MMSegmentation的使用

最新推荐文章于 2025-06-05 09:00:08 发布
最新推荐文章于 2025-06-05 09:00:08 发布
阅读量549 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 深度学习 神经网络 python
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。
本文链接：https://blog.csdn.net/weixin_45085689/article/details/130968720
本文详细介绍了如何使用命令生成MMSegmentation的配置文件，并提供了配置文件的示例，包括模型结构、数据预处理和训练参数等。之后，文章说明了如何修改配置文件以适应不同的数据集，如斯坦福背景数据集，并注册自定义数据结构。最后，给出了运行训练的命令。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

用比较简单的方式调用 MMSegmentation

一、利用命令生成config文件

利用 tools/train.py 生成config文件。

python tools/train.py configs/deeplabv3/deeplabv3-r50-d8512x51220k_voc12aug.py

其中，config文件名参考configs文件夹下的文件。选取自己喜欢的就好，如：
configs/pspnet/pspnet_r18-d8_4xb4-80k_potsdam-512x512.py

最后可以在work_dirs里面得到想要的包含所有配置信息的配置文件：如下得到deeplabv3-r50-d8512x51220k_voc12aug.py
请添加图片描述
其中内容如下：
deeplabv3-r50-d8512x51220k_voc12aug.py，包含了所有需要配置的信息。

norm_cfg = dict(type='SyncBN', requires_grad=True)
data_preprocessor = dict(
    type='SegDataPreProcessor',
    mean=[123.675, 116.28, 103.53],
    std=[58.395, 57.12, 57.375],
    bgr_to_rgb=True,
    pad_val=0,
    seg_pad_val=255,
    size=(512, 1024))
model = dict(
    type='EncoderDecoder',
    data_preprocessor=dict(
        type='SegDataPreProcessor',
        mean=[123.675, 116.28, 103.53],
        std=[58.395, 57.12, 57.375],
        bgr_to_rgb=True,
        pad_val=0,
        seg_pad_val=255,
        size=(512, 1024)),
    pretrained='open-mmlab://resnet50_v1c',
    backbone=dict(
        type='ResNetV1c',
        depth=50,
        num_stages=4,
        out_indices=(0, 1, 2, 3),
        dilations=(1, 1, 2, 4),
        strides=(1, 2, 1, 1),
        norm_cfg=dict(type='SyncBN', requires_grad=True),
        norm_eval=False,
        style='pytorch',
        contract_dilation=True),
    decode_head=dict(
        type='ASPPHead',
        in_channels=2048,
        in_index=3,
        channels=512,
        dilations=(1, 12, 24, 36),
        dropout_ratio=0.1,
        num_classes=19,
        norm_cfg=dict(type='SyncBN', requires_grad=True),
        align_corners=False,
        loss_decode=dict(
            type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0)),
    auxiliary_head=dict(
        type='FCNHead',
        in_channels=1024,
        in_index=2,
        channels=256,
        num_convs=1,
        concat_input=False,
        dropout_ratio=0.1,
        num_classes=19,
        norm_cfg=dict(type='SyncBN', requires_grad=True),
        align_corners=False,
        loss_decode=dict(
            type='CrossEntropyLoss', use_sigmoid=False, loss_weight=0.4)),
    train_cfg=dict(),
    test_cfg=dict(mode='whole'))
dataset_type = 'CityscapesDataset'
data_root = 'data/cityscapes/'
crop_size = (512, 1024)
train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='LoadAnnotations'),
    dict(
        type='RandomResize',
        scale=(2048, 1024),
        ratio_range=(0.5, 2.0),
        keep_ratio=True),
    dict(type='RandomCrop', crop_size=(512, 1024), cat_max_ratio=0.75),
    dict(type='RandomFlip', prob=0.5),
    dict(type='PhotoMetricDistortion'),
    dict(type='PackSegInputs')
]
test_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='Resize', scale=(2048, 1024), keep_ratio=True),
    dict(type='LoadAnnotations'),
    dict(type='PackSegInputs')
]
img_ratios = [0.5, 0.75, 1.0, 1.25, 1.5, 1.75]
tta_pipeline = [
    dict(type='LoadImageFromFile', backend_args=None),
    dict(
        type='TestTimeAug',
        transforms=[[{
            'type': 'Resize',
            'scale_factor': 0.5,
            'keep_ratio': True
        }, {
            'type': 'Resize',
            'scale_factor': 0.75,
            'keep_ratio': True
        }, {
            'type': 'Resize',
            'scale_factor': 1.0,
            'keep_ratio': True
        }, {
            'type': 'Resize',
            'scale_factor': 1.25,
            'keep_ratio': True
        }, {
            'type': 'Resize',
            'scale_factor': 1.5,
            'keep_ratio': True
        }, {
            'type': 'Resize',
            'scale_factor': 1.75,
            'keep_ratio': True
        }],
                    [{
                        'type': 'RandomFlip',
                        'prob': 0.0,
                        'direction': 'horizontal'
                    }, {
                        'type': 'RandomFlip',
                        'prob': 1.0,
                        'direction': 'horizontal'
                    }], [{
                        'type': 'LoadAnnotations'
                    }], [{
                        'type': 'PackSegInputs'
                    }]])
]
train_dataloader = dict(
    batch_size=2,
    num_workers=2,
    persistent_workers=True,
    sampler=dict(type='InfiniteSampler', shuffle=True),
    dataset=dict(
        type='CityscapesDataset',
        data_root='data/cityscapes/',
        data_prefix=dict(
            img_path='leftImg8bit/train', seg_map_path='gtFine/train'),
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='LoadAnnotations'),
            dict(
                type='RandomResize',
                scale=(2048, 1024),
                ratio_range=(0.5, 2.0),
                keep_ratio=True),
            dict(type='RandomCrop', crop_size=(512, 1024), cat_max_ratio=0.75),
            dict(type='RandomFlip', prob=0.5),
            dict(type='PhotoMetricDistortion'),
            dict(type='PackSegInputs')
        ]))
val_dataloader = dict(
    batch_size=1,
    num_workers=4,
    persistent_workers=True,
    sampler=dict(type='DefaultSampler', shuffle=False),
    dataset=dict(
        type='CityscapesDataset',
        data_root='data/cityscapes/',
        data_prefix=dict(
            img_path='leftImg8bit/val', seg_map_path='gtFine/val'),
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='Resize', scale=(2048, 1024), keep_ratio=True),
            dict(type='LoadAnnotations'),
            dict(type='PackSegInputs')
        ]))
test_dataloader = dict(
    batch_size=1,
    num_workers=4,
    persistent_workers=True,
    sampler=dict(type='DefaultSampler', shuffle=False),
    dataset=dict(
        type='CityscapesDataset',
        data_root='data/cityscapes/',
        data_prefix=dict(
            img_path='leftImg8bit/val', seg_map_path='gtFine/val'),
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='Resize', scale=(2048, 1024), keep_ratio=True),
            dict(type='LoadAnnotations'),
            dict(type='PackSegInputs')
        ]))
val_evaluator = dict(type='IoUMetric', iou_metrics=['mIoU'])
test_evaluator = dict(type='IoUMetric', iou_metrics=['mIoU'])
default_scope = 'mmseg'
env_cfg = dict(
    cudnn_benchmark=True,
    mp_cfg=dict(mp_start_method='fork', opencv_num_threads=0),
    dist_cfg=dict(backend='nccl'))
vis_backends = [dict(type='LocalVisBackend')]
visualizer = dict(
    type='SegLocalVisualizer',
    vis_backends=[dict(type='LocalVisBackend')],
    name='visualizer')
log_processor = dict(by_epoch=False)
log_level = 'INFO'
load_from = None
resume = False
tta_model = dict(type='SegTTAModel')
optimizer = dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0005)
optim_wrapper = dict(
    type='OptimWrapper',
    optimizer=dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0005),
    clip_grad=None)
param_scheduler = [
    dict(
        type='PolyLR',
        eta_min=0.0001,
        power=0.9,
        begin=0,
        end=40000,
        by_epoch=False)
]
train_cfg = dict(type='IterBasedTrainLoop', max_iters=40000, val_interval=4000)
val_cfg = dict(type='ValLoop')
test_cfg = dict(type='TestLoop')
default_hooks = dict(
    timer=dict(type='IterTimerHook'),
    logger=dict(type='LoggerHook', interval=50, log_metric_by_epoch=False),
    param_scheduler=dict(type='ParamSchedulerHook'),
    checkpoint=dict(type='CheckpointHook', by_epoch=False, interval=4000),
    sampler_seed=dict(type='DistSamplerSeedHook'),
    visualization=dict(type='SegVisualizationHook'))
launcher = 'none'
work_dir = './work_dirs/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024'

需要修改的内容主要如下：

norm_cfg = dict(type='BN', requires_grad=True)
img_dir = 'image'
ann_dir = 'mask'
img_dir_val = 'val/image'
ann_dir_val = 'val/mask'
data_root = '/***/dataset'
dataset_type = 'StanfordBackgroundDataset'
crop_size = (512, 512)

修改后信息如下：其中主要是数据路径和图片大小

norm_cfg = dict(type='BN', requires_grad=True)
img_dir = 'image'
ann_dir = 'mask'
img_dir_val = 'val/image'
ann_dir_val = 'val/mask'
data_root = '/cluster/***/dataset'
dataset_type = 'StanfordBackgroundDataset'
crop_size = (512, 512)

data_preprocessor = dict(
    type='SegDataPreProcessor',
    mean=[123.675, 116.28, 103.53],
    std=[58.395, 57.12, 57.375],
    bgr_to_rgb=True,
    pad_val=0,
    seg_pad_val=255,
    size=crop_size)
model = dict(
    type='EncoderDecoder',
    data_preprocessor=dict(
        type='SegDataPreProcessor',
        mean=[123.675, 116.28, 103.53],
        std=[58.395, 57.12, 57.375],
        bgr_to_rgb=True,
        pad_val=0,
        seg_pad_val=255,
        size=crop_size),
    pretrained='open-mmlab://resnet50_v1c',
    backbone=dict(
        type='ResNetV1c',
        depth=50,
        num_stages=4,
        out_indices=(0, 1, 2, 3),
        dilations=(1, 1, 2, 4),
        strides=(1, 2, 1, 1),
        norm_cfg=norm_cfg,
        norm_eval=False,
        style='pytorch',
        contract_dilation=True),
    decode_head=dict(
        type='ASPPHead',
        in_channels=2048,
        in_index=3,
        channels=512,
        dilations=(1, 12, 24, 36),
        dropout_ratio=0.1,
        num_classes=2,
        norm_cfg=norm_cfg,
        align_corners=False,
        loss_decode=dict(
            type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0)),
    auxiliary_head=dict(
        type='FCNHead',
        in_channels=1024,
        in_index=2,
        channels=256,
        num_convs=1,
        concat_input=False,
        dropout_ratio=0.1,
        num_classes=2,
        norm_cfg=norm_cfg,
        align_corners=False,
        loss_decode=dict(
            type='CrossEntropyLoss', use_sigmoid=False, loss_weight=0.4)),
    train_cfg=dict(),
    test_cfg=dict(mode='whole'))

train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='LoadAnnotations'),
    dict(
        type='RandomResize',
        scale=crop_size,
        ratio_range=(0.5, 2.0),
        keep_ratio=True),
    dict(type='RandomCrop', crop_size=crop_size, cat_max_ratio=0.75),
    dict(type='RandomFlip', prob=0.5),
    dict(type='PhotoMetricDistortion'),
    dict(type='PackSegInputs')
]
test_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='Resize', scale=crop_size, keep_ratio=True),
    dict(type='LoadAnnotations'),
    dict(type='PackSegInputs')
]
img_ratios = [0.5, 0.75, 1.0, 1.25, 1.5, 1.75]
tta_pipeline = [
    dict(type='LoadImageFromFile', backend_args=None),
    dict(
        type='TestTimeAug',
        transforms=[[{
            'type': 'Resize',
            'scale_factor': 0.5,
            'keep_ratio': True
        }, {
            'type': 'Resize',
            'scale_factor': 0.75,
            'keep_ratio': True
        }, {
            'type': 'Resize',
            'scale_factor': 1.0,
            'keep_ratio': True
        }, {
            'type': 'Resize',
            'scale_factor': 1.25,
            'keep_ratio': True
        }, {
            'type': 'Resize',
            'scale_factor': 1.5,
            'keep_ratio': True
        }, {
            'type': 'Resize',
            'scale_factor': 1.75,
            'keep_ratio': True
        }],
                    [{
                        'type': 'RandomFlip',
                        'prob': 0.0,
                        'direction': 'horizontal'
                    }, {
                        'type': 'RandomFlip',
                        'prob': 1.0,
                        'direction': 'horizontal'
                    }], [{
                        'type': 'LoadAnnotations'
                    }], [{
                        'type': 'PackSegInputs'
                    }]])
]
train_dataloader = dict(
    batch_size=2,
    num_workers=2,
    persistent_workers=True,
    sampler=dict(type='InfiniteSampler', shuffle=True),
    dataset=dict(
        type=dataset_type,
        data_root=data_root,
        data_prefix=dict(
            img_path=img_dir, seg_map_path=ann_dir),
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='LoadAnnotations'),
            dict(
                type='RandomResize',
                scale=crop_size,
                ratio_range=(0.5, 2.0),
                keep_ratio=True),
            dict(type='RandomCrop', crop_size=crop_size, cat_max_ratio=0.75),
            dict(type='RandomFlip', prob=0.5),
            dict(type='PhotoMetricDistortion'),
            dict(type='PackSegInputs')
        ]))
val_dataloader = dict(
    batch_size=1,
    num_workers=4,
    persistent_workers=True,
    sampler=dict(type='DefaultSampler', shuffle=False),
    dataset=dict(
        type=dataset_type,
        data_root=data_root,
        data_prefix=dict(
            img_path=img_dir_val, seg_map_path=ann_dir_val),
        pipeline=[
            dict(type='LoadImageFromFile'),
            dict(type='Resize', scale=crop_size, keep_ratio=True),
            dict(type='LoadAnnotations'),
            dict(type='PackSegInputs')
        ]))
test_dataloader = val_dataloader

val_evaluator = dict(type='IoUMetric', iou_metrics=['mIoU'])
test_evaluator = dict(type='IoUMetric', iou_metrics=['mIoU'])
default_scope = 'mmseg'
env_cfg = dict(
    cudnn_benchmark=True,
    mp_cfg=dict(mp_start_method='fork', opencv_num_threads=0),
    dist_cfg=dict(backend='nccl'))
vis_backends = [dict(type='LocalVisBackend')]
visualizer = dict(
    type='SegLocalVisualizer',
    vis_backends=[dict(type='LocalVisBackend')],
    name='visualizer')
log_processor = dict(by_epoch=False)
log_level = 'INFO'
load_from = None
resume = False
tta_model = dict(type='SegTTAModel')
optimizer = dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0005)
optim_wrapper = dict(
    type='OptimWrapper',
    optimizer=dict(type='SGD', lr=0.01, momentum=0.9, weight_decay=0.0005),
    clip_grad=None)
param_scheduler = [
    dict(
        type='PolyLR',
        eta_min=0.0001,
        power=0.9,
        begin=0,
        end=40000,
        by_epoch=False)
]
train_cfg = dict(type='IterBasedTrainLoop', max_iters=40000, val_interval=4000)
val_cfg = dict(type='ValLoop')
test_cfg = dict(type='TestLoop')
default_hooks = dict(
    timer=dict(type='IterTimerHook'),
    logger=dict(type='LoggerHook', interval=50, log_metric_by_epoch=False),
    param_scheduler=dict(type='ParamSchedulerHook'),
    checkpoint=dict(type='CheckpointHook', by_epoch=False, interval=4000),
    sampler_seed=dict(type='DistSamplerSeedHook'),
    visualization=dict(type='SegVisualizationHook'))
launcher = 'none'
work_dir = './work_dirs/deeplabv3_r50'

二、修改好配置文件后，需要注册自定义的数据结构

1、在mmseg/datasets中新建文件如：example.py，其内容如下,classes与palette填写自己的数据类名和自定义颜色：

from mmseg.registry import DATASETS
from .basesegdataset import BaseSegDataset

@DATASETS.register_module()
class StanfordBackgroundDataset(BaseSegDataset):
  METAINFO = dict(classes = ('foreground','background'), palette = [[123,43,15],[32,222,113]])
  def __init__(self, **kwargs):
    super().__init__(img_suffix='.png', seg_map_suffix='.png', **kwargs)

2、然后再 mmseg/datasets中的__init__.py中进行导入，如：

from .example import StanfordBackgroundDataset
__all__ = ['...','StanfordBackgroundDataset']

三、运行

python tools/train.py path/to/deeplabv3-r50-d8512x51220k_voc12aug.py
MMSegmentation使用心得（一）
weixin_50646615的博客
11-19 2072
MMSegmentation入门及使用简介
语义分割——mmsegmentation框架使用
tang_seven的博客
06-11 4157
对mmsegmentation进行简单介绍，并对如何快速使用进行训练以及预测进行记录
图像分割之--mmsegmentation使用
AI小花猫的博客
09-05 2881
mmsegmentation对自己数据集的训练和测试
OpenMMLab MMSegmentation 配置文件详解与使用指南
最新发布
gitblog_00097的博客
06-05 301
OpenMMLab MMSegmentation 配置文件详解与使用指南 一、配置文件系统概述 OpenMMLab的MMSegmentation项目采用模块化和继承性的配置文件设计理念，使得语义分割实验配置更加灵活和高效。配置文件系统是项目的重要组成部分，它允许研究人员通过组合不同的组件快速搭建实验环境。 二、配置文件结构解析 2.1 基础组件类型 MMSegmentation的配置文件系统基于四...
mmsegmentation基础使用学习笔记（四）——常用工具&可视化
gui_lin_ger_的博客
10-13 1588
例如，在 _base_/schedules/schedule_20k.py 中，修改 SegVisualizationHook 配置，将 draw 设置为 True 以启用网络推理结果的存储，interval 表示预测结果的采样间隔， 设置为 1 时，将保存网络的每个推理结果。`SegDataSample` 是在 MMSegmentation 中定义的不同组件之间的数据结构接口，预测结果会被保存在 $WORK_DIRS/vis_data 下的 vis_image 中。类别的名称和表示颜色是一一对应的。
mmsegmentation基础使用学习笔记（三）——使用现有模型在单GPU上进行训练和测试&代码解析
gui_lin_ger_的博客
10-07 1091
当使用PyTorch版本>=2.0.0时，“torch.distributed.launch”将把“--local rank”参数传递给“tools/train.py”，而不是“--local_rank”。# 当使用PyTorch版本>=2.0.0时，“torch.distributed.launch”将把“--local rank”参数传递给“tools/train.py”，而不是“--local_rank”。# 根据配置文件构建runner，继承OpenMMLab框架中的训练逻辑。
MMSegmentation使用心得（二）——分布式训练
weixin_50646615的博客
11-22 1550
MMSegmentation分布式训练
MMsegmentation使用step
07-28
MMsegmentation使用步骤如下： 1. 首先，你需要访问MMsegmentation的代码仓库地址\[1\]，可以在这里找到代码仓库和文档库的链接。你可以使用git clone命令将代码仓库克隆到本地，并按照文档中的说明进行安装。 2. ...
mmsegmentation使用记录
weixin_41619475的博客
05-11 3803
mmsegmentation使用记录 mmseg官方代码 https://github.com/open-mmlab/mmsegmentation 一、环境搭建 环境搭建可参考如下链接： https://github.com/open-mmlab/mmsegmentation/blob/master/docs/get_started.md#installation 1.conda install pytorch=1.6.0 torchvision cudatoolkit=10.1 -c pytorch 2.
mmsegmentation
04-04
文档： ： 介绍 MMSegmentation是基于PyTorch的开源语义分割工具箱。 它是OpenMMLab项目的一部分。 master分支可与PyTorch 1.3至1.6一起使用。 主要特点 统一基准 我们为各种语义分割方法提供了一个统一的基准测试工具箱。 模块化设计 我们将语义分割框架分解为不同的组件，并且可以通过组合不同的模块轻松地构建自定义的语义分割框架。 开箱即用的多种方法支持 该工具箱直接支持流行的和当代的语义分割框架，例如PSPNet，DeepLabV3，PSANet，DeepLabV3 +等。 高效率 训练速度比其他代码库快或可比。 执照 该项目是根据。 变更日志 v0.11.0于02/02/20发布。 有关详细信息和发行历史，请参考 。 基准和模型动物园 结果和模型可在。 支持的骨干网： ResNet ResNeXt 支持的方法：
MMSegmentation的用法（手把手入门教程）搭配Colab，对自己的数据进行训练
m0_59113223的博客
08-13 2947
本文介绍了MMSegmentation配合谷歌Colab的使用，从利用自己的数据集开始，简单快速带读者进行工具箱的使用
mmsegmentation-distiller：这是基于mmsegmentation的知识蒸馏工具箱
03-03
分段细分 该项目基于mmsegmentation（v-0.11.0），所有用法与相同，包括培训，测试等。 蒸馏器动物园 安装 设置新的conda环境： conda create -n distiller python=3.7 安装pytorch 1.3+ 安装mmdetection-distiller git clone https://github.com/pppppM/mmsegmentation-distiller.git cd mmsegmentation-distiller pip install -r requirements/build.txt pip install -v -e . 火车 #single GPU python tools/train.py configs/distiller/cwd/cwd_psp_r101-d8_distill_psp_r18_d8_
mmsegmentation: 安装并使用自定义数据集进行训练
AI数据工厂
08-13 4266
本文从实际的案例出发，介绍了如何在mmsegmentation使用自定义数据集和添加自定义模块，并介绍了安装过程的一些坑；供大家学习交流。
MMSegmentation——流程化使用
啷个哩个啷
05-23 2389
有两种方式可以自定义数据类，第一种，就是文件形式，另外一种就是直接下载要运行的代码里，下面会说。OpenMMLab-AI实战营第二期——5-2. MMSegmentation代码课的**1.1 持久化运行（用文件定义）**部分个人更推荐这种使用方式，不需要去在文件夹里改文件，比较方便。但是如果长时间操作一个数据集，那还是把它写成文件的形式比较好。OpenMMLab-AI实战营第二期——5-2. MMSegmentation代码课的1.2 运行时生效（直接运行时定义一个class）部分。
【Python:Pycharm】mmSegmentation语义分割框架教程
weixin_44883789的博客
07-07 9498
MMSegmentation是openmmlab项目下开源的图像语义分割框架，目前支持pytorch，由于其拥有pipeline加速，完善的数据增强体系，完善的模型库，作为大数据语义分割训练及测试的代码框架是再好不过了。
MMSegmentation 0基础入门
m0_58809631的博客
12-12 1186
本文是看了子豪兄视频以后做的笔记，是语义分割框架，优点是用这一个框架能跑很多模型，且配置统一，。
安装mmsegmentation默认主分支main
abanchao的博客
04-21 285
安装时间2024.4.21mmsegmentation新版本main分支（v1.2.2）
mmsegmentation 之修改输入通道
hasque2019的博客
11-23 2084
open-mmlab有许多非常实用的框架，其中目标检测的话mmdetection确实很实用。但语义分割的话当属mmsegmentation，这篇博客介绍mmsegmentation如何将输入图像通道数修改为单通道。 3.吹一波，mmsegmentation确实很好用，接着第二步，这个地方不管你是用自定义数据集还是其他数据集，将transformer.py里的rgb2gray添加到训练验证数据处理阶段，举个例子 4.此时你可能会遇到一些bug，第三步完后进行编译后直接训练可能会出现以下错误。 网上解释的
评论 2
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