param boxes: numpy array of shape (r, 2), where r is the number of rows
:param k: number of clusters
:param dist: distance function
:return: numpy array of shape (k, 2)
"""
rows = boxes.shape[0]
distances = np.empty((rows, k))
last_clusters = np.zeros((rows,))
np.random.seed()
# the Forgy method will fail if the whole array contains the same rows
clusters = boxes[np.random.choice(rows, k, replace=False)]
while True:
for row in range(rows):
distances[row] = 1 - iou(boxes[row], clusters)
nearest_clusters = np.argmin(distances, axis=1)
if (last_clusters == nearest_clusters).all():
break
for cluster in range(k):
clusters[cluster] = dist(boxes[nearest_clusters == cluster], axis=0)
last_clusters = nearest_clusters
return clusters
if __name__ == '__main__':
a = np.array([[1, 2, 3, 4], [5, 7, 6, 8]])
print(translate_boxes(a))
运行：clauculate_anchors.py
会调用 kmeans.py 聚类生成新anchors的文件
程序如下：
需要更改第 9 、13行文件绝对路径 以及 第 16 行标注类别名称
# -*- coding: utf-8 -*-
# 根据标签文件求先验框
import os
import numpy as np
import xml.etree.cElementTree as et
from kmeans import kmeans, avg_iou
FILE_ROOT = "D:/Yolov5/yolov5/VOCData/" # 根路径
ANNOTATION_ROOT = "Annotations" # 数据集标签文件夹路径
ANNOTATION_PATH = FILE_ROOT + ANNOTATION_ROOT
ANCHORS_TXT_PATH = "D:/Yolov5/yolov5/VOCData/anchors.txt" #anchors文件保存位置
CLUSTERS = 9
CLASS_NAMES = ['light', 'post'] #类别名称
def load_data(anno_dir, class_names):
xml_names = os.listdir(anno_dir)
boxes = []
for xml_name in xml_names:
xml_pth = os.path.join(anno_dir, xml_name)
tree = et.parse(xml_pth)
width = float(tree.findtext("./size/width"))
height = float(tree.findtext("./size/height"))
for obj in tree.findall("./object"):
cls_name = obj.findtext("name")
if cls_name in class_names:
xmin = float(obj.findtext("bndbox/xmin")) / width
ymin = float(obj.findtext("bndbox/ymin")) / height
xmax = float(obj.findtext("bndbox/xmax")) / width
ymax = float(obj.findtext("bndbox/ymax")) / height
box = [xmax - xmin, ymax - ymin]
boxes.append(box)
else:
continue
return np.array(boxes)
if __name__ == '__main__':
anchors_txt = open(ANCHORS_TXT_PATH, "w")
train_boxes = load_data(ANNOTATION_PATH, CLASS_NAMES)
count = 1
best_accuracy = 0
best_anchors = []
best_ratios = []
for i in range(10): ##### 可以修改，不要太大，否则时间很长
anchors_tmp = []
clusters = kmeans(train_boxes, k=CLUSTERS)
idx = clusters[:, 0].argsort()
clusters = clusters[idx]
# print(clusters)
for j in range(CLUSTERS):
anchor = [round(clusters[j][0] * 640, 2), round(clusters[j][1] * 640, 2)]
anchors_tmp.append(anchor)
print(f"Anchors:{anchor}")
temp_accuracy = avg_iou(train_boxes, clusters) * 100
print("Train_Accuracy:{:.2f}%".format(temp_accuracy))
ratios = np.around(clusters[:, 0] / clusters[:, 1], decimals=2).tolist()
ratios.sort()
print("Ratios:{}".format(ratios))
print(20 * "*" + " {} ".format(count) + 20 * "*")
count += 1
if temp_accuracy > best_accuracy:
best_accuracy = temp_accuracy
best_anchors = anchors_tmp
best_ratios = ratios
anchors_txt.write("Best Accuracy = " + str(round(best_accuracy, 2)) + '%' + "\r\n")
anchors_txt.write("Best Anchors = " + str(best_anchors) + "\r\n")
anchors_txt.write("Best Ratios = " + str(best_ratios))
anchors_txt.close()
会生成anchors文件。如果生成文件为空，重新运行即可。
如果还是为空，看下是不是类别没有更改。
第二行 Best Anchors 后面需要用到。（这就是手动获取到的anchors的值）
3.2 修改模型配置文件选择一个模型，在yolov5目录下的model文件夹下是模型的配置文件，有n、s、m、l、x版本，逐渐增大（随着架构的增大，训练时间也是逐渐增大）。
这里放一些官方数据：GitHub - ultralytics/yolov5
| Model | size (pixels) | mAPval 0.5:0.95 | mAPval 0.5 | Speed CPU b1 (ms) | Speed V100 b1 (ms) | Speed V100 b32 (ms) | params (M) | FLOPs @640 (B) |
|---|---|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.4 | 46.0 | 45 | 6.3 | 0.6 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.2 | 56.0 | 98 | 6.4 | 0.9 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.2 | 63.9 | 224 | 8.2 | 1.7 | 21.2 | 49.0 |
| YOLOv5l | 640 | 48.8 | 67.2 | 430 | 10.1 | 2.7 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | 68.9 | 766 | 12.1 | 4.8 | 86.7 | 205.7 |
这里选用 yolov5s.yaml
使用记事本打开 yolov5s.yaml。
修改参数。
- 采用自动法获取anchors，只需更改nc 标注类别数，不用更改anchors
按理应该是不需修改anchors的，我在前面自动法那里提过，如果后续训练时自动计算出了anchors后暂停了训练，那么应该是需要我们根据生成的anchors来修改。
- 手动法获取anchors需要更改两个参数
把 nc 改成自己的标注类别数
修改anchors，根据 anchors.txt 中的 Best Anchors 修改，需要取整（四舍五入、向上、向下都可以）。
保持yaml中的anchors格式不变，按顺序一对一即可。
打开yolov5 目录下的 train.py 程序，我们可以多看看这些参数使用。
常用参数解释如下：
这个大部分借鉴了参考链接。
weights：权重文件路径
cfg：存储模型结构的配置文件
data：存储训练、测试数据的文件
epochs：指的就是训练过程中整个数据集将被迭代（训练）了多少次，显卡不行你就调小点。
batch-size：训练完多少张图片才进行权重更新，显卡不行就调小点。
img-size：输入图片宽高，显卡不行就调小点。
device：cuda device, i.e. 0 or 0,1,2,3 or cpu。选择使用GPU还是CPU
workers：线程数。默认是8。
其它参数解释：
noautoanchor：不自动检验更新anchors
rect：进行矩形训练resume：恢复最近保存的模型开始训练
nosave：仅保存最终checkpoint
notest：仅测试最后的epoch
evolve：进化超参数
bucket：gsutil bucket
cache-images：缓存图像以加快训练速度
name： 重命名results.txt to results_name.txt
adam：使用adam优化
multi-scale：多尺度训练，img-size +/- 50%
single-cls：单类别的训练集
进入pytorch环境，进入yolov5文件夹
训练命令如下：
如果出现问题，查看后面问题说明！
python train.py --weights weights/yolov5s.pt --cfg models/yolov5s.yaml --data data/myvoc.yaml --epoch 200 --batch-size 8 --img 640 --device cpu
–weights weights/yolov5s.pt ：这个也许你需要更改路径。我是将yolov5的pt文件都放在weights目录下，你可能没有，需要更改路径。
–epoch 200 ：训练200次
–batch-size 8：训练8张图片后进行权重更新
–device cpu：使用CPU训练。
如果采用手动法获取anchors，可以选择补充添加参数 --noautoanchor，也可以不添加（解释如下）
参数解释在上面。如果是自动法，这个参数不要加；
2. 训练过程如果是手动获取并更改了anchors的，而且没有添加参数 --noautoanchor，训练时会计算BPR，并且得到的BPR应该是为1的（或者极为接近1），所以不会更新anchors。因此，手动法的话这个参数添不添加无所谓的。
如果你不想看到这些警告，网上是有办法消除的，自行寻找了。
如果你使用GPU训练也有类似下面这个，那是你 cuda 版本不对（不是>=10.1的版本），版本不对无法使用cuda。
训练好的模型会被保存在 yolov5 目录下的 runs/train/weights/ 下
3. 训练时间
- 我这里四百多张图片，使用CPU训练了一百二十几次（虽然设的200次，但我中途终止了），大概花了5、6个小时吧，时间比较久了忘了。
- 我同学 70张图片训练70次，使用CPU训练花了 一个多小时。
上述时间只限于电脑风扇转动的情况下，如果你电脑限制性能，风扇不转动，那时间将会是个未知（一般是好几倍）
4. 相关问题如果出现缺少模块的情况（no module named）
回到博客最开始部分，使用换源的方法补充安装yolov5的依赖。
如果出现 （页面太小，无法完成 *** 作）的相关问题
那是虚拟内存不足，重新打开页面或者重启电脑试试（这个方法解决的可能性比较低），降低线程 --workes (默认是8) 。最后再试试调小 --batch-size，降低 --epoch
我有几个同学 --workers指定为0才成功。
如果都不行，可以看看这个链接 https://product.pconline.com.cn/itbk/software/dnyw/1707/9679137.html
如果训练过程中出现 memory error
那是内存超了，减小 --batch-size 试试，如果还不行降低 --epoch。
我同学将 --epoch 设为100次，–batch-size设为3才成功。
–epoch建议尽量在100次往上吧
重复训练的话，你也许需要将这两个缓存清除掉。
5. 训练可视化训练时或者训练后可以利用 tensorboard 查看训练可视化
tensorboard --logdir=runs
与训练一样，进入pytorch环境，进入yolov5文件夹执行。
python detect.py --source 0 # webcam 自带摄像头
file.jpg # image 图片
file.mp4 # video 视频
path/ # directory
path/*.jpg # glob
'https://youtu.be/NUsoVlDFqZg' # YouTube
'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream
我们使用刚刚训练出的最好的模型 best.pt 来测试，在yolov5目录下的 runs/train/exp/weights 。
python detect.py --weights runs/train/exp/weights/best.pt --source ../data/video/tram.mp4
../ 代表当前目录的上一级目录
测试结果保存在 yolov5/runs/detect 目录下
七. 模型评估与推理这个就请查看第一个参考链接了，我就不说明了，注意下版本问题哈
八. 参考链接（感谢）-
YOLOv5训练自己的数据集（超详细完整版）_深度学习菜鸟的博客-CSDN博客_yolov5训练自己的数据
-
【小白CV】手把手教你用YOLOv5训练自己的数据集（从Windows环境配置到模型部署） (icode9.com)
有帮助的话，不求一键三连，点个赞还是可以的吧，笔芯
这些问题都是在我朋友身上遇到的，各种纷杂问题都有，这里只保留了部分问题。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）