反光衣識(shí)別算法冠軍方案總結(jié)（附源碼）｜極市打榜

原創(chuàng) CV開發(fā)者都愛看的 [極市平臺(tái)](javascript:void(0)😉

極市平臺(tái)

微信號(hào) extrememart

功能介紹 專注計(jì)算機(jī)視覺前沿資訊和技術(shù)干貨，官網(wǎng)：www.cvmart.net

作者丨nobug_w

編輯丨極市平臺(tái)

極市導(dǎo)讀

本文為反光衣識(shí)別算法的冠軍方案總結(jié)，作者總結(jié)了自己打榜時(shí)的經(jīng)驗(yàn)并給出了相關(guān)訓(xùn)練和推理的代碼，希望能給大家?guī)硪恍椭?#xff5e; >>加入極市CV技術(shù)交流群，走在計(jì)算機(jī)視覺的最前沿

平日比較關(guān)注極市平臺(tái)，最近在極市平臺(tái)看到類似競賽的算法打榜，有些榜有冠軍導(dǎo)師指導(dǎo)打榜，并且還有豐厚的獎(jiǎng)品（又能躺還有獎(jiǎng)品）。抱著試一試的心態(tài)，報(bào)名參加了一下，在獲得獎(jiǎng)勵(lì)的同時(shí)讓自己也得到了項(xiàng)目上的鍛煉。下文總結(jié)了打榜時(shí)的經(jīng)驗(yàn)以及相關(guān)訓(xùn)練和推理代碼，希望能給大家?guī)硪恍椭?#xff5e;

1.任務(wù)介紹

反光衣識(shí)別（學(xué)習(xí)訓(xùn)練營專屬）對圖像進(jìn)行實(shí)時(shí)檢測，可實(shí)時(shí)檢測指定區(qū)域內(nèi)的現(xiàn)場工作人員是否按照要求穿反光衣（綠色反光衣或紅色反光衣任一即可），當(dāng)發(fā)現(xiàn)視頻畫面內(nèi)出現(xiàn)人員未穿反光衣時(shí)，系統(tǒng)主動(dòng)觸發(fā)告警提示。真正做到施工工地安全信息化管理，做到事前預(yù)防，事中常態(tài)監(jiān)測，事后規(guī)范管理。

算法打榜正在進(jìn)行中

反光衣識(shí)別算法打榜（報(bào)名參與）：

https://www.cvmart.net/topList/10044?tab=RealTime&dbType=1

2.評(píng)價(jià)指標(biāo)

本榜最終得分采取準(zhǔn)確率、算法性能絕對值綜合得分的形式，具體如下：

說明：

總分為本項(xiàng)目排行榜上的Score，排名：總分值越高，排名越靠前；

算法性能指的賽道標(biāo)準(zhǔn)值是 100 FPS， 如果所得性能值FPS≥賽道標(biāo)準(zhǔn)值FPS,則算法性能值得分=1；

評(píng)審標(biāo)準(zhǔn)：參賽者需要獲得算法精度和算法性能值的成績，且算法精度≥0.1，算法性能值FPS≥10，才能進(jìn)入獲獎(jiǎng)評(píng)選；

反光衣識(shí)別（學(xué)習(xí)訓(xùn)練營專屬）是對新手十分友好的，只要總分達(dá)到0.8分即可獲得豐厚的獎(jiǎng)勵(lì)。

獎(jiǎng)勵(lì)正在進(jìn)行中…

3.數(shù)據(jù)分析

本次比賽一共包括四類類別：reflective_vest（反光衣），no_reflective_vest（未穿或不規(guī)范穿反光衣）、person_reflective_vest（穿反光衣的行人）、person_no_reflective_vest（未穿或不規(guī)范穿反光衣的行人）。打榜者對圖像中反光衣穿著情況的進(jìn)行目標(biāo)檢測，給出目標(biāo)框和對應(yīng)的類別信息，且預(yù)警情況只有no_reflective_vest（未穿或不規(guī)范穿反光衣）這一情況。

數(shù)據(jù)集是由監(jiān)控?cái)z像頭采集的現(xiàn)場場景數(shù)據(jù)，訓(xùn)練數(shù)據(jù)集的數(shù)量為36346張，測試數(shù)據(jù)集的數(shù)量為14024張。可見數(shù)據(jù)集的圖像數(shù)量非常很多，因此如果采用十分龐大的網(wǎng)絡(luò)模型訓(xùn)練，比如兩階段檢測模型，勢必會(huì)十分緩慢。

通過查看樣例集的數(shù)據(jù)，可以發(fā)現(xiàn)人員所處的環(huán)境比較復(fù)雜。另外，數(shù)據(jù)集是從監(jiān)控?cái)z像頭中采集，人員在近距離和遠(yuǎn)距離都有，目標(biāo)的尺度比較豐富。因此需要選用具有多尺度檢測能力的檢測器。雖然圖像中有時(shí)會(huì)存在比較小的目標(biāo)，但是由于場景為施工現(xiàn)場，所以目標(biāo)相對比較稀疏，遮擋情況不太嚴(yán)重，且與周圍環(huán)境相比目標(biāo)特征也比較明顯。

4.技術(shù)展示

這次訓(xùn)練技術(shù)展示分為兩個(gè)部分：訓(xùn)練方法和推理方法。

通過以上分析以及往屆極市平臺(tái)介紹的方案，我們選擇YOLO算法。最近yolov5更新到v6.0版本，其性能優(yōu)秀并且訓(xùn)練、部署、調(diào)優(yōu)等方面使用非常靈活方便。因此選擇YOLOv5作為baseline,在此基礎(chǔ)上根據(jù)實(shí)際情況進(jìn)行具體模型的選擇和模型的修改。

其中，yolov5算法的框架如下圖所示。Yolov5s,m,x等結(jié)構(gòu)僅僅為網(wǎng)絡(luò)深度和寬度差別，由yolov5*.yaml結(jié)構(gòu)定義文件夾的超參數(shù)depth_multiple和width_multiple控制。

這是很早之前的一幅圖，現(xiàn)在YOLOv5的v6.0版本，已經(jīng)有了修改，backbone主要修改如下：

1．第一層取消了Focus,采用卷積核大小為6,步長為2的卷積層代替。yolov5官方解答，Focus() 是用來降低FLOPS的，跟mAP無關(guān)。Focus模塊在v5中是圖片進(jìn)入backbone前，對圖片進(jìn)行切片操作，具體操作是在一張圖片中每隔一個(gè)像素拿到一個(gè)值，類似于鄰近下采樣，這樣就拿到了四張圖片，四張圖片互補(bǔ)，輸入通道擴(kuò)充了4倍，即拼接起來的圖片相對于原先的RGB三通道模式變成了12個(gè)通道，最后將得到的新圖片再經(jīng)過卷積操作，最終得到了沒有信息丟失情況下的二倍下采樣特征圖。

2.更改backbone的基本單元BottleneckCSP為c3模塊。在新版yolov5中，作者將BottleneckCSP（瓶頸層）模塊轉(zhuǎn)變?yōu)榱薈3模塊，其結(jié)構(gòu)作用基本相同均為CSP架構(gòu)，只是在修正單元的選擇上有所不同，其包含了3個(gè)標(biāo)準(zhǔn)卷積層以及多個(gè)Bottleneck模塊（數(shù)量由配置文件.yaml的ndepth_multiple參數(shù)乘積決定）從C3模塊的結(jié)構(gòu)圖可以看出，C3相對于BottleneckCSP模塊不同的是，經(jīng)歷過殘差輸出后的Conv模塊被去掉了，concat后的標(biāo)準(zhǔn)卷積模塊中的激活函數(shù)也由LeakyRelu變味了SiLU。

①C3模塊

②BottleNeckCSP模塊

3.更改Leaky_Relu激活函數(shù)為SiLU激活函數(shù)。作者在CONV模塊（CBL模塊）中封裝了三個(gè)功能：包括卷積（Conv2d）、BN以及Activate函數(shù)（在新版yolov5中，作者采用了SiLU函數(shù)作為激活函數(shù)），同時(shí)autopad（k, p）實(shí)現(xiàn)了padding的效果。

4.SPP更改為SPPF(Spatial Pyramid Pooling - Fast), 結(jié)果是一樣的，但是可以降低FLOPS，運(yùn)行的更快。

官方介紹：

訓(xùn)練方法

首先，在訓(xùn)練之前，我們將訓(xùn)練集進(jìn)行劃分訓(xùn)練集：測試集為8:2。其中訓(xùn)練集圖像數(shù)量為29077，測試集圖像數(shù)量為7269.數(shù)據(jù)集目錄在’/home/data/309/’，如果是在實(shí)例中，100張樣例在’/home/data/309/sample_m’。

1.由于數(shù)據(jù)集的jpg和xml在一個(gè)文件夾，首先我們將圖片和標(biāo)簽進(jìn)行分離，源碼如下：

import osimport shutilfrom os import listdir, getcwdfrom os.path import joindatasets_path = '/home/data/309/'def jpg_xml(): if not os.path.exists(datasets_path + 'Annotations/'): os.makedirs(datasets_path + 'Annotations/') if not os.path.exists(datasets_path + 'images/'): os.makedirs(datasets_path + 'images/') filelist = os.listdir(datasets_path) for files in filelist: filename1 = os.path.splitext(files)[1] # 讀取文件后綴名 if filename1 == '.jpg': full_path = os.path.join(datasets_path, files) shutil.move(full_path, datasets_path+'images') elif filename1 == '.xml': full_path = os.path.join(datasets_path, files) shutil.move(full_path, datasets_path+'Annotations') else : continue

2.然后根據(jù)自定義的訓(xùn)練集和驗(yàn)證集比例，生成txt。如果要更改比例，僅僅更改 trainval_percent和train_percent即可，源碼如下。

classes= ['reflective_vest','no_reflective_vest','person_reflective_vest','person_no_reflective_vest'] #自己訓(xùn)練的類別import randomdef train_val_split(): trainval_percent = 0.2 train_percent = 0.8 images_filepath = datasets_path + 'images/' txtsavepath = datasets_path total_imgfiles = os.listdir(images_filepath) num = len(total_imgfiles) lists = range(num) tr = int(num * train_percent) train = random.sample(lists, tr) ftrain = open(txtsavepath + 'train.txt', 'w+') ftest = open(txtsavepath + 'test.txt', 'w+') fval = open(txtsavepath + 'val.txt', 'w+') for i in lists: name = images_filepath + total_imgfiles[i] + '\n' if i in train: ftrain.write(name) else: fval.write(name) ftest.write(name) ftrain.close() fval.close()ftest.close()

3.最后將voc格式轉(zhuǎn)換為yolo格式，源碼如下。

def convert(size, box): dw = 1. / size[0] dh = 1. / size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 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(datasets_path + 'Annotations/%s.xml' % (image_id),encoding='utf-8') out_file = open(datasets_path + 'labels/%s.txt' % (image_id), 'w',encoding='utf-8') 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 = 0 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)) bb = convert((w, h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')def generate_labels(): if not os.path.exists(datasets_path + 'labels/'): os.makedirs(datasets_path + 'labels/') sets = ['train', 'val'] for image_set in sets: image_ids = open(datasets_path + '%s.txt' % (image_set)).read().strip().split() for image_id in image_ids: convert_annotation(image_id.split('/')[-1][:-4])

在第一次訓(xùn)練時(shí)，我們選擇了yolov5m模型。在訓(xùn)練了12小時(shí)后，僅僅訓(xùn)練了幾個(gè)epoch，并且進(jìn)行第一次測試，結(jié)果f1-score僅僅為0.2732，并且性能分很低。在時(shí)間緊張且計(jì)算資源有限的情況下，這顯然不能滿足我們的需求。

然后，我們選擇了yolov5s模型，進(jìn)行第二次訓(xùn)練。選擇hyp.scratch.yaml配置文件作為參數(shù)，并且修改了其中數(shù)據(jù)增強(qiáng)方式，主要將參數(shù)mosaic: 1.0 # image mosaic (probability) 數(shù)值修改為0.5。如下圖所示：

因?yàn)樵跀?shù)據(jù)集中小目標(biāo)較少，不需要每次都進(jìn)行mosaic。并且不采用裁剪、復(fù)制粘貼、旋轉(zhuǎn)、mixup。因?yàn)槲矣X得數(shù)據(jù)量其實(shí)已經(jīng)足夠訓(xùn)練yolov5s網(wǎng)絡(luò)了。并且為了加快訓(xùn)練速度，輸入圖像改為512大小，能多訓(xùn)練幾個(gè)epoch。優(yōu)化器選擇SGD優(yōu)化器即可。并且這里需要采用官方的yolov5s.pt作為預(yù)訓(xùn)練模型，能加速模型的收殮。

在12小時(shí)訓(xùn)練完成后，f1-score就可以到0.7543。

在第三次訓(xùn)練時(shí)，采用同樣的方法進(jìn)行訓(xùn)練。一方面使測試集中的圖像參加到訓(xùn)練過程中；另一方面，12個(gè)小時(shí)才訓(xùn)練了幾個(gè)epoch，肯定沒有訓(xùn)練充分。再等12小時(shí)后訓(xùn)練完，f1-score就可以到0.7746。此時(shí)與0.8分就十分接近了。

最后，我們采用凍結(jié)訓(xùn)練策略，并且訓(xùn)練圖像大小修改為640。Yolov5凍結(jié)參數(shù)也十分方便，只需要傳遞參數(shù)即可。我們將backbone以及neck+head輪流凍結(jié)。并且直接采用hyp.scratch-med.yaml進(jìn)行最后的訓(xùn)練。這一部分具體看石工講的凍結(jié)訓(xùn)練策略。通過最后一步，f1-sorce達(dá)到了0.8031。

這里需要對源碼進(jìn)行修改，主要是因?yàn)樵趎eck+head凍結(jié)時(shí)，yolov5只能順序凍結(jié)。這里需要修改，修改方式如下。修改后便可以凍結(jié)任意層。

①train.py修改前:

train.py修改后:

②train.py修改前:

train.py修改后:

此時(shí)我們計(jì)算一下，0.8-0.8031*0.9=0.07721。然后再0.07721/0.1=0.7721。即，性能分達(dá)到77.21就滿足了，是不是很容易了。

推理方法

在推理部分，我們這里直接pt文件直接進(jìn)行推理，并沒有采用模型加速方案。但是不采用FP32精度進(jìn)行推理，而是采用FP16進(jìn)行推理。具體可以參考，detect.py文件中的方法。運(yùn)行時(shí)直接采用添加—half即可采用FP16進(jìn)行推理。在本次打榜中，我僅僅采用FP16半精度推理即可達(dá)到比賽要求。

根據(jù)https://www.cvmart.net/topList/10044?dbType=1&tab=RankDescription 的賽道說明，我們寫測試文件，源碼如下。

import jsonimport torchimport sysimport numpy as npfrom pathlib import Pathfrom ensemble_boxes import weighted_boxes_fusionfrom models.experimental import attempt_loadfrom utils.torch_utils import select_devicefrom utils.general import check_img_size, non_max_suppression, scale_coordsfrom utils.augmentations import letterbox@torch.no_grad()model_path = '/best.pt'def init(): weights = model_path device = 'cuda:0' # cuda device, i.e. 0 or 0,1,2,3 or half = True # use FP16 half-precision inference device = select_device(device) w = str(weights[0] if isinstance(weights, list) else weights) model = torch.jit.load(w) if 'torchscript' in w else attempt_load(weights, map_location=device) if half: model.half() # to FP16 model.eval() return modeldef process_image(handle=None, input_image=None, args=None, **kwargs): half = True # use FP16 half-precision inference conf_thres = 0.5 # confidence threshold iou_thres = 0.5 # NMS IOU threshold max_det = 1000 # maximum detections per image imgsz = [640, 640] names = { 0: 'reflective_vest', 1: 'no_reflective_vest', 2: 'person_reflective_vest', 3: 'person_no_reflective_vest' } stride = 32 fake_result = { } fake_result["algorithm_data"] = { "is_alert": False, "target_count": 0, "target_info": [] } fake_result["model_data"] = { "objects": [] } img = letterbox(input_image, imgsz, stride, True)[0] img = img.transpose((2, 0, 1))[::-1] # HWC to CHW, BGR to RGB img /= 255.0 # 0 - 255 to 0.0 - 1.0 pred = handle(img, augment=False, visualize=False)[0] pred = non_max_suppression(pred, conf_thres, iou_thres, None, False, max_det=max_det) for i, det in enumerate(pred): # per image det[:, :4] = scale_coords(img.shape[2:], det[:, :4], input_image.shape).round() for *xyxy, conf, cls in reversed(det): xyxy_list = torch.tensor(xyxy).view(1, 4).view(-1).tolist() conf_list = conf.tolist() label = names[int(cls)] fake_result['model_data']['objects'].append({ "xmin": int(xyxy_list[0]), "ymin": int(xyxy_list[1]), "xmax": int(xyxy_list[2]), "ymax": int(xyxy_list[3]), "confidence": conf_list, "name": label }) if label == 'no_reflective_vest': fake_result['algorithm_data']['target_info'].append({ "xmin": int(xyxy_list[0]), "ymin": int(xyxy_list[1]), "xmax": int(xyxy_list[2]), "ymax": int(xyxy_list[3]), "confidence": conf_list, "name": "no_reflective_vest" }) fake_result['algorithm_data']['is_alert'] = True if len( fake_result['algorithm_data']['target_info']) > 0 else False fake_result['algorithm_data']["target_count"] = len(fake_result['algorithm_data']['target_info']) return json.dumps(fake_result, indent=4)

5.討論與總結(jié)

本次極市平臺(tái)舉行的基于反光衣識(shí)別的新手訓(xùn)練營項(xiàng)目，確實(shí)對新手十分的友好，容易上手，不需要添加額外的tricks，也不需要更換backbone，neck即可達(dá)到要求，能夠很好的熟悉平臺(tái)。本人作為新人，本次打榜相關(guān)的結(jié)論可歸納為以下幾點(diǎn)：

**選擇好baseline是基礎(chǔ)。**最開始本人由于經(jīng)驗(yàn)少，以為選擇大的模型肯定能取得好的分?jǐn)?shù)。因此，我們要針對數(shù)據(jù)情況、計(jì)算資源、算法精度和性能選擇合適的baseline.

**做好數(shù)據(jù)分析是關(guān)鍵。**目標(biāo)尺度分布，目標(biāo)遮擋情況，目標(biāo)密集程度，數(shù)據(jù)集數(shù)量等等方面，影響著我們選擇對應(yīng)策略。比如，小目標(biāo)過多的情況下，需要采用mosic數(shù)據(jù)增強(qiáng)策略；數(shù)據(jù)充足且豐富的情況下適當(dāng)減少數(shù)據(jù)增強(qiáng)策略；圖像尺寸根據(jù)實(shí)際情況進(jìn)行調(diào)整。

**多看別人經(jīng)驗(yàn)十分重要。**本次能上榜的原因也是石工之前的凍結(jié)訓(xùn)練策略能運(yùn)用上，才達(dá)到打榜要求。除此之外，還有許多提分經(jīng)驗(yàn)，希望大家多多嘗試。深度學(xué)習(xí)可能就是這樣，在別人上面可能有效，在自己工程上就無效了，要多嘗試。

針對賽題對性能的要求，采用FP16精度做推理，若需要更高的推理速度，可采用Openvino和TensorRT等方式部署模型。

作者介紹

王鋮，來自西北師范大學(xué)VIGP團(tuán)隊(duì)成員，

研究方向：深度學(xué)習(xí)，目標(biāo)檢測等

參考

https://github.com/ultralytics/yolov5

https://mp.weixin.qq.com/s/e07eRbNAkoDVRs7Q-rV0TA

https://mp.weixin.qq.com/s/VgDcS-edk9Mqkv-qSfcRJA

www.cvmart.net

https://blog.csdn.net/weixin_38842821/article/details/108544609

---

**打榜說明：**極市打榜是面向計(jì)算機(jī)視覺開發(fā)者的算法競技，參與者人人都可以通過提高算法分?jǐn)?shù)（精度+性能分）獲得早鳥獎(jiǎng)勵(lì)+分分超越獎(jiǎng)勵(lì)，排行榜前三名的勝利者將有機(jī)會(huì)獲得該算法的極市復(fù)購訂單，獲得持續(xù)的訂單收益。

提供免費(fèi)算力+真實(shí)場景數(shù)據(jù)集；早鳥獎(jiǎng)勵(lì)+分分超越獎(jiǎng)勵(lì)+持續(xù)訂單分成，實(shí)時(shí)提現(xiàn)！

反光衣識(shí)別算法打榜（報(bào)名參與）：

https://www.cvmart.net/topList/10044?tab=RealTime&dbType=1

墨鏡識(shí)別、安全帽識(shí)別、占道經(jīng)營識(shí)別等26個(gè)打榜算法地址（正在進(jìn)行中）：https://www.cvmart.net/topList

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-6ChLxP51-1637837795137)(data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==)]

掃碼查看（報(bào)名）打榜

如果覺得有用，就請分享到朋友圈吧！

極市平臺(tái)

專注計(jì)算機(jī)視覺前沿資訊和技術(shù)干貨，官網(wǎng)：www.cvmart.net

582篇原創(chuàng)內(nèi)容

公眾號(hào)

△點(diǎn)擊卡片關(guān)注極市平臺(tái)，獲取最新CV干貨

公眾號(hào)后臺(tái)回復(fù)“transformer”獲取最新Transformer綜述論文下載～

極市干貨

課程/比賽：珠港澳人工智能算法大賽｜保姆級(jí)零基礎(chǔ)人工智能教程

算法trick：目標(biāo)檢測比賽中的tricks集錦｜從39個(gè)kaggle競賽中總結(jié)出來的圖像分割的Tips和Tricks

技術(shù)綜述：一文弄懂各種loss function｜工業(yè)圖像異常檢測最新研究總結(jié)（2019-2020）

_CV技術(shù)社群邀請函 _#

△長按添加極市小助手

添加極市小助手微信（ID : cvmart4）

備注：姓名-學(xué)校/公司-研究方向-城市（如：小極-北大-目標(biāo)檢測-深圳）

即可申請加入極市目標(biāo)檢測/圖像分割/工業(yè)檢測/人臉/醫(yī)學(xué)影像/3D/SLAM/自動(dòng)駕駛/超分辨率/姿態(tài)估計(jì)/ReID/GAN/圖像增強(qiáng)/OCR/視頻理解等技術(shù)交流群

每月大咖直播分享、真實(shí)項(xiàng)目需求對接、求職內(nèi)推、算法競賽、干貨資訊匯總、與 10000+來自港科大、北大、清華、中科院、CMU、騰訊、百度等名校名企視覺開發(fā)者互動(dòng)交流~

覺得有用麻煩給個(gè)在看啦~[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-Epwy0irU-1637837795141)(data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==)]

var first_sceen__time = (+new Date()); if ("" == 1 && document.getElementById(‘js_content’)) { document.getElementById(‘js_content’).addEventListener(“selectstart”,function(e){ e.preventDefault(); }); }

預(yù)覽時(shí)標(biāo)簽不可點(diǎn)

收錄于話題 #

閱讀原文

閱讀

分享 收藏

贊 在看

反光衣識(shí)別算法冠軍方案總結(jié)（附源碼）｜極市打榜

總結(jié)

以上是生活随笔為你收集整理的反光衣识别算法冠军方案总结（附源码）｜极市打榜的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。