label studio 结合 MMDetection 实现数据集自动标记、模型迭代训练的闭环
前言
一個 AI 方向的朋友因為標數據集發了篇 SCI 論文，看著他標了兩個多月的數據集這么辛苦，就想著人工智能都能站在圍棋巔峰了，難道不能動動小手為自己標數據嗎？查了一下還真有一些能夠滿足此需求的框架，比如 cvat 、 doccano 、 label studio 等，經過簡單的對比后發現還是 label studio 最好用。本文首先介紹了 label studio 的安裝過程；然后使用 MMDetection 作為后端人臉檢測標記框架，并通過 label studio ml 將 MMDetection 模型封裝成 label studio 后端服務，實現數據集的自動標記1；最后參考 label studio ml 示例，為自己的 MMDetection 人臉標記模型設計了一種迭代訓練方法，使之能夠不斷隨著標記數據的增加而跟進訓練，最終實現了模型自動標記數據集、數據集更新迭代訓練模型的閉環。
依賴安裝
本項目涉及的源碼已開源在 label-studio-demo 中，所使用的軟件版本如下，其中 MMDetection 的版本及配置參考 MMDetection 使用示例：從入門到出門 ：
| label-studio | 1.6.0 |
| label-studio-ml | 1.0.8 |
| label-studio-tools | 0.0.1 |
本文最終項目目錄結構如下：
LabelStudio ├── backend // 后端功能 │ ├── examples // label studio ml 官方示例（非必須） │ ├── mmdetection // mmdetection 人臉檢測模型 │ ├── model // label studio ml 生成的后端服務 （自動生成） │ ├── workdir // 模型訓練時工作目錄 │ | ├── fcos_common_base.pth // 后端模型基礎權重文件 │ | └── latest.pth // 后端模型最新權重文件 │ └── runbackend.bat // 生成并啟動后端服務的腳本文件 ├── dataset // 實驗所用數據集（非必須） ├── label_studio.sqlite3 // label studio 數據庫文件 ├── media │ ├── export │ └── upload // 上傳的待標記數據集 └── run.bat // 啟動 label studio 的腳本文件（非必須）label studio 安裝啟動
label-studio 是一個開源的多媒體數據標注工具（用來提供基本標注功能的GUI），并且可以很方便的將標注結果導出為多種常見的數據格式。其安裝方法主要有以下幾種：
建議是通過 pip 安裝，其配置更清晰方便。環境安裝完成后在任意位置打開命令行，使用以下命令啟動 label studio ：
label-studio --data-dir LabelStudio -p 80其中 --data-dir 用于指定工作目錄， -p 用來指定運行端口，運行成功后會當前目錄會生成 LabelStudio 目錄：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-osKp5UCX-1669559969687)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-23-16-48-29.jpg “label-studio 初始化”)]
并彈出瀏覽器打開 label studio 工作界面，創建用戶后即可登錄使用：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-KZyHX93a-1669559969689)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-23-16-50-26.jpg “工作界面”)]
label studio ml 安裝
label studio ml 是 label studio 的后端配置，其主要提供了一種能夠快速將AI模型封裝為 label studio 可使用的預標記服務（提供模型預測服務）。其安裝方法有以下幾種：
仍然建議通過 pip 安裝，GitHub 安裝可能會有依賴問題。安裝完成后使用 label-studio-ml -h 命令檢查是否安裝成功。
前端配置
在 label studio 前端主頁中選擇創建項目：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-OQHI92Pn-1669559969689)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-23-18-02-47.png “創建項目1”)]
直接將圖片選中拖入數據框即可。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-pmzJAIaM-1669559969690)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-23-18-11-13.png “創建項目2”)]
label studio 內置了很多常見的深度學習標記模板，本示例是人臉識別，所以選擇 Object Detection with Bounding Boxes 模板，確定后將模板內自帶的 Airplane 、 Car 標簽刪除，然后添加自定義的標簽 face （標簽的類別數量可以比后端支持的類別多，也可以更少，但是同類別的標簽名必須一致）。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-IbR6VO0o-1669559969690)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-23-18-14-09.png “創建項目3”)]
此時我們已經可以通過 label studio 進行普通的圖片標記工作，如果要使用其提供的輔助預標記功能，則需要進行后續配置。
后端配置
選取后端模型
在 MMDetection 使用示例：從入門到出門 中，我們已經完成了基于 celeba100 數據集的人臉檢測模型的訓練，本文將直接使用其中訓練的結果模型。
后端服務實現
引入后端模型
在根目錄下創建 backend 目錄，并將 MMDetection 使用示例：從入門到出門 中的整個項目文件復制其中，此時項目目錄為：
. ├── backend │ └── mmdetection // 復制的 mmdetection 文件夾 │ ├── checkpoints │ ├── completion.json │ ├── configs │ ├── conf.yaml │ ├── detect.py │ ├── label_studio_backend.py // 需要自己實現的后端模型 │ ├── mmdet │ ├── model │ ├── test.py │ ├── tools │ └── train.py ├── dataset ├── export ├── label-studio-ml-backend ├── label_studio.sqlite3 ├── media └── run.bat創建后端模型
label studio 的后端模型有自己固定的寫法，只要繼承 label_studio_ml.model.LabelStudioMLBase 類并實現其中的接口都可以作為 label studio 的后端服務。在 mmdetection 文件夾下創建 label_studio_backend.py 文件，然后在文件中引入通用配置：
ROOT = os.path.join(os.path.dirname(__file__)) print('=> ROOT = ', ROOT) # label-studio 啟動的前端服務地址 os.environ['HOSTNAME'] = 'http://localhost:80' # label-studio 中對應用戶的 API_KEY os.environ['API_KEY'] = '37edbb42f1b3a73376548ea6c4bc7b3805d63453' HOSTNAME = get_env('HOSTNAME') API_KEY = get_env('API_KEY')print('=> LABEL STUDIO HOSTNAME = ', HOSTNAME) if not API_KEY:print('=> WARNING! API_KEY is not set')with open(os.path.join(ROOT, "conf.yaml"), errors='ignore') as f:conf = yaml.safe_load(f)這里的 API_KEY 可以在前端的 Account & Settings 中找到。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-TWWhfqAP-1669559969692)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-24-15-09-05.png “API_KEY”)]
然后在 label_studio_backend.py 中創建自己預標記模型的類，使其繼承 label_studio_ml.model.LabelStudioMLBase 并實現關鍵方法，不同方法對應不同功能，后面會陸續實現：
完成其中的 __init__ 方法，以實現模型初始化功能（必須）：
def __init__(self, **kwargs):super(MyModel, self).__init__(**kwargs)# 按 mmdetection 的方式加載模型及權重if self.train_output:self.detector = init_detector(conf['config_file'], self.train_output['model_path'], device=conf['device'])else:self.detector = init_detector(conf['config_file'], conf['checkpoint_file'], device=conf['device'])# 獲取后端模型標簽列表self.CLASSES = self.detector.CLASSES# 前端配置的標簽列表self.labels_in_config = set(self.labels_in_config) # 一些項目相關常量self.from_name, self.to_name, self.value, self.labels_in_config = get_single_tag_keys(self.parsed_label_config, 'RectangleLabels', 'Image') # 前端獲取任務屬性完成其中的 predict 方法，以實現預標記模型的標記功能（必須）：
def predict(self, tasks, **kwargs):# 獲取待標記圖片images = [get_local_path(task['data'][self.value], hostname=HOSTNAME, access_token=API_KEY) for task in tasks]for image_path in images:w, h = get_image_size(image_path)# 推理演示圖像img = mmcv.imread(image_path)# 以 mmdetection 的方法進行推理result = inference_detector(self.detector, img)# 手動獲取標記框位置bboxes = np.vstack(result)# 手動獲取推理結果標簽labels = [np.full(bbox.shape[0], i, dtype=np.int32) for i, bbox in enumerate(result)]labels = np.concatenate(labels)# 推理分數 FCOS算法結果會多出來兩個分數極低的檢測框，需要將其過濾掉scores = bboxes[:, -1]score_thr = 0.3inds = scores > score_thrbboxes = bboxes[inds, :]labels = labels[inds]results = [] # results需要放在list中再返回for id, bbox in enumerate(bboxes):label = self.CLASSES[labels[id]]if label not in self.labels_in_config:print(label + ' label not found in project config.')continueresults.append({'id': str(id), # 必須為 str，否則前端不顯示'from_name': self.from_name,'to_name': self.to_name,'type': 'rectanglelabels','value': {'rectanglelabels': [label],'x': bbox[0] / w * 100, # xy 為左上角坐標點'y': bbox[1] / h * 100,'width': (bbox[2] - bbox[0]) / w * 100, # width,height 為寬高'height': (bbox[3] - bbox[1]) / h * 100},'score': float(bbox[4] * 100)})avgs = bboxes[:, -1]results = [{'result': results, 'score': np.average(avgs) * 100}]return results完成其中的 gen_train_data 方法，以獲取標記完成的數據用來訓練（非必須，其實 label studio 自帶此類方法，但在實踐過程中有各種問題，所以自己寫了一遍）：
def gen_train_data(self, project_id):import zipfileimport globdownload_url = f'{HOSTNAME.rstrip("/")}/api/projects/{project_id}/export?export_type=COCO&download_all_tasks=false&download_resources=true'response = requests.get(download_url, headers={'Authorization': f'Token {API_KEY}'})zip_path = os.path.join(conf['workdir'], "train.zip")train_path = os.path.join(conf['workdir'], "train")with open(zip_path, 'wb') as file:file.write(response.content) # 通過二進制寫文件的方式保存獲取的內容file.flush()f = zipfile.ZipFile(zip_path) # 創建壓縮包對象f.extractall(train_path) # 壓縮包解壓縮f.close()os.remove(zip_path)if not os.path.exists(os.path.join(train_path, "images", str(project_id))):os.makedirs(os.path.join(train_path, "images", str(project_id)))for img in glob.glob(os.path.join(train_path, "images", "*.jpg")):basename = os.path.basename(img)shutil.move(img, os.path.join(train_path, "images", str(project_id), basename))return True完成其中的 fit 方法，以實現預標記模型的自訓練功能（非必須）：
def fit(self, completions, num_epochs=5, **kwargs):if completions: # 使用方法1獲取 project_idimage_urls, image_labels = [], []for completion in completions:project_id = completion['project']u = completion['data'][self.value]image_urls.append(get_local_path(u, hostname=HOSTNAME, access_token=API_KEY))image_labels.append(completion['annotations'][0]['result'][0]['value'])elif kwargs.get('data'): # 使用方法2獲取 project_idproject_id = kwargs['data']['project']['id']if not self.parsed_label_config:self.load_config(kwargs['data']['project']['label_config'])if self.gen_train_data(project_id):# 使用 mmdetection 的方法訓練模型from tools.mytrain import MyDict, trainargs = MyDict()args.config = conf['config_file']data_root = os.path.join(conf['workdir'], "train")args.cfg_options = {}args.cfg_options['data_root'] = data_rootargs.cfg_options['runner'] = dict(type='EpochBasedRunner', max_epochs=num_epochs)args.cfg_options['data'] = dict(train=dict(img_prefix=data_root, ann_file=data_root + '/result.json'),val=dict(img_prefix=data_root, ann_file=data_root + '/result.json'),test=dict(img_prefix=data_root, ann_file=data_root + '/result.json'),)args.cfg_options['load_from'] = conf['checkpoint_file']args.work_dir = os.path.join(data_root, "work_dir")train(args)checkpoint_name = time.strftime("%Y%m%d%H%M%S", time.localtime(time.time())) + ".pth"shutil.copy(os.path.join(args.work_dir, "latest.pth"), os.path.join(conf['workdir'], checkpoint_name))print("model train complete!")# 權重文件保存至運行環境，將在下次運行 init 初始化時加載return {'model_path': os.path.join(conf['workdir'], checkpoint_name)}else:raise "gen_train_data error"上述完整代碼如下：
import os import yaml import time import shutil import requests import numpy as np from label_studio_ml.model import LabelStudioMLBase from label_studio_ml.utils import get_image_size, get_single_tag_keys from label_studio_tools.core.utils.io import get_local_path from label_studio_ml.utils import get_envfrom mmdet.apis import init_detector, inference_detector import mmcvROOT = os.path.join(os.path.dirname(__file__)) print('=> ROOT = ', ROOT) os.environ['HOSTNAME'] = 'http://localhost:80' os.environ['API_KEY'] = '37edbb42f1b3a73376548ea6c4bc7b3805d63453' HOSTNAME = get_env('HOSTNAME') API_KEY = get_env('API_KEY')print('=> LABEL STUDIO HOSTNAME = ', HOSTNAME) if not API_KEY:print('=> WARNING! API_KEY is not set')with open(os.path.join(ROOT, "conf.yaml"), errors='ignore') as f:conf = yaml.safe_load(f)class MyModel(LabelStudioMLBase):def __init__(self, **kwargs):super(MyModel, self).__init__(**kwargs)# 按 mmdetection 的方式加載模型及權重if self.train_output:self.detector = init_detector(conf['config_file'], self.train_output['model_path'], device=conf['device'])else:self.detector = init_detector(conf['config_file'], conf['checkpoint_file'], device=conf['device'])# 獲取后端模型標簽列表self.CLASSES = self.detector.CLASSES# 前端配置的標簽列表self.labels_in_config = set(self.labels_in_config) # 一些項目相關常量self.from_name, self.to_name, self.value, self.labels_in_config = get_single_tag_keys(self.parsed_label_config, 'RectangleLabels', 'Image') # 前端獲取任務屬性def predict(self, tasks, **kwargs):# 獲取待標記圖片images = [get_local_path(task['data'][self.value], hostname=HOSTNAME, access_token=API_KEY) for task in tasks]for image_path in images:w, h = get_image_size(image_path)# 推理演示圖像img = mmcv.imread(image_path)# 以 mmdetection 的方法進行推理result = inference_detector(self.detector, img)# 手動獲取標記框位置bboxes = np.vstack(result)# 手動獲取推理結果標簽labels = [np.full(bbox.shape[0], i, dtype=np.int32) for i, bbox in enumerate(result)]labels = np.concatenate(labels)# 推理分數 FCOS算法結果會多出來兩個分數極低的檢測框，需要將其過濾掉scores = bboxes[:, -1]score_thr = 0.3inds = scores > score_thrbboxes = bboxes[inds, :]labels = labels[inds]results = [] # results需要放在list中再返回for id, bbox in enumerate(bboxes):label = self.CLASSES[labels[id]]if label not in self.labels_in_config:print(label + ' label not found in project config.')continueresults.append({'id': str(id), # 必須為 str，否則前端不顯示'from_name': self.from_name,'to_name': self.to_name,'type': 'rectanglelabels','value': {'rectanglelabels': [label],'x': bbox[0] / w * 100, # xy 為左上角坐標點'y': bbox[1] / h * 100,'width': (bbox[2] - bbox[0]) / w * 100, # width,height 為寬高'height': (bbox[3] - bbox[1]) / h * 100},'score': float(bbox[4] * 100)})avgs = bboxes[:, -1]results = [{'result': results, 'score': np.average(avgs) * 100}]return resultsdef fit(self, completions, num_epochs=5, **kwargs):if completions: # 使用方法1獲取 project_idimage_urls, image_labels = [], []for completion in completions:project_id = completion['project']u = completion['data'][self.value]image_urls.append(get_local_path(u, hostname=HOSTNAME, access_token=API_KEY))image_labels.append(completion['annotations'][0]['result'][0]['value'])elif kwargs.get('data'): # 使用方法2獲取 project_idproject_id = kwargs['data']['project']['id']if not self.parsed_label_config:self.load_config(kwargs['data']['project']['label_config'])if self.gen_train_data(project_id):# 使用 mmdetection 的方法訓練模型from tools.mytrain import MyDict, trainargs = MyDict()args.config = conf['config_file']data_root = os.path.join(conf['workdir'], "train")args.cfg_options = {}args.cfg_options['data_root'] = data_rootargs.cfg_options['runner'] = dict(type='EpochBasedRunner', max_epochs=num_epochs)args.cfg_options['data'] = dict(train=dict(img_prefix=data_root, ann_file=data_root + '/result.json'),val=dict(img_prefix=data_root, ann_file=data_root + '/result.json'),test=dict(img_prefix=data_root, ann_file=data_root + '/result.json'),)args.cfg_options['load_from'] = conf['checkpoint_file']args.work_dir = os.path.join(data_root, "work_dir")train(args)checkpoint_name = time.strftime("%Y%m%d%H%M%S", time.localtime(time.time())) + ".pth"shutil.copy(os.path.join(args.work_dir, "latest.pth"), os.path.join(conf['workdir'], checkpoint_name))print("model train complete!")# 權重文件保存至運行環境，將在下次運行 init 初始化時加載return {'model_path': os.path.join(conf['workdir'], checkpoint_name)}else:raise "gen_train_data error"def gen_train_data(self, project_id):import zipfileimport globdownload_url = f'{HOSTNAME.rstrip("/")}/api/projects/{project_id}/export?export_type=COCO&download_all_tasks=false&download_resources=true'response = requests.get(download_url, headers={'Authorization': f'Token {API_KEY}'})zip_path = os.path.join(conf['workdir'], "train.zip")train_path = os.path.join(conf['workdir'], "train")with open(zip_path, 'wb') as file:file.write(response.content) # 通過二進制寫文件的方式保存獲取的內容file.flush()f = zipfile.ZipFile(zip_path) # 創建壓縮包對象f.extractall(train_path) # 壓縮包解壓縮f.close()os.remove(zip_path)if not os.path.exists(os.path.join(train_path, "images", str(project_id))):os.makedirs(os.path.join(train_path, "images", str(project_id)))for img in glob.glob(os.path.join(train_path, "images", "*.jpg")):basename = os.path.basename(img)shutil.move(img, os.path.join(train_path, "images", str(project_id), basename))return True啟動后端服務
以下命令為 window 腳本，皆在 backend 根目錄下執行。
label-studio-ml init 命令提供了一種根據后端模型自動生成后端服務代碼的功能， model 為輸出目錄， --script 指定后端模型路徑， --force 表示覆蓋生成。該命令執行成功后會在 backend 目錄下生成 model 目錄。
2. 復制 mmdetection 依賴文件
由于 label-studio-ml 生成的后端服務代碼只包含基本的 label_studio_backend.py 中的內容，而我們所用的 mmdetection 框架的執行需要大量額外的依賴，所以需要手動將這些依賴復制到生成的 model 目錄中。使用以下命令完成自動復制依賴：
啟動成功后效果如下：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-0VraBIMl-1669559969692)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-24-14-57-03.png “啟動后端服務”)]
前端自動標注
前面我們已經能夠從 label studio 前端正常手動標注圖片，要想實現自動標注，則需要在前端引入后端服務。在我們創建的項目中依次選擇 Settings ->
Machine Learning -> Add model ，然后輸入后端地址 http://10.100.143.125:8888/ 點擊保存（此地址為命令行打印地址，而非 http://127.0.0.1:8888/ ）：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-DSLKk3Ze-1669559969693)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-24-15-12-31.png “Add model”)]
此時我們從前端項目中打開待標記圖片，前端會自動請求后端對其進行標記（調用后端的 predict 方法），等待片刻后即可看見預標記結果，我們只需要大致核對無誤后點擊 submit 即可：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-ZRJyYK6Q-1669559969693)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-24-15-17-42.png “前端自動標注”)]
如果覺得每次打開圖片都需要等待片刻才會收到后端預測結果比較費時，可以在 Settings -> Machine Learning 設置中選擇打開 Retrieve predictions when loading a task automatically ，此后前端會在我們每次打開項目時自動對所有任務進行自動預測，基本能夠做到無等待：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-MtW5i8Od-1669559969693)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-24-15-22-32.png “Retrieve predictions when loading a task automatically”)]
后端自動訓練
現在所有的圖片都已經有了與標注信息，我們先檢查所有圖片，檢查并改進所有標注信息然后點擊 submit 提交：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-Vf3SKQ3S-1669559969693)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-24-15-35-11.png “提交標注”)]
在 Settings -> Machine Learning 中點擊后端服務的 Start Training 按鈕，即可調用后端模型使用已標記信息進行訓練：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-fpD9uryy-1669559969694)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-24-15-38-15.png “Start Training”)]
該操作會調用后端模型的 fit 方法對模型進行訓練，可以在后端命令行界面看見訓練過程，訓練完成后的所有新數據集都會使用新的模型進行預測：
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-nQtQ3Btu-1669559969694)(https://cdn.jsdelivr.net/gh/wefantasy/FileCloud/img/label_studio_setup_and_auto_label-2022-11-24-15-39-44.png “自動訓練”)]
也可以 Settings -> Machine Learning 中允許模型自動訓練，但訓練頻率過高會影響程序效率。
部分常見問題
Q: 一種訪問權限不允許的方式做了一個訪問套接字的嘗試。
A: label-studio-ml start 啟動時指定端口 -p 8888
Q: Can’t connect to ML backend http://127.0.0.1:8888/, health check failed. Make sure it is up and your firewall is properly configured.
A: label-studio-ml start 啟動后會打印一個監聽地址，label studio 前端添加該地址而非 http://127.0.0.1:8888/ 。
Q: FileNotFoundError: Can’t resolve url, neither hostname or project_dir passed: /data/upload/1/db8f065a-000001.jpg
A: 接口返回的是項目的相對地址，無法通過該地址直接讀取到圖片原件，需要配合 get_local_path 函數使用。
Q: UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘\xa0’ in position 2: illegal multibyte sequence
A: 修改 C:\Users\Fantasy.conda\envs\labelstudio\lib\json_init_.py#line 179 為：
參考
Cai Yichao. label_studio自動預標注功能. CSDN. [2022-01-19] ??
總結
以上是生活随笔為你收集整理的label studio 结合 MMDetection 实现数据集自动标记、模型迭代训练的闭环的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Python互联网金融之用户增长的数据逻
- 下一篇： banner轮播图以及nav导航栏Jqu