简介：这是一份面向计算机视觉算法学习者与目标检测开发者的 YOLOv5 OBB 旋转框训练示例工程，重点解决倾斜、非矩形目标的方向检测问题，可用于车辆、遥感、航拍等场景的实践入门与二次开发。压缩包共 583 个文件、约 445.58MB，包含 166 个 xml 标注、95 个 txt 说明与标签、93 个 png 及 23 个 jpg 图像、71 个 py 脚本、38 个 yaml 配置、6 个 pt 权重，另有 cpp、cu、onnx 等部署相关文件，覆盖数据处理、训练评估、推理导出等环节。已有 1822 人学习下载。读者可据此了解旋转框标注转换、OBB 模型配置、角度与位置损失计算、训练指标可视化及 ONNX/TensorRT 部署思路，并借助现成脚本与配置快速复现训练流程，适合作为旋转目标检测项目的参考模板。

1. 为什么旋转框值得单独开一份 demo：轴对齐框在密集场景里到底差在哪

一艘斜着靠泊的船，在正射影像里被轴对齐框裹成一个又大又空的矩形，两个相邻泊位一挤，NMS 直接把其中一个筛掉；一排斜停的车，轴对齐框重叠率超过 0.7，后处理阶段候选框相互冲突。旋转框要解决的就是这件事——框能贴着目标转，交并比算得准，密集场景不再互相挤压。

这份 YOLOv5-OBB 训练 demo 做的就是给普通 YOLOv5 的检测头扩出一个角度通道，配上八点标注转换、旋转 IoU 和角度损失，让整条链路从数据到推理能跑通。它不是一个 pip 装完就能用的插件，需要改几行头文件里的通道数、编译一个 C++ 扩展。适合已经跑过 YOLOv5 常规训练、手里有 DOTA 格式标注、想在遥感或工业图像上试旋转框的从业者。新手照着步骤走也能复现，但要有第一次跑不通的心理准备。

2. 环境与数据格式：把八点标注喂进 YOLOv5-OBB

这条链路第一步会卡在两件事上：扩展编译不过、角度转换写错。前者报错信息藏在 nvcc 输出里，后者不报错但训练 loss 会一直抖。下面按“环境锁版本 → 标注转换 → 目录与 yaml”三步走。

2.1 环境里那三个必须锁死的版本

旋转框的 IoU 和多边形 NMS 是靠 C++/CUDA 扩展算的，这套扩展对 PyTorch 版本和 CUDA 工具链比较敏感。我一般先确认三件事：nvidia-smi里的驱动版本、nvcc --version里的编译器版本、以及 PyTorch 编译时用的 CUDA 版本三者要能对上。最常见的问题是nvcc是 11.7 而 torch 装的是 cu118 包，编译阶段不报错，import时抛 undefined symbol。

# 1. 建环境，Python 版本别追新，3.8 兼容性最好 conda create -n yolo_obb python=3.8 -y conda activate yolo_obb # 2. 装 torch，cu117 要和机器上的 nvcc 对齐 conda install pytorch==1.13.1 torchvision==0.14.1 pytorch-cuda=11.7 \ -c pytorch -c nvidia -y # 3. numpy 必须压在 1.23.x：1.24 起移除了 np.float / np.int 这批别名 pip install numpy==1.23.5 opencv-python pyyaml tqdm matplotlib scipy shapely # 4. 编译旋转 IoU 与多边形 NMS 扩展 cd /path/to/yolov5_obb sh make.sh

make.sh里通常编译两个模块：bbox_ext（CPU 上的旋转框 IoU）和nms_ext（旋转 NMS）。编译完成后，进 Python 里分别import bbox_ext和import nms_ext试一下，能导入才算过。参数上真正要盯的是 numpy：旧脚本里大量np.float、np.int、np.bool的写法在 1.24 之后会直接抛AttributeError，这个问题跟 OBB 本身无关，但会让人误以为是扩展没编好，白白排查半天。

提示：make.sh失败时先看最后 20 行，nvcc 的报错在中间，error:前面那行才是真正的问题文件。

2.2 八点标注转 (cx, cy, w, h, θ)：转换脚本与边界处理

DOTA 格式的标注是八个坐标加一个类别名：x1 y1 x2 y2 x3 y3 x4 y4 class_name，四个点按顺时针或逆时针排。OBB 训练需要的是五参数(cx, cy, w, h, θ)，中间这步转换做错，后面全白搭。两个关键约定必须提前定死：θ 的周期是 π 而不是 2π（框转 180° 完全重合），以及 w 定义为长边、h 为短边，用来消除 180° 二义性。

import numpy as np def poly2rbox(points, eps=1e-6): """八点标注 -> (cx, cy, w, h, theta)，像素坐标 theta 范围 [-pi/2, pi/2)，w 恒为长边 """ pts = np.asarray(points, dtype=np.float64).reshape(4, 2) # 1. 四条边向量，最长边决定 theta 的方向 nxt = np.roll(pts, -1, axis=0) vec = nxt - pts lens = np.linalg.norm(vec, axis=1) k = int(np.argmax(lens)) w = lens[k] h = lens[(k + 1) % 4] # 相邻边当短边 if w < eps or h < eps: # 退化框直接丢弃 return None theta = float(np.arctan2(vec[k, 1], vec[k, 0])) # 2. 收进 [-pi/2, pi/2)，这一步删掉就会出现角度跳变 if theta >= np.pi / 2: theta -= np.pi elif theta < -np.pi / 2: theta += np.pi # 3. 中心用四点均值，比外接矩形中心更稳 cx, cy = pts[:, 0].mean(), pts[:, 1].mean() return cx, cy, w, h, theta def convert_txt(src, dst): """单个标注文件转换，返回被丢弃的行数""" bad = 0 with open(src) as f, open(dst, "w") as g: for line in f: parts = line.split() if len(parts) < 9: bad += 1 continue r = poly2rbox(list(map(float, parts[:8]))) if r is None: bad += 1 continue g.write("%s %.6f %.6f %.6f %.6f %.6f\n" % (parts[8], *r)) return bad

poly2rbox里三处逻辑值得单独说。第一步取最长边，是因为八点标注的起始点不固定，同一目标不同标注员可能从不同角点开始写，用最长边定方向能把结果拉到同一约定上。第二步的角度收敛是必须的：不做这个归一化，θ 会在 ±π 附近来回跳，回归头学到的是一条断裂的函数，loss 看起来在降但框永远对不上。第三步用四点均值而不是外接矩形中心，对透视变形更鲁棒。

convert_txt的返回值别浪费，跑完整个数据集后统计一下丢弃行数。正常数据集的丢弃率应该在千分之一以内，如果超过 1%，多半是八点顺序被打乱成了“Z”字形，面积算出来是自交的，得回去查标注工具。

2.3 数据集目录、yaml 与标签缓存

转换完之后，目录结构要按 YOLO 的约定摆：图片和同名 txt 放一起，或者图片一个目录、标签一个目录。OBB 分支一般要求标签文件和图片同名（0001.jpg对应0001.txt），txt 里每行是class cx cy w h theta的归一化值——注意坐标要除以图片宽高，θ 不归一化。

# data/dota_obb.yaml train: /data/dota/images/train val: /data/dota/images/val nc: 15 names: ['plane', 'ship', 'storage-tank', 'baseball-diamond', 'tennis-court', 'basketball-court', 'ground-track-field', 'harbor', 'bridge', 'large-vehicle', 'small-vehicle', 'helicopter', 'roundabout', 'soccer-ball-field', 'swimming-pool']

归一化的那段代码容易被写错，尤其是 θ 千万不能除：

import cv2 img = cv2.imread("0001.jpg") H, W = img.shape[:2] with open("0001.txt") as f, open("0001_norm.txt", "w") as g: for line in f: c, cx, cy, w, h, t = line.split() # 只有长度类参数归一化，角度保持弧度 g.write("%s %.6f %.6f %.6f %.6f %.6f\n" % ( c, float(cx) / W, float(cy) / H, float(w) / W, float(h) / H, float(t)))

首次训练前，框架通常会在data/下生成一个.cache标签缓存文件。有个反复有人踩的点：改完标签没删缓存，训练读的还是旧值，看日志里Scanning一行会显示“cached”，这时候删掉*.cache再跑才生效。图片尺寸也别混用，一个数据集里 800×800 和 1024×1024 混着放，dataloader 会按最长边统一 resize，小图上的目标被放得很大，anchor 匹配会偏。

3. 角度回归与损失设计：OBB 头到底改在哪

头部的改动量其实很小，两处：输出通道多一个，匹配阶段把 IoU 换成旋转的。真正决定成败的是角度怎么表示，这一步选错，后面调多少个学习率都没用。

3.1 从 Detect 头多出一个通道说起

普通 YOLOv5 每个 anchor 的输出是nc + 5（类别 + xywh + obj），三个 anchor 拼起来是na * (nc + 5)。OBB 版本变成na * (nc + 6)，多出来的那一位就是 θ。以 nc=15、na=3 为例，通道数从 60 变成 63。

# models/common.py 里 Detect 类的改动点（示意） class Detect(nn.Module): def __init__(self, nc=80, anchors=(), ch=()): super().__init__() self.nc = nc self.no = nc + 5 + 1 # 关键：+1 给 theta self.na = len(anchors[0]) // 2 self.m = nn.ModuleList( nn.Conv2d(x, self.no * self.na, 1) for x in ch) def forward(self, x): # 推理阶段的解码里，theta 从第 5 位取 # xy = sigmoid(xy) * 2 - 0.5 + grid # wh = (sigmoid(wh) * 2) ** 2 * anchor # theta = (sigmoid(theta) - 0.5) * pi # 映射到 [-pi/2, pi/2) ...

θ 的解码方式有两种常见写法：一种用sigmoid映射到[-π/2, π/2)，另一种是直接线性输出不做激活、靠损失约束范围。前者收敛快但边界处的梯度会被压缩，后者自由度高但容易出现异常值。我在小数据集上更倾向sigmoid加周期归一化，稳一些。

anchor 匹配也要跟着改。原生 YOLOv5 用外接矩形的宽高比做筛选，OBB 得算旋转框之间的 IoU。这一步如果直接用 Python 循环会非常慢，所以才有bbox_ext那个 C++ 扩展。折中做法是先按外接矩形粗筛，再对候选算旋转 IoU，速度能提上去一个量级。

3.2 角度周期性与三种编码方式的选择

θ 的周期是 π，这是所有麻烦的根源。直接回归一个[-π/2, π/2)的连续值，当目标角度接近边界时，真值从 1.55 跳到 -1.55，模型看到的是一个巨大的跳变，梯度爆炸、loss 抖成锯齿。三种主流解法各有取舍：

sin/cos 编码的思路是把角度拆成两个连续量，sin(2θ)和cos(2θ)，因为周期是 π 所以乘 2。这样边界处两个分量都是连续变化的，模型不会看到跳变。代价是多一个输出通道，解码时用atan2还原。

import torch def sincos_encode(theta): """theta: [..., 1] 弧度 -> [..., 2]""" return torch.cat([torch.sin(2 * theta), torch.cos(2 * theta)], dim=-1) def sincos_decode(sc): """还原角度，落在 [-pi/2, pi/2)""" return 0.5 * torch.atan2(sc[..., :1], sc[..., 1:]) def sincos_loss(pred_sc, gt_theta): """1 - cos(2Δθ)，取值范围 [0, 2]，对边界连续""" gt = sincos_encode(gt_theta) return (1.0 - (pred_sc * gt).sum(dim=-1)).mean()

sincos_loss用1 - cos(2Δθ)而不是 L1 或 L2，原因是它对角度差的响应是平滑的：差 0 时损失 0，差 π/2 时损失 2，差 π 时又回到 0——正好符合“转 180° 框重合”的物理事实。用 L1 的话差 π 会给出最大惩罚，跟实际语义矛盾。

CSL 的做法是把角度离散成 180 个 bin，真值不放在单个 bin 上，而是给邻近 bin 一个高斯窗。好处是分类头天然处理周期性，坏处是显存占用多、推理慢。小数据集上我一般不折腾 CSL，sin/cos 就够。

3.3 损失组合：旋转 IoU + 角度损失的超参怎么给

总损失还是熟悉的四项，只是框回归那项换成了旋转版本：

loss = λ_box * loss_rot_iou + λ_obj * loss_obj + λ_cls * loss_cls + λ_ang * loss_angle

loss_rot_iou用旋转框的 IoU 算 CIoU，loss_angle用上面的 sincos 形式。λ 的给法有讲究：λ_ang太小角度学不动，太大又会挤压框回归。我一般在0.5 ~ 2.0之间取，长宽比大于 5 的目标（船、桥、飞机）往上调，接近正方形的目标（储罐、球场）往下调。

# data/hyp.scratch.obb.yaml 里和角度相关的几项 box: 0.05 # 框回归权重，OBB 下通常比默认 0.05 略低 cls: 0.5 obj: 1.0 angle: 1.0 # 角度损失权重，从 0.5 起调试 angle_mode: sincos # 编码方式，与模型头保持一致

调参顺序上，我习惯先固定angle: 0跑 10 个 epoch，确认框的宽高和中心能正常收敛（此时等价于轴对齐检测），再把angle打开从 0.5 起试。这样做的好处是把“框没学会”和“角度没学会”两个问题拆开，不然 loss 一起抖的时候根本分不清是哪一项在作乱。

4. 训练配置与命令：一次能收敛的参数组合

配置文件和命令本身不难，难的是显存、图像尺寸、batch 三者的配比，以及数据增强里那几个跟角度强耦合的开关。这一章给一套在小规模数据集上验证过的组合，再解释每项为什么这么给。

4.1 模型 yaml 与数据 yaml 的逐项拆解

模型 yaml 只改一个地方：nc。其余 depth_multiple、width_multiple、anchors 保持原样。anchors 要不要重聚类？如果目标尺度和 COCO 差得远（比如遥感里小目标占绝大多数），建议用 k-means 在训练集上重聚一次，但别一上来就动，先用默认值跑通再优化。

# models/yolov5s_obb.yaml nc: 15 # 与 data yaml 里的 nc 严格一致 depth_multiple: 0.33 width_multiple: 0.50 anchors: - [10,13, 16,30, 33,23] # P3/8，小目标层 - [30,61, 62,45, 59,119] # P4/16 - [116,90, 156,198, 373,326] # P5/32，大目标层

数据 yaml 里train和val写绝对路径最省事，相对路径在不同执行目录下容易找不到。nc和names的条数必须严格对齐，差一个是常见的手误，报错信息还很不直观（会在算类别 loss 时抛越界）。

训练前跑一遍标签自检，比事后 debug 划算得多：

import glob, os import numpy as np bad = [] for p in glob.glob("/data/dota/labels/train/*.txt"): for i, line in enumerate(open(p)): v = line.split() if len(v) != 6: bad.append((p, i, "字段数不对")) continue x, y, w, h, t = map(float, v[1:]) if not (0 <= x <= 1 and 0 <= y <= 1 and 0 < w <= 1 and 0 < h <= 1): bad.append((p, i, "归一化越界")) if not (-np.pi / 2 <= t < np.pi / 2): bad.append((p, i, "角度超范围")) print(f"异常行 {len(bad)} 条") for b in bad[:10]: print(b)

这段自检覆盖了三类最高频的错误：字段数（少写或多了分隔符）、归一化越界（忘了除宽高，或者用错了宽高）、角度超范围（转换脚本没做收敛）。十行代码能省掉半天排查。

4.2 训练命令、显存与 batch 的换算

python train.py \ --cfg models/yolov5s_obb.yaml \ --data data/dota_obb.yaml \ --hyp data/hyp.scratch.obb.yaml \ --weights yolov5s.pt \ --img-size 1024 \ --batch-size 8 \ --epochs 100 \ --device 0 \ --workers 4 \ --project runs/obb --name exp1

关键参数逐个说。--img-size 1024是因为遥感影像里的小目标在 640 下几乎消失，1024 是精度和显存的折中点；如果显卡只有 8G，降到 800 或者把 batch 降到 4。--weights yolov5s.pt用 COCO 预训练权重，即使类别差异大也能加速收敛，但要注意加载时会因为输出通道数对不上而跳过检测头，日志里出现 “Transferred xxx items” 是正常的。

--batch-size和显存的关系大致是：img-size 1024、yolov5s、单卡 11G 显存下 batch=8 能吃满。想再往上加就开--amp混合精度，省 30% 左右显存，代价是个别情况下 loss 会在训练后期出现 NaN，遇到就把 amp 关掉。

--workers和 CPU 核数相关，一般给 4 到 8。给太高反而慢，因为每个 worker 都要加载图片并做几何变换，IO 打满之后瓶颈不在 CPU。用 SSD 的话可以开到 8，机械硬盘给 2 到 4。

训练日志里我最先看的是三行：labels统计（看目标数是否合理）、g和img_size（确认没有自动改尺寸）、以及前 3 个 epoch 的box_loss。OBB 的box_loss比普通检测要高，因为旋转 IoU 的计算对位置更敏感，这是正常现象。

4.3 数据增强开关：Mosaic 与旋转增强的取舍

增强是 OBB 最容易出问题的地方——每做一次几何变换，标签里的 θ 都要跟着变。框架内置的 Mosaic、RandomPerspective 都做了旋转框适配，但flipud、fliplr、degrees这几个参数需要人确认。

# utils/datasets.py 里增强部分的等价逻辑，用来对照标签变换 def flip_theta(theta, direction): """direction: 'h' 水平翻转 / 'v' 垂直翻转""" # 水平或垂直翻转后，角度符号都取反，再收敛回 [-pi/2, pi/2) theta = -theta if theta < -np.pi / 2: theta += np.pi elif theta >= np.pi / 2: theta -= np.pi return theta def transpose_theta(theta): """转置变换：θ -> π/2 - θ""" t = np.pi / 2 - theta if t >= np.pi / 2: t -= np.pi return t

这三个变换写错的后果很隐蔽：loss 会降，但预测框的角度系统性偏一个方向，验证集 mAP 卡在半路上不去。判断方法是拿几张验证图可视化，如果所有框都朝同一个方向偏，基本就是翻转时角度没跟着变。

degrees参数控制随机旋转角度范围，默认 0 表示不旋转。遥感数据建议给到 90 或 180，因为目标本身朝向任意，模型不会因为旋转而不合理。但注意 90° 的整数倍旋转后，θ 只需要加一个固定偏移，不需要重采样，速度快；非整数倍旋转要做插值，图会有模糊。

Mosaic 在 OBB 上我一般关掉或降低概率（mosaic: 0.3）。原因很实在：四张图拼一张之后，每张图里的目标都被缩小，而旋转框的小目标对角度误差极其敏感，一个 16×16 的框角度差 5° 就已经算错了。小目标多的数据集上，mosaic: 0加上scale: 0.5的组合往往比默认配置效果好。

5. 避坑排查：五个把 demo 跑崩的现场

下面这五条都是我在不同数据集上真实撞过的，按“现象 → 原因 → 解决”记，能对上号就直接跳过。

5.1 标签与数据侧的两处翻车

现象一：训练能启动，但labels统计里目标数只有标注文件的十分之一，且box_loss一直是 nan。

原因基本锁定在角度转换上。八点标注的四个点如果不是顺序给出（比如标注工具导出的顺序是左上、右下、右上、左下），poly2rbox里算出来的边向量是交叉的，h可能算出 0 或负数，归一化之后进入模型就是一个非法框，IoU 计算里出现除零。

解决分两步。先加凸性校验：用鞋带公式算四边形面积，如果面积接近 0 或者与四点外接矩形面积比小于 0.1，直接丢弃这一行。再检查点序：取四个点的质心，算每个点相对质心的极角，按极角排序就能把顺序强行拉成顺时针。这两步加进转换脚本，丢弃率会从异常降回千分之一级别。

现象二：换了新数据集，训练集 loss 正常下降，验证集 mAP 一直是 0。

查了半天发现是验证集的标签没做归一化，还是像素坐标。框架在--img-size缩放时只对图片做 resize，不会去动标签，于是所有验证框的坐标都超出 [0,1]，评估阶段一律被过滤掉。

解决是训练前对 train 和 val 各跑一遍 2.3 节那段自检脚本，别只查 train。另外补一句，验证集的类别名要和names列表顺序一致，顺序错了不报错，但 mAP 会掉得很诡异——某一类特别高、另一类完全为 0，看到这种分布就该去核对顺序。

5.2 训练与损失侧的两处翻车

现象三：loss 曲线整体在降，但每隔十几个 epoch 就出现一次尖峰，之后慢慢恢复，反复循环。

这是角度在边界处跳变的典型表现。检查hyp里用的编码方式：如果是直接回归 θ，而theta的解码又是线性输出没做约束，模型在拟合接近 ±π/2 的目标时就会反复横跳。

解决是把编码换成 sincos，或者保留直接回归但在 loss 里加一项周期一致性惩罚：把预测值和真值都映射到[-π/2, π/2)再算差，差值超过 π/2 时取补角。实测换成 sincos 之后尖峰消失，收敛轮数还能少两三个。顺带提一句，学习率别给太大，OBB 的角度分支比框分支敏感，warmup 阶段lr0的 1/10 起步比较稳。

现象四：sh make.sh报nvcc fatal: Unsupported gpu architecture 'compute_86'。

原因很直接：本机 nvcc 版本太老，不认识新显卡的算力代号。或者反过来，torch 是 cu118 而 nvcc 是 11.3，两边编译目标对不上，即使编过了运行时也会崩。

解决是先对齐版本，python -c "import torch;print(torch.version.cuda)"和nvcc --version输出的版本号主次版本要一致。实在没法重装 CUDA 的话，去make.sh里把-gencode那几行的算力代号改成本机显卡支持的（30 系是 86，40 系是 89，20 系是 75），编不过的架构直接删掉。改完记得rm -rf build清掉中间产物再编。

5.3 评估与导出侧的一处翻车

现象五：训练日志里各项指标都好看，跑test.py得到的 mAP 只有十几个点，把conf-thres降到 0.01 才勉强及格。

两个原因叠在一起。一是评估时的 NMS 阈值沿用了普通检测的 0.45，而旋转框在密集场景下的重叠率天然偏高，0.45 会误杀大量正确框；二是旋转 NMS 没启用，用的还是轴对齐 NMS，斜框被按外接矩形压制。

解决是把nms-iou调到 0.3 到 0.4 之间试，同时确认多边形 NMS 的开关是打开的。密集小目标（车辆、船只）建议直接上 0.3，稀疏大目标（球场、桥梁）可以给 0.5。另外评估的提交格式也要对：八点坐标、类别名在前、置信度在第二位，少一个逗号都会让评估脚本静默跳过整张图。

6. 推理验证与进阶：用可视化和旋转 NMS 自检

训练完拿到best.pt，第一件事不是看 mAP，是把预测框画出来看。数字会骗人，画出来的框不会。

import cv2 import numpy as np def draw_obb(img, boxes, color=(0, 255, 0), thickness=2): """boxes: [(cx, cy, w, h, theta, score), ...]，像素坐标""" for cx, cy, w, h, theta, score in boxes: # cv2.boxPoints 的角度单位是度，且方向与数学坐标系相反 rect = ((cx, cy), (w, h), theta * 180.0 / np.pi) pts = cv2.boxPoints(rect).astype(np.int32) cv2.polylines(img, [pts], True, color, thickness) cv2.putText(img, f"{score:.2f}", (int(cx), int(cy)), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1) return img

这段代码有个必须注意的点：OpenCV 的boxPoints接收的角度是度，而且旋转方向跟数学上的逆时针相反。如果你的 θ 是逆时针为正，画出来会发现框整体镜像了 90°，不是模型的问题，是可视化的问题。判断方法很简单：拿一张验证集里已知角度的图，手工算一个框的四个角点，跟画出来的对比。

推理阶段的参数比训练阶段更影响最终效果，下面这几个值我一般先扫一遍再定：

小目标多的时候max-det一定要放大，默认 1000 在一张 1024 的遥感图上很容易被占满，后面的框全被截断，表现为“某一片区域完全没检出”。这个坑我踩过不止一次，前面调了半天阈值，最后发现是max-det卡住了。

再进一步的做法是切片推理：把 1024×1024 的图切成 4 张 512 的重叠子图分别推理，再把结果映射回原图做一次全局 NMS。小目标的像素数翻倍之后，召回率通常能涨 5 到 10 个点。代价是推理时间变成 4 倍，适合离线批处理场景。

验证这块，我习惯在每次改完标注或增强之后，固定抽 20 张验证图，把真值和预测叠在一起画：真值用绿色、预测用红色，两个框角度偏差超过 10° 的直接标出来。这比看 mAP 直观得多，能立刻分辨是“框位置偏了”还是“角度学反了”。

从那以后我每次动标签转换或者增强参数，都会先跑这 20 张的可视化对比，确认角度没有系统性偏移，再去看训练指标——毕竟 loss 曲线给不了你“框歪了”这种信息。希望帮到你。

本文还有配套的精品资源，点击获取