讲师中心 微信公众号
首页
文章
后端开发 web前端 数据库 开发工具 php框架 常见问题 科技 Java 系统教程 电脑教程 硬件教程 手机教程 软件教程 游戏教程 自媒体 新闻
专题
后端开发 web前端 数据库 开发工具 php框架 科技 Java 系统教程 电脑教程 硬件教程 手机教程 软件教程 游戏教程 新闻
AI工具
AI 聊天问答 Agent智能体 AI 文本写作 AI 绘画作图 AI 设计工具 AI 视频创作 AI 音频制作 AI 办公学习 AI 编程开发 Prompt指令
学习
大前端 后端开发 数据库 移动端 运维开发 计算机基础
编程手册
大前端 后端开发 数据库 移动端 运维开发 计算机基础
下载
js特效 网站源码 工具下载 类库下载 网站素材 学习资源 插件扩展 手机游戏
最近更新
当前位置：首页 > 科技周边 > 人工智能 > 正文

0

0

PPYOLO训练行人检测模型

P粉084495128

P粉084495128

发布时间：2025-07-21 17:35:41

|

997人浏览过

|

来源于php中文网

原创

该内容为软件杯百度行人跟踪赛题中行人检测模型训练项目说明，介绍借助PaddleDetection工具的实现过程。包括解压MOT20、CrowdHuman数据集，克隆PaddleDetection仓库，处理数据集格式，训练模型，以及模型导出和推理等步骤，还提及版本差异及注意事项。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

ppyolo训练行人检测模型 - php中文网

前言：

 该项目是在准备今年软件杯百度行人跟踪赛题的其中一个项目：行人检测模型的训练。借助PaddleDetection这一工具可以很大程度的减小工作量，完成最终项目。

说废话之前，先强调一点，由于在生成新版本的时候，上传有限制。所以，不能把整个项目一起上传，因此，下面在运行的时候可能会有些小问题，多加小心哦~
下面我想说点“废话”。AI项目的落地其实是一个挺复杂的过程的，需要数据集的准备、网络模型的搭建、模型的训练、最后是模型的部署，虽然罗列起来大体就只有这四个步骤，但其实每个步骤都是有很多的工作要做的，或者说在学术界都是有很多研究的。如果不是偏向于学术，而仅仅只关注于项目的落地、创意的实现，其实AI Studio是一个很不错的平台，百度飞桨推出的一些库也是很不错的，因为它们大大减小了项目部署的工作量。当然，偏向于学术，用飞桨也不错哦！咳咳咳~~~，我没在推销，我很严肃的在说。嘿嘿~~
再插一嘴：软件杯最终的项目，再过会就公开哦！

       

OpenArt
OpenArt

在线AI绘画艺术图片生成器工具

下载

 emmmmmm,还是再贴一张图片吧。

PPYOLO训练行人检测模型 - php中文网        

一、准备数据集（MOT20、CrowdHuman）：

In [ ]
#!unzip -oq /home/aistudio/data/data77171/MOT20.zip!unzip -oq /home/aistudio/data/data78673/CrowedHuman.zip
   
把PaddleDetection从gitee的仓库里clone下来。不过，现在不建议git clone了。因为，我们当时使用的PaddleDetection默认使用的是静态图版，现在PaddleDetection已经更新了，默认使用的是PaddleDetection动态图版。（如果要用动态图版的，只需要在解压数据集的时候，把数据集放到dataset下面，然后后边在处理数据集的时候，路径稍微有一点点的不同）当然你也可以尝试使用该版本，不过下面的一些操作会有所一点点不同。如果你只是想安安静静的运行完该项目，得到最终训练好的网络模型的话，建议在解压好MOT20与CrowdHuman数据集之后，再使用我公开的数据集PaddleDetection_软件杯。
   
In [ ]
!git clone https://gitee.com/paddlepaddle/PaddleDetection.git -b release/2.0
   

1、CrowdHuman数据集的处理：

下面这个脚本任务是用来处理CrowdHuman数据集的。CrowdHuman中的标签信息是.odgt文件，我们需要把该数据集格式进行转换，转换成VOC格式数据集或者json格式，下面只是展示转换成VOC格式。感兴趣的小伙伴也可以尝试将其转换成json格式。（运行下面的脚本之前需要先创建一个文件夹“CrowdHuman_VOC"文件夹，并在该文件夹下创建名为“ImageSets”的文件夹。）
   
In [ ]
"""
参数：
roadimages CrowdHuman数据集中图片数据所在的根目录。
xml_save_path .odgt文件转换成xml文件后保存的位置。
感兴趣的小伙伴也可以进行尝试。
fpath 需要转换的.odgt文件。
"""from xml.dom import minidomimport cv2import osimport jsonfrom PIL import Image

roadimages = 'Images/'xml_save_path = "CrowdHuman_VOC/Annotations/train/"img_save_path = ''root_img_save = 'CrowdHuman_VOC/JPEGImages/train/'if not os.path.exists(xml_save_path):
    os.makedirs(xml_save_path)if not os.path.exists(root_img_save):
    os.makedirs(root_img_save)
    
fpath = "annotation_train.odgt"
 def load_func(fpath):
    assert os.path.exists(fpath)    with open(fpath, 'r') as fid:
        lines = fid.readlines()
    records = [json.loads(line.strip('\n')) for line in lines]    return records
train_txt = open('CrowdHuman_VOC/ImageSets/train.txt', 'w')
bbox = load_func(fpath)for i0, item0 in enumerate(bbox):    print(i0)    # 建立i0的xml tree
    ID = item0['ID']  # 得到当前图片的名字
    imagename = roadimages + ID + '.jpg'  # 当前图片的完整路径
    img_save_path = root_img_save + ID + '.jpg'
    savexml = xml_save_path + ID + '.xml'  # 生成的.xml注释的名字
    train_txt.write('{} {}\n'.format(img_save_path, savexml))    print(img_save_path, savexml)
    gtboxes = item0['gtboxes']
    img_name = ID
    floder = 'CrowdHuman'
    im = cv2.imread(imagename)
    cv2.imwrite(img_save_path, im)
    w = im.shape[1]
    h = im.shape[0]
    d = im.shape[2]
 
    doc = minidom.Document()  # 创建DOM树对象
    annotation = doc.createElement('annotation')  # 创建子节点
    doc.appendChild(annotation)  # annotation作为doc树的子节点
 
    folder = doc.createElement('folder')
    folder.appendChild(doc.createTextNode(floder))  # 文本节点作为floder的子节点
    annotation.appendChild(folder)  # folder作为annotation的子节点
 
    filename = doc.createElement('filename')
    filename.appendChild(doc.createTextNode(img_name + '.jpg'))
    annotation.appendChild(filename)

    size = doc.createElement('size')
    width = doc.createElement('width')
    width.appendChild(doc.createTextNode("%d" % w))
    size.appendChild(width)
    height = doc.createElement('height')
    height.appendChild(doc.createTextNode("%d" % h))
    size.appendChild(height)
    depth = doc.createElement('depth')
    depth.appendChild(doc.createTextNode("%d" % d))
    size.appendChild(depth)
    annotation.appendChild(size)
 
    segmented = doc.createElement('segmented')
    segmented.appendChild(doc.createTextNode("0"))
    annotation.appendChild(segmented)    
    for i1, item1 in enumerate(gtboxes):        # 提取全身框(full box)的标注
        boxs = [int(a) for a in item1['fbox']]        # 左上点长宽--->左上右下
        minx = str(boxs[0])
        miny = str(boxs[1])
        maxx = str(boxs[2] + boxs[0])
        maxy = str(boxs[3] + boxs[1])        # print(box)
        object = doc.createElement('object')
        nm = doc.createElement('name')
        nm.appendChild(doc.createTextNode('fbox'))  # 类名: fbox
        object.appendChild(nm)
        pose = doc.createElement('pose')
        pose.appendChild(doc.createTextNode("Unspecified"))        object.appendChild(pose)
        truncated = doc.createElement('truncated')
        truncated.appendChild(doc.createTextNode("1"))        object.appendChild(truncated)
        difficult = doc.createElement('difficult')
        difficult.appendChild(doc.createTextNode("0"))        object.appendChild(difficult)
        bndbox = doc.createElement('bndbox')
        xmin = doc.createElement('xmin')
        xmin.appendChild(doc.createTextNode(minx))
        bndbox.appendChild(xmin)
        ymin = doc.createElement('ymin')
        ymin.appendChild(doc.createTextNode(miny))
        bndbox.appendChild(ymin)
        xmax = doc.createElement('xmax')
        xmax.appendChild(doc.createTextNode(maxx))
        bndbox.appendChild(xmax)
        ymax = doc.createElement('ymax')
        ymax.appendChild(doc.createTextNode(maxy))
        bndbox.appendChild(ymax)        object.appendChild(bndbox)
        annotation.appendChild(object)
        savefile = open(savexml, 'w')
        savefile.write(doc.toprettyxml())
        savefile.close()
   
In [ ]
from xml.dom import minidomimport cv2import osimport jsonfrom PIL import Image

roadimages = 'Images/'xml_save_path = "CrowdHuman_VOC/Annotations/val/"img_save_path = ''root_img_save = 'CrowdHuman_VOC/JPEGImages/val/'if not os.path.exists(xml_save_path):
    os.makedirs(xml_save_path)if not os.path.exists(root_img_save):
    os.makedirs(root_img_save)
    
fpath = "annotation_val.odgt"
 def load_func(fpath):
    assert os.path.exists(fpath)    with open(fpath, 'r') as fid:
        lines = fid.readlines()
    records = [json.loads(line.strip('\n')) for line in lines]    return records
val_txt = open('CrowdHuman_VOC/ImageSets/val.txt', 'w')
bbox = load_func(fpath) 
for i0, item0 in enumerate(bbox):    print(i0)    # 建立i0的xml tree
    ID = item0['ID']  # 得到当前图片的名字
    imagename = roadimages + ID + '.jpg'  # 当前图片的完整路径
    img_save_path = root_img_save + ID + '.jpg'
    savexml = xml_save_path + ID + '.xml'  # 生成的.xml注释的名字
    val_txt.write('{} {}\n'.format(img_save_path, savexml))    print(img_save_path, savexml)
    gtboxes = item0['gtboxes']
    img_name = ID
    floder = 'CrowdHuman'
    im = cv2.imread(imagename)
    cv2.imwrite(img_save_path, im)
    w = im.shape[1]
    h = im.shape[0]
    d = im.shape[2]
 
    doc = minidom.Document()  # 创建DOM树对象
    annotation = doc.createElement('annotation')  # 创建子节点
    doc.appendChild(annotation)  # annotation作为doc树的子节点
 
    folder = doc.createElement('folder')
    folder.appendChild(doc.createTextNode(floder))  # 文本节点作为floder的子节点
    annotation.appendChild(folder)  # folder作为annotation的子节点
 
    filename = doc.createElement('filename')
    filename.appendChild(doc.createTextNode(img_name + '.jpg'))
    annotation.appendChild(filename)

    size = doc.createElement('size')
    width = doc.createElement('width')
    width.appendChild(doc.createTextNode("%d" % w))
    size.appendChild(width)
    height = doc.createElement('height')
    height.appendChild(doc.createTextNode("%d" % h))
    size.appendChild(height)
    depth = doc.createElement('depth')
    depth.appendChild(doc.createTextNode("%d" % d))
    size.appendChild(depth)
    annotation.appendChild(size)
 
    segmented = doc.createElement('segmented')
    segmented.appendChild(doc.createTextNode("0"))
    annotation.appendChild(segmented)    
    for i1, item1 in enumerate(gtboxes):        # 提取全身框(full box)的标注
        boxs = [int(a) for a in item1['fbox']]        # 左上点长宽--->左上右下
        minx = str(boxs[0])
        miny = str(boxs[1])
        maxx = str(boxs[2] + boxs[0])
        maxy = str(boxs[3] + boxs[1])        # print(box)
        object = doc.createElement('object')
        nm = doc.createElement('name')
        nm.appendChild(doc.createTextNode('fbox'))  # 类名: fbox
        object.appendChild(nm)
        pose = doc.createElement('pose')
        pose.appendChild(doc.createTextNode("Unspecified"))        object.appendChild(pose)
        truncated = doc.createElement('truncated')
        truncated.appendChild(doc.createTextNode("1"))        object.appendChild(truncated)
        difficult = doc.createElement('difficult')
        difficult.appendChild(doc.createTextNode("0"))        object.appendChild(difficult)
        bndbox = doc.createElement('bndbox')
        xmin = doc.createElement('xmin')
        xmin.appendChild(doc.createTextNode(minx))
        bndbox.appendChild(xmin)
        ymin = doc.createElement('ymin')
        ymin.appendChild(doc.createTextNode(miny))
        bndbox.appendChild(ymin)
        xmax = doc.createElement('xmax')
        xmax.appendChild(doc.createTextNode(maxx))
        bndbox.appendChild(xmax)
        ymax = doc.createElement('ymax')
        ymax.appendChild(doc.createTextNode(maxy))
        bndbox.appendChild(ymax)        object.appendChild(bndbox)
        annotation.appendChild(object)
        savefile = open(savexml, 'w')
        savefile.write(doc.toprettyxml())
        savefile.close()
   
In [ ]
!mv CrowdHuman_VOC PaddleDetection/dataset
   
In [ ]
train_new = open('dataset/CrowdHuman_VOC/ImageSets/train_new.txt', 'w')with open('dataset/CrowdHuman_VOC/ImageSets/train.txt', 'r') as f:    for info in f.readlines():
        info_ = info.strip().split(' ')        for file_ in info_:
            result = file_.strip().split('/')
            train_new.write('{}/{}/{} '.format(result[1], result[2], result[3]))
        train_new.write('\n')
   

2、MOT20数据集的处理：

下面这个脚本是用来将MOT20数据集进行转换，转换成VOC格式的数据集。
   
In [ ]
import cv2import osimport numpy as npimport timeimport argparseimport shutilimport codecsimport progressbar

train_20 = ['MOT20/train/MOT20-01/',                'MOT20/train/MOT20-02/',                'MOT20/train/MOT20-03/',                'MOT20/train/MOT20-05/']

test_20 = ['MOT20/test/MOT20-04/',               'MOT20/test/MOT20-06/',               'MOT20/test/MOT20-07/',               'MOT20/test/MOT20-08/']def parse_ini(dir):
    ini_fp = open(dir + 'seqinfo.ini','r')
    seq_info = ini_fp.readlines()
    seqLenth = int(seq_info[4][10:])
    imWidth = int(seq_info[5][8:])
    imHeight = int(seq_info[6][9:])    return seqLenth,imWidth,imHeightdef gennerate_gt(gt,Annotation,frame,filename,width,height):
    fp_gt = open(gt)
    gt_lines = fp_gt.readlines()

    gt_fram = []    for line in gt_lines:
        fram_id = int(line.split(',')[0])        if fram_id == frame:
            visible = float(line.split(',')[8])
            label_class = line.split(',')[7]            if (label_class == '1' or label_class == '2' or label_class == '7') and visible > 0.3:
                gt_fram.append(line)    with codecs.open(Annotation + filename + '.xml', 'w') as xml:
        xml.write('\n')
        xml.write('\n')
        xml.write('\t' + 'voc' + '\n')
        xml.write('\t' + filename + '.jpg' + '\n')        # xml.write('\t' + path + "/" + info1 + '\n')
        xml.write('\t\n')
        xml.write('\t\t The MOT-Det \n')
        xml.write('\t\n')
        xml.write('\t\n')
        xml.write('\t\t' + str(width) + '\n')
        xml.write('\t\t' + str(height) + '\n')
        xml.write('\t\t' + '3' + '\n')
        xml.write('\t\n')
        xml.write('\t\t0\n')        for bbox in gt_fram:
            x1 = int(bbox.split(',')[2])
            y1 = int(bbox.split(',')[3])
            x2 = int(bbox.split(',')[4])
            y2 = int(bbox.split(',')[5])

            xml.write('\t\n')
            xml.write('\t\tperson\n')
            xml.write('\t\tUnspecified\n')
            xml.write('\t\t0\n')
            xml.write('\t\t0\n')
            xml.write('\t\t\n')
            xml.write('\t\t\t' + str(x1) + '\n')
            xml.write('\t\t\t' + str(y1) + '\n')
            xml.write('\t\t\t' + str(x1 + x2) + '\n')
            xml.write('\t\t\t' + str(y1 + y2) + '\n')
            xml.write('\t\t\n')
            xml.write('\t\n')
        xml.write('')#用于校验图片数量和标注数量是否一致def check_num(data_dir, JPEGImage_dir,Annotations_dir=None,ori_num = 0):
    num = 0
    for folder in data_dir:
        folder_len,_,_ = parse_ini(folder)
        num += folder_len
    img_list = os.listdir(JPEGImage_dir)    if ori_num==0:
        img_num = len(img_list)    else:
        img_num = len(img_list)-ori_num    # print('img_num:',img_num)
    if Annotations_dir:
        ann_list = os.listdir(Annotations_dir)
        ann_num = len(ann_list)        assert ann_num == num    assert img_num == num,'if it is the second time run this demo, please delete the JPEGImages folder and retry'
    # print('num:', num)
    print('folders {} have been succeed checked'.format(data_dir))    return numdef main():
    
    """train_dirs = train_20"""
    test_dirs = test_20

    motyear = '20'
    folder = 'MOT' + motyear + 'Det'+'/VOC/'
    Annotations = folder+'Annotations/'+'val/'
    ImageSets = folder + 'ImageSets/'
    JPEGImages = folder + 'JPEGImages/'+'val/'
    Main = ImageSets + 'Main/'
    if not os.path.exists(Annotations):
        os.makedirs(Annotations)    if not os.path.exists(ImageSets):
        os.makedirs(ImageSets)    if not os.path.exists(JPEGImages):
        os.makedirs(JPEGImages)    if not os.path.exists(Main):
        os.makedirs(Main)    #fp_txt = open(ImageSets + 'train_all.txt', 'w')
    fp_test = open(ImageSets + 'test_all.txt', 'w')    for test_ in test_dirs:
        img2 = test_ + 'img1/'
        folder_id = test_[-3:-1]
        test_list = os.listdir(img2)
        test_seqLen,_,_ = parse_ini(test_)        assert test_seqLen==len(test_list)

        bar = progressbar.ProgressBar(maxval=len(test_list)).start()
        count = 0

        for img in test_list:
            count += 1
            bar.update(count)
            format_name = folder_id + img
            fp_test.writelines(format_name[:-4] + '\n')  # 将生成的新的文件名写入train_all.txt，用于后续数据集拆分
            shutil.copy(img2 + img, JPEGImages + '/' + format_name)  # 将文件移动到指定文件夹并重新命名

    fp_test.close()if __name__ == '__main__':
    main()
   
In [1]
!pip install pycocotools
   
In [ ]
#也可以尝试把转换后的VOC格式数据集转换成coco数据集格式后再进行训练!python PaddleDetection/tools/x2coco.py \
    --dataset_type voc \
    --voc_anno_dir MOT20Det/voc/Annotations \
    --voc_anno_list MOT20Det/voc/ImageSets/valid_all.txt \
    --voc_label_list MOT20Det/voc/label_list.txt \
    --voc_out_name voc_valid.json
       
Start converting !
100%|███████████████████████████████████████| 893/893 [00:00<00:00, 2474.32it/s]
       

二、模型的训练：

In [ ]
%cd PaddleDetection/
!pip install paddledet
   
由于生成VOC数据集的脚本文件有一点小问题，所以在训练之前要先把train.txt文件最后一行删除然后再保存进行训练。
   
In [2]
#mot20!python PaddleDetection/tools/train.py \
    -c ppyolo.yml \
    --vdl_log_dir ~/log_crowdhuman/ppyolo_voc \
    --use_vdl True
   
In [ ]
!python tools/export_model.py \
    -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml\    #-o output/ppyolov2_r50vd_dcn_365e_coco/model_final.pdparams\
    --output_dir inference_model
   

三、进行推理：

In [ ]
!python tools/infer.py \
    -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml \
    -o weights=output/ppyolov2_r50vd_dcn_365e_coco/model_final.pdparams \
    --infer_img=/home/aistudio/infer_img/00016.jpg \
    --draw_threshold=0.15
   
这里我只是把PaddleDetection里的相关代码提取出来，放到文件夹里。这种方式便于部署，用起来很舒服。嘿嘿~~。
   
In [ ]
import cv2from Detector_ppyolo import Detector

img = cv2.imread('MOT20Det/VOC/JPEGImages/train/01000313.jpg')
model_dir = 'inference_model/ppyolo'config = Config(model_dir)
detector = Detector(
    config, model_dir, use_gpu=False, run_mode='fluid')
result, detections = detector.predict(img, 0.15)print(detections)
   

相关文章

DeepSeek 在国产操作系统适配中的代码调整技巧

AI代码生成工具有哪些_一键生成Python/JS程序的AI工具推荐

豆包AI如何生成年终总结PPT_豆包AIPPT模板调用与内容填充【攻略】

Python人工智能项目实战：人脸识别与情感分析

利用Python和OpenAI构建代码求解AI：逐步教程

相关标签:

python git 工具 ai 百度 red igs

本站声明：本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系admin@php.cn

上一篇：【金融风控系列】_[1]_贷款违约预测 下一篇：基于PaddleDetection的疲劳驾驶检测系统

作者最新文章

【AI达人特训营】基于飞桨实现系统认证风险预测-异常检测

2025-08-01 17:14

我在AI Studio学编程

2025-08-01 17:25

【复现赛 NLP】 基于 Paddle 实现 Canine 模型

2025-08-01 17:27

基于PaddlePaddle2.2的数据建模研究助手

2025-08-01 17:30

给你的神经网络降低一个八度：八度卷积飞桨版本复现

2025-08-01 17:32

【PaddlePaddle+OpenVINO】用PaddeHub的ONNX模型

2025-08-01 17:36

飞桨常规赛：点击反欺诈预测 - 12月第7名方案

2025-08-01 17:39

PaddleHub DEMO项目合集(运行版)

2025-08-01 17:40

【PaddlePaddle】基础理论教程 - 前馈神经网络概论

2025-08-01 17:43

基于 Paddle2.0 实现 HarDNet 模型

2025-08-01 17:51

热门AI工具

更多
DeepSeek

DeepSeek

幻方量化公司旗下的开源大模型平台

AI大模型

开放平台
豆包大模型

豆包大模型

字节跳动自主研发的一系列大型语言模型

AI大模型
通义千问

通义千问

阿里巴巴推出的全能AI助手

AI大模型
腾讯元宝

腾讯元宝

腾讯混元平台推出的AI助手

文档处理

Excel 表格
文心一言

文心一言

文心一言是百度开发的AI聊天机器人，通过对话可以生成各种形式的内容。

AI大模型

中文写作
讯飞写作

讯飞写作

基于讯飞星火大模型的AI写作工具，可以快速生成新闻稿件、品宣文案、工作总结、心得体会等各种文文稿

中文写作

写作工具
即梦AI

即梦AI

一站式AI创作平台，免费AI图片和视频生成。

图片拼接

图画生成
ChatGPT

ChatGPT

最最强大的AI聊天机器人程序，ChatGPT不单是聊天机器人，还能进行撰写邮件、视频脚本、文案、翻译、代码等任务。

AI大模型

中文写作
智谱清言 - 免费全能的AI助手

智谱清言 - 免费全能的AI助手

智谱清言 - 免费全能的AI助手

AI大模型

PDF 文档

相关专题

更多
ip地址修改教程大全
ip地址修改教程大全

本专题整合了ip地址修改教程大全，阅读下面的文章自行寻找合适的解决教程。

86

2025.12.26

压缩文件加密教程汇总
压缩文件加密教程汇总

本专题整合了压缩文件加密教程，阅读专题下面的文章了解更多详细教程。

50

2025.12.26

wifi无ip分配
wifi无ip分配

本专题整合了wifi无ip分配相关教程，阅读专题下面的文章了解更多详细教程。

100

2025.12.26

漫蛙漫画入口网址
漫蛙漫画入口网址

本专题整合了漫蛙入口网址大全，阅读下面的文章领取更多入口。

293

2025.12.26

b站看视频入口合集
b站看视频入口合集

本专题整合了b站哔哩哔哩相关入口合集，阅读下面的文章查看更多入口。

589

2025.12.26

俄罗斯搜索引擎yandex入口汇总
俄罗斯搜索引擎yandex入口汇总

本专题整合了俄罗斯搜索引擎yandex相关入口合集，阅读下面的文章查看更多入口。

725

2025.12.26

虚拟号码教程汇总
虚拟号码教程汇总

本专题整合了虚拟号码接收验证码相关教程，阅读下面的文章了解更多详细操作。

63

2025.12.25

错误代码dns_probe_possible
错误代码dns_probe_possible

本专题整合了电脑无法打开网页显示错误代码dns_probe_possible解决方法，阅读专题下面的文章了解更多处理方案。

30

2025.12.25

网页undefined啥意思
网页undefined啥意思

本专题整合了undefined相关内容，阅读下面的文章了解更多详细内容。后续继续更新。

94

2025.12.25

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

相关下载

更多
php商城系统
淘源码商城PHP淘宝查信誉
PHP房产程序[BBWPS]
PHP简约自动发卡平台个人版
ERMEB域名PHP离线网络授权系统
Difeye-敏捷的轻量级PHP框架
大泉州汽车网PHP整站程序

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
最新Python教程 从入门到精通
最新Python教程 从入门到精通

共4课时 | 0.6万人学习

Django 教程
Django 教程

共28课时 | 2.5万人学习

SciPy 教程
SciPy 教程

共10课时 | 0.9万人学习

最新文章

更多
Claude怎么用新功能诗歌创作_Claude诗歌创作使用【方法】
百度ai助手工具栏怎么关 百度ai助手状态栏隐藏
文心一言处理大规模中文报表数据的清洗技巧
孩子作文写不出来？教你用AI引导孩子构思，写出优秀范文
如何用AI帮你设计调查问卷？科学提问，精准收集反馈
Gemini怎样用快捷指令_Gemini快捷指令使用教程【步骤】
Midjourney怎样写风格化提示词_Midjourney风格提示词写法【教程】
途牛旅游AI怎样设置抢票提醒_途牛AI抢票提醒时间与频率设置【方法】
即梦ai能否生成节日主题插画_即梦ai节日主题关键词与元素库使用【攻略】
佐糖AI抠图能否识别商品白底_佐糖AI电商白底图自动处理流程【教程】
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网：公益在线php培训，帮助PHP学习者快速成长！
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号

  • PHP学习

  • 技术支持

  • 返回顶部