YOLOv8安装教程+GPU训练全流程

超详细的YOLOv8安装与测试指南:让计算机视觉任务变得简单 python3+、Anaconda3或Miniconda3 Ultralytics提供了多种安装方法,包括pip、conda和Docker。通过pip包安装最新稳定版的YOLOv8,或者克隆Ultralytics GitHub仓库以获取最新版本。Docker可用于在隔离容器中执行包,避免本地安装。 最简单直接的方式就是直接使用pip方法直接安装。 也可以直接从GitHub仓库安装包。如果你想要最新的开发版本,这可能会很有用。确保你的系统上安装了Git命令行工具 阅读详情

前言:YOLOv8 作为当前工业界和学术界主流的目标检测模型,凭借高效的推理速度和优秀的检测精度成为首选。而 GPU 训练是提升 YOLOv8 训练效率的核心(相比 CPU 快 10-20 倍),本文将聚焦「YOLOv8 环境安装 + GPU 训练」两大核心场景,从环境准备、依赖配置到实战训练,每一步都附带具体命令和避坑说明,零基础也能快速上手,适用于 Windows/Linux 系统。

一、GPU 训练核心前提(必看)

想要用 GPU 训练 YOLOv8,必须满足以下硬件 + 软件条件,这是避免后续报错的关键:

  1. 硬件要求:电脑需配备 NVIDIA 独立显卡(AMD 显卡暂不支持 PyTorch GPU 加速),显存建议≥4G(显存越小,训练时批量大小需设置越小);
  2. 软件前提:需安装匹配版本的 NVIDIA 显卡驱动、CUDA、cuDNN,三者版本不匹配会直接导致 GPU 无法调用(核心避坑点)。

二、YOLOv8 完整安装流程(Windows/Linux 通用)

推荐使用 Anaconda 创建独立虚拟环境,隔离依赖包,避免与其他 Python 项目冲突,全程步骤可直接复制执行。

2.1 安装 Anaconda(管理虚拟环境)

Anaconda 是 AI 开发必备工具,能快速创建 / 管理虚拟环境,避免依赖冲突:

  1. 下载 Anaconda:
  2. 安装步骤(避坑):
    • Windows:安装时勾选「Add Anaconda3 to my PATH environment variable」(自动配置环境变量,新手必选),其余默认;
    • Linux:终端执行 bash Anaconda3-xxx-Linux-x86_64.sh,按提示输入 yes,最后执行 source ~/.bashrc 激活;
  3. 验证安装:终端输入 conda --version,输出版本号(如 conda 23.10.0)即成功。

2.2 创建并激活 YOLOv8 虚拟环境

创建独立环境专门用于 YOLOv8,避免依赖污染:

bash

运行

# 创建虚拟环境(环境名:yolov8-gpu,Python 3.10稳定性最佳)
conda create -n yolov8-gpu python=3.10 -y

# Windows激活环境
conda activate yolov8-gpu

# Linux/Mac激活环境
source activate yolov8-gpu

激活成功后终端前缀会显示「(yolov8-gpu)」,后续所有操作均在此环境下执行。

2.3 安装 GPU 依赖(CUDA+cuDNN)

这是 GPU 训练的核心步骤,需严格保证「显卡驱动→CUDA→cuDNN」版本匹配,推荐 CUDA 11.8/12.1(稳定版)。

步骤 1:安装 / 更新 NVIDIA 显卡驱动
  1. 查看当前驱动:
    • Windows:右键桌面→NVIDIA 控制面板→帮助→系统信息→驱动程序版本;
    • Linux:终端执行 nvidia-smi,查看驱动版本和支持的 CUDA 版本(如 CUDA Version: 12.1);
  2. 更新驱动:
    • Windows:前往 NVIDIA 官网(https://www.nvidia.com/download/index.aspx),按显卡型号下载驱动,默认安装;
    • Linux:终端执行 sudo ubuntu-drivers autoinstall,自动安装适配驱动,安装后重启电脑;
  3. 验证驱动:终端执行 nvidia-smi,能显示显卡信息即成功。
步骤 2:安装 CUDA(匹配驱动支持的版本)
  1. 下载 CUDA:前往 NVIDIA CUDA 官网(https://developer.nvidia.com/cuda-downloads),选择对应系统和版本;
  2. 安装 CUDA(避坑):
    • Windows:下载 exe 安装包,取消勾选「NVIDIA GeForce Experience」,其余默认,安装后系统自动配置环境变量;
    • Linux(以 CUDA 12.1 为例):

      bash

      运行

      wget https://developer.download.nvidia.com/compute/cuda/12.1.0/local_installers/cuda_12.1.0_530.30.02_linux.run
      sudo sh cuda_12.1.0_530.30.02_linux.run
      
      安装时输入「accept」,取消勾选「Driver」(已装驱动,无需重复安装),其余默认;
  3. 验证 CUDA:终端输入 nvcc -V(大写 V),输出版本号(如 release 12.1)即成功。
步骤 3:安装 cuDNN(匹配 CUDA 版本)

cuDNN 是 GPU 加速库,版本必须与 CUDA 完全一致(如 CUDA 12.1 对应 cuDNN 8.9):

  1. 下载 cuDNN:前往 NVIDIA cuDNN 官网(https://developer.nvidia.com/cudnn),注册账号后下载对应版本;
  2. 安装 cuDNN:
    • Windows:解压 zip 包,将 bin、include、lib 文件夹复制到 CUDA 安装目录(默认:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1),覆盖对应文件夹;
    • Linux:

      bash

      运行

      tar -xzvf cudnn-linux-x86_64-8.9.2.26_cuda12.1.tar.gz
      sudo cp cudnn-*-linux-x86_64/include/cudnn*.h /usr/local/cuda/include/
      sudo cp -P cudnn-*-linux-x86_64/lib/libcudnn* /usr/local/cuda/lib64/
      sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*
      

2.4 安装 YOLOv8 核心库

YOLOv8 官方封装为 ultralytics 库,1 行命令即可安装,建议用国内源加速:

bash

运行

# 设置清华源,避免下载超时
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 安装ultralytics(YOLOv8核心库)
pip install ultralytics

# 验证安装
yolo check

输出「Ultralytics YOLOv8.0.x 🚀」即表示 YOLOv8 安装成功。

2.5 验证 GPU 是否可用

安装完成后,验证 PyTorch 是否能调用 GPU(YOLOv8 基于 PyTorch):

python

运行

# 进入Python交互环境
python

# 执行以下代码
import torch
import ultralytics
from ultralytics import YOLO

# 检查PyTorch GPU支持
print("PyTorch GPU可用:", torch.cuda.is_available())
# 检查YOLOv8 GPU支持
print("YOLOv8 GPU设备:", YOLO("yolov8n.pt").device)

# 退出Python交互环境
exit()

若输出「PyTorch GPU 可用:True」「YOLOv8 GPU 设备:cuda:0」,说明 GPU 配置成功;若显示 cpu,需检查 CUDA/cuDNN 安装是否正确。

三、使用 GPU 训练 YOLOv8 模型(实战)

以 COCO 数据集子集为例,演示 GPU 训练全流程,你可替换为自己的数据集。

3.1 准备数据集

  1. 数据集格式:YOLOv8 要求数据集为 YOLO 格式,目录结构如下:

    plaintext

    my_dataset/
    ├── images/          # 图片文件夹
    │   ├── train/       # 训练集图片
    │   └── val/         # 验证集图片
    └── labels/          # 标签文件夹
        ├── train/       # 训练集标签(.txt格式)
        └── val/         # 验证集标签(.txt格式)
    
  2. 创建配置文件:在数据集目录下创建 dataset.yaml,内容如下:

    yaml

    # 数据集配置文件
    path: ./my_dataset  # 数据集根路径
    train: images/train # 训练集图片路径
    val: images/val     # 验证集图片路径
    nc: 2               # 类别数(示例:猫、狗)
    names: ['cat', 'dog'] # 类别名称
    

3.2 启动 GPU 训练

使用 YOLOv8 官方 API 启动训练,指定 GPU 设备:

python

运行

# train_yolov8.py
from ultralytics import YOLO

# 加载预训练模型(n/s/m/l/x,n最轻量,x精度最高)
model = YOLO("yolov8n.pt")

# 启动GPU训练
results = model.train(
    data="my_dataset/dataset.yaml",  # 数据集配置文件路径
    epochs=100,                     # 训练轮数
    batch=16,                       # 批量大小(根据GPU显存调整,显存小则调小)
    device=0,                       # 指定GPU设备(0为第一张显卡,多卡可设[0,1])
    imgsz=640,                      # 输入图片尺寸
    lr0=0.01,                       # 初始学习率
    save=True,                      # 保存训练结果
    project="runs/train",           # 训练结果保存路径
    name="my_yolov8_model"          # 模型名称
)

# 验证模型
metrics = model.val()  # 用验证集评估模型
print("mAP@0.5:", metrics.box.map50)  # 输出mAP指标

3.3 命令行方式训练(更简洁)

也可直接用 YOLOv8 命令行启动 GPU 训练:

bash

运行

# GPU训练命令
yolo detect train \
  data=my_dataset/dataset.yaml \
  model=yolov8n.pt \
  epochs=100 \
  batch=16 \
  device=0 \
  imgsz=640 \
  project=runs/train \
  name=my_yolov8_model

3.4 训练过程监控

  1. 实时日志:终端会输出每轮训练的 loss、mAP、FPS 等指标,若 FPS 远高于 CPU(如 GPU FPS=50+,CPU FPS=2-3),说明 GPU 正在工作;
  2. 可视化监控:训练完成后,结果会保存在 runs/train/my_yolov8_model 目录下,包含:
    • weights/best.pt:最优模型权重;
    • results.png:训练损失 / 精度曲线;
    • val_batch0_pred.jpg:验证集预测可视化结果。

3.5 常见 GPU 训练问题(避坑指南)

  1. 报错「CUDA out of memory」:GPU 显存不足,解决方案:
    • 减小 batch 大小(如从 16 改为 8/4);
    • 减小 imgsz(如从 640 改为 480);
    • 使用更轻量化的模型(如 yolov8n.pt 替代 yolov8x.pt);
  2. 报错「no CUDA-capable device is detected」:GPU 未被识别,解决方案:
    • 检查显卡驱动是否安装正确;
    • 确认 CUDA/cuDNN 版本与驱动匹配;
    • 重启电脑后重新激活虚拟环境;
  3. 训练速度慢(GPU 未调用):
    • 检查 torch.cuda.is_available() 是否为 True;
    • 训练时指定 device=0,避免默认使用 CPU。

四、CPU 训练(备用方案)

若没有 NVIDIA 显卡,可使用 CPU 训练(速度慢,仅用于测试):

bash

运行

# CPU训练命令
yolo detect train \
  data=my_dataset/dataset.yaml \
  model=yolov8n.pt \
  epochs=100 \
  batch=8 \
  device=cpu \
  imgsz=640

总结

  1. YOLOv8 GPU 训练的核心是「NVIDIA 显卡 + 匹配的 CUDA/cuDNN+ultralytics 库」,版本匹配是避坑关键;
  2. 安装流程:Anaconda 建环境→装显卡驱动 / CUDA/cuDNN→装 ultralytics→验证 GPU 可用性;
  3. 训练时通过 device=0 指定 GPU,根据显存调整 batch 和 imgsz,避免显存溢出。
超详细||YOLOv8基础教程(环境搭建,训练,测试,部署看一篇就够)(在推理视频中添加FPS信息) 2. 安装ultralytics(YOLOv8改名为ultralytics)这里有两种方式安装ultralytics3. 安装wandb登录自己的wandb账号。 阅读详情

相关推荐

YOLOv8环境安装、数据集划分、训练、测试、推理

首先在电脑上安装好Anaconda以及Pycham软件。并配置好了基础的pytorch环境。

m0_46700884的博客 1万+

YOLOv8实战——安装篇

在vscode目录中找到刚刚安装的ultralytics目录,在其里面的engine目录下找到model文件。检测结果为4人,1车,1站牌,花了71毫秒。predict方法表示为预测方法,因此在此方法内增加一个print语句。1.建议下载miniconda,若是在Linux上安装,可以参考我这篇。进入对应conda环境,并进入ultralytics-main目录下。进入网址,点击Code,然后点击Download下载zip压缩包。YOLOv8 可以在命令行界面(CLI)中直接使用,只需输入。

weixin_45819759的博客 3万+

新手小白yolov8环境部署+训练模型教程

新手小白yolov8环境部署+训练模型教程

m0_74131262的博客 1万+

【计算机视觉】YOLOv8的测试以及训练过程(含源代码)

【计算机视觉】YOLOv8的测试以及训练过程(含源代码)

wzk4869的博客 6万+

Yolov8使用gpu训练环境搭建教程

当初我也曾在搭建Yolov8的GPU环境上遇到了不少挑战,但经过耐心的测试和实践,终于成功了!在这里,我想分享我的经验,让其他小伙伴少走弯路。首先,确保你的GPU驱动程序已经正确安装并且与CUDA兼容。检查CUDA和cuDNN的版本,与你要使用的Yolov8版本相匹配。接着,安装适用于GPU的PyTorch。你可以通过PyTorch官方网站找到与你的CUDA版本相匹配的PyTorch安装命令。然后,下载Yolov8的源代码,并根据README文件中的说明进行配置。

编程之路,勇攀技术高峰! 2622

使用 STM32F7 和 TensorFlow Lite 开发低功耗人脸识别设备

我们讨论了 STM32F7 的特点和能力,TensorFlow Lite 在 STM32F7 上的应用,以及一些降低功耗的优化技术。- 准备模型:选择合适的人脸识别模型,在 TensorFlow 中进行训练和导出,并使用 TensorFlow Lite 转换为适用于 STM32F7 的量化模型。请注意,上述代码仅展示了如何加载和运行 TensorFlow Lite 模型的方法,实际应用中需要集成人脸检测和识别模型,并根据实际需求进行相应的输入和输出处理。结合这两个工具,我们可以开发出低功耗的人脸识别设备。

weixin_66608063的博客 2593

目标检测算法——YOLOV8 快速训练指南(上手教程、自定义数据训练)

本篇主要用于说明如何使用自己的训练数据,快速在YOLOV8 框架上进行训练。当前(20230116)官方文档和网上的资源主要都是在开源的数据集上进行测试,对于算法“小白”或者“老鸟”如何快速应用到自己的项目中,这个单纯看官方文档显得有点凌乱,因为YOLOV8 不再致力于做一个单纯算法,而是想要做一个一统(分类、检测、分割且多种模型)的框架。本文以检测为例。

TigerZ*的博客 4万+

工业缺陷检测的新范式:2025-2026年零样本检测技术全景扫描

摘要: 工业视觉领域面临缺陷样本稀缺、标注成本高等痛点,零样本缺陷检测(Zero-Shot Defect Detection)成为研究热点。2025-2026年的技术进展主要分为三类:1)视觉-语言模型(VLM)路线,如CLIP适配器跨域对齐热成像数据;2)数字孪生路线,通过CAD模型生成理想状态对比检测缺陷;3)基于CLIP的提示学习,如Crane模型通过上下文提示提升泛化能力。尽管实验室效果显著(如IoU达70%),但在真实工业场景(如MIRAD数据集)中性能平均下降29.78%,凸显跨域泛化仍是挑战。

blanokvaffy的博客 1154

YOLOv8 超详细小白教程(毕设必看)——Windows、PyCharm +conda+ LabelImg +GPU训练自己数据集训练

本文提供了一份完整的YOLOv8目标检测模型训练教程,涵盖从环境配置到模型训练的完整流程。教程详细介绍了PyCharm安装、conda环境搭建、GPU驱动配置(CUDA/cuDNN)、LabelImg数据标注工具使用,以及如何准备自定义数据集和训练YOLOv8模型。特别针对Windows系统用户,给出了详细的路径设置和常见问题解决方案。文章还包含了模型验证和推理方法,并提供了训练参数调整建议。本教程适合计算机视觉初学者和需要完成毕业设计的学生,帮助他们快速掌握YOLOv8模型的应用方法。

小钻风的博客 6521

4、设备树的处理(1)

其实到第4节才写设备树的问题完全是因为忘记了,之前有一个版本是先关闭了设备树的,习惯性的认为设备树已经处理完了,失误了!!!前文说过,这个系统是依着荣品的开发板和核心板来的,使用的是5.1内核的SDK。它的SDK里是开发板全功能的,所以设备树也是的。

wsen2012的博客 418

基因家族扩张收缩分析可视化(CAFE5)

CafePlotter 是一个用于可视化 CAFE5 基因家族扩张收缩分析结果的 Python 工具

xuzhougeng blog 3658

venv配置yolov11训练环境教程

由于anaconda在企业使用可能设计版权问题,因此文本采用venv配置python虚拟环境,并以yolov11为例进行测试目录一、下载安装python二、配置python和yolov11虚拟环境1、venv创建并激活虚拟环境yolollenv(自定义虚拟环境名称)S1:手动创建一个总文件夹(用来存放所有的python虚拟环境)S2:创建yolo11虚拟环境(每套python训练算法都需要配置一个虚拟环境)S3:激活虚拟环境2、在yolo11env虚拟环境中安装yolov11所需的库(1)安装pytorch

m0_69115733的博客 1256

从图片到3D模型:用Tripo+Unity打造AI建模流水线(避坑指南)

本文详细介绍了如何利用Tripo和Unity构建AI驱动的3D建模流水线,从图片到3D模型的高效转换。通过文生模型和图生模型的双模系统,开发者可以大幅提升建模效率,适用于游戏开发和数字内容创作。文章还提供了环境配置、图片预处理、批量生成等实用技巧,帮助开发者避开常见陷阱。

weixin_27024175的博客 624

Docker部署YOLOv8训练+推理完整教程(含报错解决)

将数据集放入:yolo_workspace/datasets/自定义文件夹名(示例my_dataset)my_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集txt标签 │ └── val/ # 验证集txt标签 └── data.yaml # 数据集配置文件。

dream_it_come_in的博客 650

【ESP32CAM+Android+OpenCV】ESP32-CAM实时图像检测人脸识别_资料编号28

本项目通过ESP32-CAM实时图像检测人脸识别,通过调用OpenCV实现对人正脸的识别,可修改为对眼睛、猫等其他内容进行检测识别。本文对开发过程介绍,本项目包含全部源码,ESP32CAM源码(arduino)、Android手机APP源码及配置OpenCV。

嵌入式阿齐Archie 8729

DeerFlow 系列教程 第十六篇 | 实战案例一——用 DeerFlow 进行深度研究

在日常使用 AI Agent 时,最常见的需求之一就是对某个主题进行全面、系统的研究。多源信息采集——不能只依赖单次搜索,需要从多个角度搜索不同来源交叉验证——不同来源的信息需要相互印证,避免单一信源的偏差结构化输出——最终产出的不是零散的信息片段,而是有组织的研究报告传统做法是人工反复搜索、阅读、整理。传统手工研究: DeerFlow 深度研究:人工搜索 → 阅读页面 → 记笔记 提交研究主题│ │▼ ▼换关键词 → 再搜索 → 再阅读 ┌──────────────────┐。

weixin_43674738的博客 173

YOLO目标检测实战:从零搭建环境到自定义数据集训练全流程

目标检测是计算机视觉的核心任务之一,旨在识别图像或视频中特定物体的位置和类别。其原理通常基于深度学习模型,通过卷积神经网络提取特征,并预测边界框和类别概率。这项技术的价值在于为机器赋予“视觉理解”能力,是实现智能化应用的基础。在工程实践中,目标检测广泛应用于安防监控、自动驾驶、工业质检和智能零售等场景。为了快速实现这一能力,许多开发者选择使用成熟的算法框架,例如基于PyTorch的YOLO系列。本教程聚焦于YOLOv8这一当前流行的实时检测算法,通过详细的步骤指导,帮助初学者完成从环境配置、模型推理到自定义

weixin_31100517的博客 362

把 ABAP 选择屏幕 Selection Screen 打造成可维护的交互面板:常用屏幕元素与动态控制全解析

本文详细介绍了ABAP报表中Selection Screen的设计技巧,包括空行(SKIP)、横线(ULINE)、注释(COMMENT)等基础元素的使用方法,以及如何通过MODIF ID实现动态界面调整。重点讲解了行内布局(BEGIN OF LINE)、按钮(PUSHBUTTON)和区块(BLOCK)等高级功能,帮助开发者将选择屏幕从"能用"提升到"好用、易扩展、可维护"的水平。文章还分享了项目实践中的命名规范和分组策略,特别适合需要优化ABAP报表用户体验的开发人员

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 340

【YOLOv8训练和验证教程】

YOLOv8自用数据集训练过程

retainenergy的博客 5万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【yolov8基础教程】Yolov8模型训练GPU环境配置保姆级教程(附安装包)

【代码】【yolov8基础教程】Yolov8模型训练GPU环境配置保姆级教程(附安装包)

m0_75067840的博客 1万+

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

yolov8安装及训练部署(可GPU版本训练)(全流程必看)

最终可行的解决方案,直接将其代码运行在if name main下,如下,本机英伟达GPU为1,直接workers设置2即可,也能运行,并不会只能设置为0运行了,GPU占用可达到100%,在batch16、worksers2下,若是超过2,为3直接就崩了。(199条消息) 调用DataLoader时采用num_workers>0导致数据加载出现阻塞问题的解决方法_num_workers 卡住_JackWillian的博客-CSDN博客(重要必看)switching to CPU错误解决。

吾名招财的博客 7208

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Yolov8训练调试简单教程

YOLOV5跟YOLOV8的项目都是ultralytics发布的,刚下载YOLOV8的时候发现V8的项目跟V5变化还是挺大的,看了一下README同时看了看别人写的。大致是搞懂了V8具体使用。这一篇笔记,大部分都是项目里的文档内容。建议直接去看项目里的文档。首先在V8中需要先安装,这是作者ultralytics出的第三方python库。

Deen的博客 1万+

YOLOv8官方教程:如何训练模型

YOLOv8如何在单GPU、多GPU和Apple设备上训练模型。

整理ing 1万+

yolov8安装教程

(5)例如图cuda11.1 在conda中创建的虚拟环境运行下面对应的pip安装,在安装命令后面加上-i https://pypi.douban.com/simple/ some-package 使用国内下载源进行下载大大减少下载时间,等他下载完,在当前conda安装环境输入pip list找到torch+torchaudio+torchvision三个包,如下图在版本后带有+cuxxx即为安装成功。如果没有安装conda,按照流程安装好conda,还要下载好符合自己电脑版本的CUDA 后续会用。

he1223991940的博客 6279

yolov8 模型训练GPU环境配置保姆级教程

这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。如果安装的 cuda 版本大于 pytorch 支持的版本,请选择向下版本的。

2401_85328934的博客 5712
上一篇: 计算机视觉(CV)实战避坑指南
下一篇: OpenClaw 全平台部署保姆级教程
wfuhanw_
博客等级 码龄3年 3粉丝 6原创
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
 
 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
⌂ 换网址