简介：面向YOLO系列模型的公交车检测专用数据集，源自PASCAL VOC2012训练验证集，仅保留bus这一个类别，为实时目标检测模型的训练与评估提供干净、直接的数据支撑，适用于交通监控、智能网联汽车等场景。压缩包共1402个文件，容量约55.82MB，其中包含467张JPEG原图、467个XML详细标注文件以及468个TXT标签文件：XML标注记录了边界框坐标、尺寸与图像关联信息，TXT标签则提供精简的框位置与类别标识，两种格式均可兼容主流YOLO训练流程。该数据集已有643人浏览学习，适合对目标检测已有基本认知、希望针对公交车类别做专项训练和参数调优的开发者或研究人员。利用这份数据，可免去从大型通用数据集中人工筛选和转换标注的耗时步骤，快速搭建公交车检测实验，也可结合YOLOv3、YOLOv8等不同版本对比模型效果，深入理解单类别检测任务的精度与实时性权衡。
1. 只看标题以为很简单：公交车检测数据集为什么值得认真跑一遍 YOLO
YOLO 公交车检测数据集在实作里属于那种“越是觉得稳的类目，越容易翻车”的类型：目标外观高度统一、角度集中在侧视、背景基本是城市道路和站台，看起来要比通用检测简单得多。bus_VOCtrainval2012.zip 这个文件名拆开就是三个事实：数据来自 Pascal VOC 2012 的 trainval 划分，只保留公交车这一个类目，标注格式是 VOC 的 xml。对刚入门目标检测、想跑通一整套训练流程的新手来说，它足够小够干净，适合拿来理解数据集格式、迁移学习和损失曲线；对已经跑过 COCO 这类多类别数据的人来说，它又能让你把注意力全部放在误检、置信度门限和部署效果上，而不是被 80 个类别的输出干扰。下面按“数据集结构 → VOC 转 YOLO → 训练参数 → 踩坑 → 验证”的顺序，把它完整走一遍。
2. bus_VOCtrainval2012 在设计上解决了什么问题
2.1 公交车检测和通用目标检测的区别
通用目标检测数据集动辄八十个类别，模型要同时学会区分猫、狗、车、椅子，输出层的类别维度很大，一个误检很难说清是分类头的问题还是回归框的问题。公交车检测只有一类，输出只有一个 class id，看起来是把问题大幅简化了，但实际上把矛盾全挤到了“什么是正样本”上：哪些车算公交、哪些车不算。
公交车的场景约束非常固定：视角基本是路边侧视或路口斜视，车辆外观在城市客车和长途客车之间变化，尺寸跨度却大得离谱——近处的巴士可能占掉半张图，远处路口的公交只有几十个像素。这个分布特点是通用数据集给不了你的训练体验。跑一次单类数据集的完整流程，你能直观感受到数据分布决定性能上限这件事，模型结构再换、训练轮数再加，也只是在这个上限上往回收一点。
另外一个容易被忽视的地方是，bus 这个类目在 VOC 里常年和 truck、car 构成困难样本。很多人拿到数据集后的第一个想法是“只有一个类应该很好训”，但训练完一测，发现卡车、渣土车甚至大型 SUV 都被框成了公交。这说明数据处理时不能简单“只留 bus 删掉其他”，把容易混淆的类目当作负样本信息留下来，是这类单类数据集真正值得琢磨的设计点。
2.2 从文件名拆出来的信息：trainval、2012、VOC 格式
bus_VOCtrainval2012 这个名字不是随便起的，三个关键信息直接决定你后面的脚本怎么写。
Trainval 表示训练验证集的划分已经给你了。Pascal VOC 2012 的 trainval 是社区沿用了很久的标准划分，包含大约几千张图片，其中带公交车的图片是它的一个子集。trainval 等于 train 加 val，也就是说你不需要自己拿随机种子去切数据，直接用原始划分就能做训练和验证，对比实验的基线也因此是稳定的。
2012 指的是 Pascal VOC 2012 这个版本。VOC 2012 本身有 train、val、test 三个部分，test 的标注不公开，所以社区普遍用 trainval 来做训练和验证。这也是为什么网上各种“VOC 转 YOLO”的脚本大多默认你手里是 trainval 而不是完整的 test。
VOC 格式指的是标注文件是 xml，每个对象用 bndbox 节点存 xmin、ymin、xmax、ymax 四个绝对像素坐标。这个格式和 YOLO 训练的 txt 标签有本质差异：一个是绝对坐标，一个是相对坐标；一个是 xml 树，一个是每行一个对象的纯文本。所以拿到 zip 后的第一件事永远是格式转换，不能跳过。
2.3 这份数据集适合谁，跑通它意味着什么
三种人最适合拿它练手。第一种是刚开始学 YOLO、还不清楚数据流怎么走的初学者，这份数据只有单一类目，标签出错时定位快，不会一错错在某个冷门类别上。第二种是正在做交通相关项目、需要先跑一个单类基线的工程师，公交专用道抓拍、站台人流统计、卡口车型分类这类场景，直接拿它做预训练或基准测试都合适。第三种是做对比实验的人，固定数据集、固定 trainval 划分，实验的可比性比自采数据强得多。
跑通这份数据，意味着你掌握了目标检测训练的一套可复用流程：理解数据集目录结构，写转换脚本把 VOC xml 转成 YOLO txt，配置数据集 yaml，跑训练看损失曲线，用验证集调置信度门限，最后导出权重做部署。后面换成任何自采数据集，流程都一样，变的只是类目数量和路径配置。
3. 把 VOC 标注转成 YOLO txt 格式：转换脚本与四个边界坑
3.1 为什么必须转换，YOLO 要求的标签格式长什么样
YOLOv5、YOLOv8 训练时读取的标签不是 xml，而是每张图片对应一个同名 txt 文件。txt 里每一行代表一个目标，格式是：
class x_center y_center width height其中 x_center、y_center、width、height 全部是相对于图像宽高的归一化值，范围在 0 到 1 之间。VOC 的 xml 里存的是 xmin、ymin、xmax、ymax 这四个绝对像素坐标，转换要做两件事：把绝对坐标改成中心点加宽高，再分别除以图像宽高完成归一化。
这里有个隐藏问题：归一化后的中心点坐标理论上一定在 0 到 1 之间，但宽度和高度有可能因为标注越界而超过 1，训练时 YOLO 会直接报错或忽略这个框。所以转换脚本里必须做越界裁剪，不能简单算完四个数就写文件。
3.2 转换脚本：一段走完从 xml 到 txt 的完整流程
我不建议去找现成的通用转换工具，很多工具转换时会顺带改类名、过滤标签，反而引入看不见的问题。自己写一段小脚本最可控。这份数据只保留 bus 类，所有 bus 对象的类 id 统一设成 0，脚本逻辑很简单：
# voc2yolo_bus.py # 用法: python voc2yolo_bus.py --xml_dir Annotations --img_dir JPEGImages --out_dir labels import os import argparse import xml.etree.ElementTree as ET from PIL import Image def convert(xml_path, img_dir, out_dir): tree = ET.parse(xml_path) root = tree.getroot() # 注意: 不要完全信任 xml 里的 filename 字段, 有些标注用的是绝对路径 img_name = root.find("filename").text.strip() img_path = os.path.join(img_dir, img_name) # 图像宽高必须从图片读取, 而不是从 xml 的 size 节点读 # 因为 xml 里记录的尺寸偶尔会和实际图片不一致, 会导致归一化坐标全部偏移 w_img, h_img = Image.open(img_path).size yolo_lines = [] for obj in root.findall("object"): cls_name = obj.find("name").text.strip().lower() if cls_name != "bus": # 只保留 bus, 其他类目全部丢弃 continue box = obj.find("bndbox") xmin = float(box.find("xmin").text) ymin = float(box.find("ymin").text) xmax = float(box.find("xmax").text) ymax = float(box.find("ymax").text) # 防御性裁剪: 坐标偶尔会超出图像边界 xmin = max(0.0, min(xmin, w_img - 1)) xmax = max(0.0, min(xmax, w_img - 1)) ymin = max(0.0, min(ymin, h_img - 1)) ymax = max(0.0, min(ymax, h_img - 1)) # 转中心点 + 宽高, 再归一化 cx = (xmin + xmax) / 2.0 / w_img cy = (ymin + ymax) / 2.0 / h_img w = (xmax - xmin) / w_img h = (ymax - ymin) / h_img # 类 id 固定为 0, 因为数据集只有 bus 一个类 yolo_lines.append(f"0 {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") # 输出文件名必须和图片名保持完全一致, 只换扩展名 label_name = os.path.splitext(img_name)[0] + ".txt" with open(os.path.join(out_dir, label_name), "w") as f: f.writelines(line + "\n" for line in yolo_lines) if __name__ == "__main__": parser = argparse.ArgumentParser(description="VOC xml 转 YOLO txt") parser.add_argument("--xml_dir", required=True, help="存放 xml 的目录, 通常是 Annotations") parser.add_argument("--img_dir", required=True, help="存放图片的目录, 通常是 JPEGImages") parser.add_argument("--out_dir", required=True, help="输出 txt 标签的目录") args = parser.parse_args() os.makedirs(args.out_dir, exist_ok=True) for fn in os.listdir(args.xml_dir): if fn.endswith(".xml"): convert(os.path.join(args.xml_dir, fn), args.img_dir, args.out_dir) print("转换完成")脚本里最需要注意的一点是图像宽高必须用 PIL 从图片文件读取，而不是从 xml 的 size 节点读。原因在于部分标注工具的 size 节点写的是缩略图尺寸，直接拿来做归一化分母，会导致标签整体偏移几个百分点，训练时 loss 降不到底。
然后是越界裁剪。VOC 标注里偶尔会出现 xmax 超出图片宽度一两个像素的情况，如果不做裁剪，归一化后的 w 会略大于 1，YOLO 训练时对这类框的处理不可预期，有的版本会忽略，有的版本会报错，白白浪费时间排查。
调用方式很简单：
python voc2yolo_bus.py --xml_dir Annotations --img_dir JPEGImages --out_dir labels执行完后，labels 目录下每个与 JPG 同名的 txt 文件就生成了。整个转换脚本不需要依赖 labelimg 之类的工具，因为这份数据是已经标注好的，不是让你重新打标。
3.3 转换完成后的三个自检动作
转换完不检查直接训练，是最容易浪费时间的做法。我一般做三道检查，加起来不到一分钟：
# 1) 统计标签行数, 看看有没有文件是空的(说明该图没有 bus 目标) find labels -name "*.txt" | xargs wc -l | sort -n | head -5 # 2) 检查归一化坐标有没有越界, 越界值会打印出来 awk '{for(i=2;i<=5;i++) if($i<0 || $i>1) print FILENAME, $0}' labels/*.txt # 3) 随机抽几张图, 把框画回去肉眼看定位准不准 python -c " import cv2, os, random samples = random.sample(os.listdir('labels'), 5) for name in samples: img = cv2.imread(os.path.join('JPEGImages', name.replace('.txt', '.jpg'))) h, w = img.shape[:2] for line in open(os.path.join('labels', name)): _, cx, cy, bw, bh = map(float, line.split()) x1 = int((cx - bw/2) * w) y1 = int((cy - bh/2) * h) x2 = int((cx + bw/2) * w) y2 = int((cy + bh/2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite('check_' + name.replace('.txt', '.jpg'), img) print('已生成 5 张可视化检查图') "第一道检查看空文件，空文件说明图片集里有不含公交车的图，这是正常现象。第二道检查看坐标越界，如果 awk 一个值都没打印出来，基本可以放心训练。第三道检查最关键，把所有标签画回图上肉眼确认，框应该紧贴车身而不是偏出半个车长。
3.4 转换环节的四个边界坑
第一个坑是 xml 里的 filename 字段不可信。有些标注工具会写绝对路径，有些会写带子目录的相对路径，直接用会导致图片打开失败。我一般干脆忽略 filename 字段，用 xml 文件名去找同名图片，这样最稳。
第二个坑是目录名大小写和解压差异。VOC 官方结构里是 JPEGImages 和 Annotations，但网上流传的网盘资源解压后经常被改成小写，或者多套一层目录。YOLO 训练时找不到图片的报错信息往往不直观，直接显示验证集图片数为 0，排查半天才发现是路径大小写问题。拿到 zip 先 ls 看目录结构，再写转换脚本，这个习惯能省一小时。
第三个坑是同一张图里两辆公交车重叠时的去重问题。xml 里是两个 object，转换后就是两行，不要合并也不要过滤。但训练时数据增强中的 mosaic 会把多张图拼在一起，重叠框会被增强出各种奇怪形状，所以训练配置里对数据量不大的单类场景，我会把 mosaic 的概率控制在 0.5 以下。
第四个坑是 difficult 标签的处理。VOC 里有些对象标注了 difficult=1，表示这个目标难以辨认。转换时要不要保留，业界没有统一标准，我的默认做法是保留。公交车的轮廓相对清晰，很少被标成 difficult，但如果哪天拿到的数据里 difficult 占比超过 5%，就要小心这批标注是不是本身质量很差。
4. 用 YOLOv8 训练自己的公交检测模型：从 yaml 到损失曲线
4.1 模型选型：为什么先试 yolov8n 和 yolov8s
公交车检测是典型固定场景部署，摄像头固定在路侧或站台，算力资源往往有限。我一般第一版先跑 yolov8n 和 yolov8s 两个尺寸做对比，而不是直接上 yolov8m 或 yolov8l。
原因有两层。第一，数据规模不大，单类目标相似度高，大模型在几百张图上很容易过拟合，mAP50 反而不如小模型。第二，固定场景检测器最终要部署到边缘设备上，n 和 s 的权重体积小、推理帧率高，项目落地的可能性大得多。如果小模型精度不够，再加到 m 也不迟，这个顺序比一上来就无脑上大模型要合理。
| 模型 | 体积 | 训练速度 | 适合场景 |
|---|---|---|---|
| yolov8n | 最小 | 最快 | 算力紧张，试跑流程 |
| yolov8s | 中等 | 快 | 固定场景主力 |
| yolov8m | 较大 | 中等 | n和s精度不够时再试 |
4.2 数据集 yaml 和训练命令
YOLOv8 需要一份 yaml 文件描述数据集的路径和类别信息。把第三章转换好的标签和图片按目录整理好，yaml 写成这样：
# bus.yaml # 数据集根目录, 建议写绝对路径, 避免训练时路径歧义 path: E:/dataset/bus_VOCtrainval2012 train: images/train # 训练图片目录 val: images/val # 验证图片目录 nc: 1 # 类别数, bus 单类 names: ["bus"] # 类别名列表, 顺序必须和标签里的类 id 对应有一点要注意，第三章生成的 labels 目录要和 images 目录保持同级。YOLO 训练时默认规则是：图片在 images/train 下，标签就在 labels/train 下，文件名一一对应。如果你把标签和图片混在同一个目录里，需要显式指定标签路径，否则会报找不到标签文件的错误。
整理好目录后，训练命令很简单：
# 使用 COCO 预训练权重, 迁移学习训练 100 轮 yolo detect train data=bus.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16 device=0batch 参数按显存调整。6GB 显存跑 yolov8n 用 batch=16 基本没问题，如果显存到 8GB 可以把 imgsz 提到 960，或者把 batch 加到 24。对这份数据来说，更多样本下，imgsz 提高对公交车小目标的收益比加大 batch 更明显，因为远处路口的公交在 640 分辨率下可能只有 30 个像素。
epochs 也不一定要 100，数据量小的时候配合早停。YOLOv8 默认会保留训练过程中最好的验证权重，所以可以放心开到 200 轮，让它自己停下来。
4.3 迁移学习是这份数据的隐形成本
训练命令里 model=yolov8n.pt 代表的是从 COCO 预训练权重继续训练，而不是从零开始。这个选择在公交数据集上几乎起决定性作用。
预训练权重在 COCO 上已经见过大量车辆类目，对车身的纹理、边缘、光照变化有很强的先验，bus 和 truck 在底层特征上高度相似，模型只需要在最后一层微调类别的区分边界。从零训练的话，几百张公交图根本不足以让模型学出稳定的车身特征，训练轮数再高也只是在噪音上拟合。
这也是为什么我前面说，直接用这份数据训练，隐形成本是“你默认用了迁移学习”。如果手里是 .yaml 格式的网络结构文件而不是 .pt 权重，那是在跑从零训练，效果会差很多。
4.4 训练时看什么：box loss、cls loss、dfl loss 和过拟合信号
训练过程中终端会每轮打印一组指标，很多人只看 mAP50 涨没涨，我则主要看三个 loss：box loss、cls loss、dfl loss。
box loss 是预测框和真实框之间的回归误差，反映框得准不准。cls loss 是分类置信度的交叉熵损失，反映有没有把公交认成其他东西。dfl loss 是 YOLOv8 引入的分布焦点损失，用来让框的边更贴合目标边界，它对小目标的框定位尤其敏感。
正常的训练曲线是前 20 轮三个 loss 快速下降，20 到 60 轮进入平台期，之后只有微小波动。如果 train 的 loss 一直在降，但 val 的 mAP 不涨甚至下降，这是过拟合的典型信号，说明模型在死记训练集，公交车特征没有被泛化出来。处理方法有三个，按优先级排：调低 epochs 配合早停、把 mosaic 增强概率降下来、换回更小的模型。
也可以适当关注验证集的 mAP50 和 mAP50-95，但单类公交车的 mAP50 很容易冲到 90 以上，mAP50-95 更有区分度，它考察的是不同 IoU 阈值下的综合表现。两个指标差得太多，比如 mAP50 有 0.95 但 mAP50-95 只有 0.6，说明框虽然都能框住，但边界贴合度不够，此时优先调 box loss 相关的超参数，而不是继续加训练轮数。
5. 公交数据集训练中的 5 个常见坑：现象、原因、解决
5.1 标签文件匹配不上：训练日志里 Images 和 Labels 数量对不上
现象：训练启动时提示 found 300 images and 0 labels，或者图片数正常但标签数明显少于图片数。
原因：YOLO 训练要求图片和标签目录按照 images/train 和 labels/train 的约定组织，而且文件名必须完全一致。最常见的两个问题，一是图片和标签目录层级不对，标签被放在了别的位置；二是文件扩展名不一致，图片是 .jpg，转换脚本输出的标签是 .JPG 同名文件，而 Linux 下大小写敏感，直接匹配不上。
解决：先核对目录结构，再用一段小命令检查同名文件匹配率：
# 统计 images/train 下有对应标签文件的图片占比 cd E:/dataset/bus_VOCtrainval2012 ls images/train | sed 's/\.[^.]*$//' | sort > /tmp/img_names.txt ls labels/train | sed 's/\.[^.]*$//' | sort > /tmp/lbl_names.txt comm -23 /tmp/img_names.txt /tmp/lbl_names.txt | head -10看到输出里的文件名，基本就是缺失标签或名字不一致的元凶。我的习惯是在转换脚本里统一用 os.path.splitext 取主名，再强制拼 .txt 后缀，从源头杜绝大小写不一致。
5.2 小目标公交车漏检：imgsz 固定 640 的代价
现象：近处的公交检测得很好，mAP 看起来也不错，但实际视频里远处路口的公交经常漏检，尤其当公交车是画面里很小的目标时。
原因：imgsz=640 时，一张 1920x1080 的画面被压缩到 640 宽，远处一个 100 像素高的公交缩到 30 像素左右，特征几乎丢失。这是小目标检测的老问题，不是模型结构的错，是输入分辨率的物理限制。
解决：把 imgsz 提到 960 或者 1280，小目标召回率会明显上升。代价是训练时间和显存占用同步上升，验证时也必须用同样的 imgsz，否则推理和训练的分辨率不一致，性能会出现肉眼可见的下降。如果显存实在不够，可以先保持 640 训练，后期用更大分辨率做几次微调，这也是常见做法。
注意不要只盯着 mAP 看，小目标漏检在 mAP 里权重很低，可视化验证几张大图往往比指标更直观。
5.3 mAP 很高，但实际推理全是误检
现象：验证集 mAP50 超过 0.9，拿实拍照片一测，路边的黑色轿车、广告牌上的公交车图片甚至垃圾桶都被圈了出来。
原因：数据集里全部是有公交车的正样本图，模型没见过足够多的“没有公交车的场景”，导致背景特征被当成车身特征。另一个常见原因是推理时置信度阈值默认取 0.25，对这个样本分布来说阈值偏低。
解决：第一，从原始 VOC 数据里筛出部分不含公交车的图片，生成空标签 txt 放进训练集，让模型学会输出空白。第二，部署时把置信度阈值往上提，0.4 到 0.45 往往能过滤掉大量背景误检。第三，检查推理代码里的图像预处理，确保 BGR 和 RGB 通道顺序一致，这个低级错误能让你调一下午阈值都找不到原因。
5.4 公交车和卡车、渣土车互相认错
现象：验证集指标正常，但视频里侧翻的卡车、绿色的渣土车会被识别成公交车，尤其拉货的重卡从侧面看和公交车的轮廓非常接近。
原因：VOC 2012 里 bus 和 truck 本来就是一对难分类别，框住车身时外形高度相似。这个问题在单类数据里被放大了：数据里只保留 bus，没有把其他车辆标注出来，truck 在训练中被当作背景处理，所以模型学到的是“车身像这种形状就输出 bus”，而不是“这是公交车，不是卡车”。
解决：把容易出现混淆的 truck 样本作为困难负样本显式加入数据集。做法是把不含公交车的 truck 图片放进训练集，同时保证它们是空标签，让模型知道“不是所有面包车形状都是公交”。另一个做法是保留 xml 里的 truck 目标，把它标成背景类或单独一个类参与训练，但那样会改变标签类别数，要根据项目实际来权衡。
5.5 训练到一半 loss 变 NaN
现象：前几轮训练正常，突然某轮 loss 变成 nan，之后所有指标都失效，模型输出为空。
原因：学习率过大是最常见的原因，尤其是用高 batch 配合默认学习率在小型数据集上训练时，梯度直接爆炸。另一个原因是数据里混了损坏的图片，比如全黑图、全白图、被截断的 jpg，模型读到的特征向量异常。
解决：先按住模型不动，把数据清洗做在前面。跑一段脚本逐张用 PIL 打开图片，确认没有文件损坏或全黑全白图。然后检查学习率，在优化器配置里把初始学习率下调一个量级，比如从默认的 0.01 改成 0.001。yolov8 训练时还可以关掉 amp 混合精度试试，fp16 在小数据集上偶尔会出现不稳定的情况。遇到 NaN 先怀疑数据和学习率，不要急着换网络结构，这是最省时间的排查顺序。
6. 一个便宜的验证技巧：扫一遍置信度门限再定部署阈值
训练完拿到 best.pt 之后，大多数人直接拿默认置信度 0.25 去跑实拍，然后对着误检图抓瞎。我一般会在验证集上做一次置信度门限扫描，花十分钟找到这个模型真正适合的工作点。
核心思路是：置信度阈值调低，召回率高但误检多；阈值调高，误检少但漏检多。公交车检测这类固定场景，误检比漏检更让人头疼——误检会在站台大屏上制造虚假报警。所以阈值应该往高调，但不一定是 0.5 最好，要看你的验证集统计结果。
对 bus 数据集，可以快速跑一次验证并手动对比几个阈值：
# 用不同置信度阈值跑验证集, 记录各自的 mAP 和召回率 yolo detect val model=runs/detect/train/weights/best.pt data=bus.yaml conf=0.25 yolo detect val model=runs/detect/train/weights/best.pt data=bus.yaml conf=0.40 yolo detect val model=runs/detect/train/weights/best.pt data=bus.yaml conf=0.55把三次结果里 mAP50 和每张图平均检测框数量抄到一张表里：
| 置信度阈值 | mAP50 | 每张图平均框数 | 观察结果 |
|---|---|---|---|
| 0.25 | 0.93 | 1.8 | 部分实拍图出现背景误检 |
| 0.40 | 0.91 | 1.1 | 误检明显减少，漏检不明显 |
| 0.55 | 0.87 | 0.9 | 开始丢失远处小目标公交 |
如果 0.40 和 0.55 之间的 mAP 下降不超过 3 个点，而误检少了三分之一，部署时我会选 0.45 到 0.5。实际部署时再根据现场反馈微调，值班人员嫌误检多就往高调，嫌漏检多就往低调，这个权衡没有统一答案。
这个动作虽然朴素，但特别实用。以前我拿到权重就默认 0.25 直接部署，被实拍误检折磨过两次之后，才养成了“先扫一遍门限再定阈值”的习惯。公交检测这种长期运行的固定场景项目，宁可阈值高一点漏掉几个远处目标，也不能让后台满屏飘误检框，毕竟后台报警的信任一旦被消耗掉，整个系统的价值就打折了。希望这个习惯也能帮到你。
本文还有配套的精品资源，点击获取
