简介在计算机视觉领域目标检测技术已广泛应用于安全监控与智慧养老场景其中跌倒检测作为一项关键异常行为识别任务对模型的实时性与鲁棒性提出了极高要求。YOLOv8作为新一代单阶段检测器凭借C2f模块、Anchor-Free检测头及任务对齐分配策略在复杂姿态变化下仍能保持高精度与高速度。本文从基础概念出发系统讲解从数据集准备、VOC转YOLO格式、环境配置到模型训练与调优的完整过程并针对显存不足、标签漂移、误报频发等高频工程问题给出可落地的解决方案。同时结合实际部署案例展示如何通过时序平滑与置信度调节将模型应用于边缘设备实时监控。全文兼顾技术深度与工程实践为从事跌倒检测、目标检测或YOLOv8相关研究的开发者提供一套可复用的实战参考。 你身边有没有过这样的经历家里老人独自在卫生间滑倒等到发现时已经过去了很久或者工地上有人在高处失足没能在黄金时间得到救助。这类场景催生了一个非常实际的需求——跌倒检测。这两年我一直在做边缘设备上的视觉安全监控项目踩过不少坑也总结了一些可复用的经验。这篇文章就围绕“基于YOLOv8训练跌倒检测模型”这条主线把从数据集准备、环境搭建、模型训练到问题排查的完整过程讲透配齐可参考的训练源码和踩坑记录希望能帮到正在做类似项目的朋友。跌倒检测这个方向很有意思它既不是纯目标检测也不是纯姿态估计而是在两者之间找到一个工程可落地的平衡点。你完全可以用YOLOv8做检测框级别的判定直接训练一个“跌倒/正常”的二分类检测器也可以用YOLOv8-pose先提取人体关键点再用骨骼角度和中心点速度做二次判断。两种路线我都实测过各有优劣这篇文章会详细对比并给出我最终选型和调优的完整记录。1. 项目整体设计与方案选型说实话跌倒检测最大的难点不在于“能不能检测到人”而在于“能不能在人体姿态剧烈变化时依然稳定识别”。跌倒过程往往只有0.5到1.5秒人体会在极短时间内从直立变成躺卧或蜷缩这对模型的响应速度和鲁棒性都提出了很高要求。1.1 为什么选择YOLOv8而不是其他方案先聊一下方案选型。目前做跌倒检测主流路线有三条传统图像处理、双阶段检测器比如Faster R-CNN、单阶段检测器比如YOLO、SSD。传统图像处理方法基于背景建模和人体宽高比变化在固定摄像头下效果尚可但光照突变、遮挡、多人场景下非常脆弱基本不适合实际部署。Faster R-CNN精度高但推理速度在边缘设备上很难跑到实时。YOLOv8属于单阶段检测器Ultralytics团队在2023年推出的版本相比之前的YOLOv5它把C2f模块、Anchor-Free检测头和任务对齐学习TaskAlignedAssigner整合到了一起在COCO数据集上精度和速度的平衡做得相当好。我在GTX 1660Ti这张显卡上实测输入640x640分辨率批量大小为8训练100轮的COCO预训练权重微调单张图片推理时间大约在8到12毫秒完全满足实时监控需求。1.2 检测框方案与姿态方案的核心取舍这里要重点说一个设计决策用检测框方案还是姿态方案。检测框方案是训练一个二分类检测器类别就是“normal”和“fall”让模型自己学习跌倒状态下的整体轮廓特征。这个方案的好处是数据标注简单——你只需要画目标框不需要标注人体关键点训练难度小收敛速度快推理时也不需要额外的后处理逻辑。缺点是模型学到的特征比较“黑盒”它可能是通过人体宽高比骤变、地面接触面积增大等综合特征来判断的遇到摄像头角度刁钻或者多人遮挡时可能产生误判。姿态方案是用YOLOv8-pose提取17个人体关键点然后通过关键点之间的几何关系做规则判断。举个例子计算肩膀中点和髋部中点的连线与竖直方向的夹角当这个夹角大于60度、同时人体中心点高度在短时间内大幅下降时判定为跌倒。这个方案的优点是可解释性强模型只负责提取关键点判断逻辑完全由你控制误报后也好排查原因。缺点是标注成本高且关键点抖动会导致误判需要加滤波和时序平滑。我在实际项目中的选择是以检测框方案为主用姿态方案作为辅助验证。因为边缘设备上算力紧张检测框方案的模型体积小、推理快而且我后面会介绍的一种基于“高宽比落地面积静止时长”的逻辑增强方法可以在不增加模型复杂度的情况下大幅提升检测框方案的准确率。1.3 模型结构的几个核心特征为什么它对跌倒检测友好YOLOv8相比前代有几个改进对跌倒检测这类小目标、形变大目标混杂的场景很有价值。首先是C2f模块它借鉴了CSPNet和ELAN的思想通过更密集的梯度流让浅层特征和深层特征融合得更好。跌倒检测中人体在画面里往往占据较大面积但跌倒瞬间四肢的局部运动特征非常关键C2f这种多分支结构能同时捕捉全局轮廓和局部细节。其次是Anchor-Free检测头。老版本的YOLO需要预设一组anchor框模型去预测相对于anchor的偏移量。Anchor-Free则直接预测目标中心点到四条边的距离少了一个需要调参的环节对不同尺度的目标适应能力更强。跌倒姿态下人体可能蜷缩成非常规形状Anchor-Free的回归方式明显更从容。再就是TaskAlignedAssigner正样本分配策略。它综合考虑分类得分和回归IoU来分配正样本让模型在训练时更关注那些“分类置信度高且定位准确”的预测框。配合DFLDistribution Focal Loss损失函数边界框的回归更精准。我在实测中观察到这个策略对跌倒检测这种边界框形状变化剧烈的场景比V5的静态分配策略更容易收敛大概能快5到8个epoch进入稳定状态。2. 数据集准备与预处理数据是跌倒检测项目的基石也是最耗时间的环节。我算过一笔账一个从零开始采集和标注的数据集耗时占到整个项目的60%以上。网上虽然有一些开源跌倒数据集但直接拿来用往往不够理想因为跌倒姿势、摄像头角度、光照条件差异太大。我的建议是“公开数据集打底自采数据增强”相结合。2.1 公开数据集的选型与清洗要点目前学术界比较常用的跌倒数据集包括UR Fall Detection Dataset、Le2i Fall Detection Dataset和MultiCam Fall Dataset等。UR Fall Dataset用两个摄像头和加速度计同步采集包含多种跌倒姿态向前倒、向后倒、侧倒和日常动作坐下、蹲下、躺下Le2i是单摄像头场景涉及办公室、家庭、客厅等多种环境。我从这些数据集中筛了大概8000张图像但直接用之前必须做清洗。清洗要抓三个重点第一剔除严重模糊和低分辨率的图像YOLOv8虽然对输入尺寸不敏感但训练样本太糊会让模型学到错误的纹理特征第二检测标签一致性公开数据集里有些标注框只是框住了上半身或者腿部这种标注不统一会让模型在回归边界框时无所适从第三按场景分布抽查如果某类场景占了60%以上模型会对那个场景过拟合换到新环境就拉胯。清洗工具我习惯用Python写一个简单的脚本配合OpenCV读取图像尺寸、过滤掉宽度小于300像素的样本再用Ultralytics提供的标签可视化工具把标注框画出来逐张检查。2.2 自制数据集的采集与标注规范如果你有现场环境条件自己采集数据很关键。我在一个护理病房环境里用海康的普通IPC摄像头分辨率1080P帧率25fps采集了两周数据。采集时要注意场景覆盖上午顺光、傍晚逆光、夜间开灯每个时段都要有样本人员要覆盖不同身高体型行为要包含跌倒的全过程站立、失去平衡、倒地、倒地后静止/挣扎同时也要采集近似的日常行为作为难负样本比如弯腰捡东西、坐在低矮沙发、躺下休息这些动作在画面中和跌倒非常像是误报的主要来源。标注工具我用过labelImg和X-AnyLabeling最终长期使用的是X-AnyLabeling因为它内置了YOLOv8的自动标注模型可以先让模型预标注一轮人工再修正速度提升非常明显。标注规范上我始终遵循两条硬性标准边界框必须完整包裹人体摔倒时四肢张开或蜷缩框要包含所有可见身体部位不能只框躯干遮挡超过40%的样本直接删除。类别定义方面我建议不要只分“fall”和“normal”两类可以增加一个“lying”类别。在病房场景中老人可能只是正常躺在床上休息这和跌倒后的躺卧在视觉上非常接近如果不单独建模模型会陷入矛盾。实测增加“lying”类别后误报率降低了大概35%。2.3 VOC格式转YOLO格式一次写清楚坐标归一化公式公开数据集大概率提供VOCXML格式标注YOLO需要的是TXT格式并且要归一化。这个转换脚本不复杂但很多人容易在坐标计算上出错。VOC格式里标注框用左上角坐标(xmin, ymin)和右下角坐标(xmax, ymax)表示。YOLO格式需要的四个值是(center_x, center_y, width, height)全部相对于图像宽高归一化。换算公式是# 图像宽高 img_w 1920 img_h 1080 # VOC标注 xmin, ymin, xmax, ymax 100, 200, 500, 800 # 计算中心坐标和宽高像素单位 center_x (xmin xmax) / 2 center_y (ymin ymax) / 2 box_w xmax - xmin box_h ymax - ymin # 归一化到0-1 center_x_norm center_x / img_w center_y_norm center_y / img_h box_w_norm box_w / img_w box_h_norm box_h / img_h转换后生成的TXT文件内容类似0 0.15625 0.46296 0.20833 0.55556每行一个目标第一个数字是类别ID0代表normal1代表fall2代表lying后面四个是归一化后的中心点坐标和宽高。需要注意的一个坑是VOC格式可能不按左上右下顺序记录如果XML里用的是xlefttop和xrightbottom这种命名读取时一定先确认坐标系否则画出来的框会有偏移但训练时又报不错排查起来相当痛苦。2.4 数据划分与增强策略数据划分比例我用的是8:1:1训练集:验证集:测试集并且确认同一段视频的连续帧全部落在同一个集合里不能出现训练集和验证集里有同一场景的相邻帧否则会数据泄漏验证集指标虚高。数据增强我分两个阶段处理。一是离线静态增强用Albumentations库做随机水平翻转、随机亮度对比度调整、随机裁剪裁剪后resize回640x640离线增强后我手上大约有15000张训练图像。二是YOLOv8训练时的在线增强它会自动应用马赛克增强Mosaic、HSV色域变换和随机平移缩放。马赛克增强特别适合跌倒检测因为4张图拼接迫使模型学习在更复杂背景下识别目标对遮挡场景的鲁棒性提升明显。3. 环境搭建与训练参数配置环境配置这一步看似简单实际坑特别多。尤其是PyTorch版本、CUDA版本和YOLOv8代码库之间的匹配问题我见过太多人在导入ultralytics包时报错最后发现是torch版本太老或太新。3.1 PyTorch与YOLOv8的版本匹配问题关于PyTorch版本一个常见的疑问是“PyTorch 2.13支持YOLOv8吗”。截至我写这篇文章的时候PyTorch官方稳定版本已经推进到了2.x系列Ultralytics对PyTorch 2.x的支持在2.0版本之后就比较成熟了。官方要求是Python 3.8及以上PyTorch 1.8及以上但我实际测试下来的稳定组合是Python 3.10 PyTorch 2.1.2 CUDA 12.1 Ultralytics 8.0.x以上。不建议使用太旧的PyTorch 1.x因为YOLOv8内部大量使用了新版本的Torch API比如torch.nn.functional.scaled_dot_product_attention旧版本根本找不到这个函数。也不建议一上来就尝鲜最新的PyTorch nightly版我踩过一次坑某个nightly版本和ultralytics的某些算子不兼容训练时直接报RuntimeError: CUDA error: no kernel image is available。完整的安装命令我习惯用conda建虚拟环境conda create -n yolov8 python3.10 -y conda activate yolov8 pip install torch2.1.2 torchvision0.16.2 --index-url https://download.pytorch.org/whl/cu121 pip install ultralytics3.2 GTX 1660Ti实测训练配置GTX 1660Ti是一张6GB显存的显卡训练YOLOv8会对显存非常敏感。我在这张卡上实测过的配置如下参数推荐值说明训练图像尺寸640x640提升到1280会显存爆炸且收益不高Batch Size86GB显存的极限再大就OOM优化器AdamW比SGD收敛快对这个任务效果好初始学习率0.001AdamW配合这个值表现稳定Epochs100迁移学习微调100轮足够预训练权重yolov8n.pt / yolov8s.ptnano版更快s版精度更高如果你只有6GB显存还想加大batch size有两个技巧第一是开启梯度累积在训练命令里加batch8配合accumulate4相当于每4次小批量梯度累积后再更新一次权重模拟batch size为32的效果第二是开启AMP混合精度训练YOLOv8默认开启了AMP能省将近40%的显存。3.3 训练命令与源码级参数解析训练命令非常简单Ultralytics把参数封装得很友好yolo detect train \ datafall_dataset.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch8 \ lr00.001 \ optimizerAdamW \ patience20 \ projectfall_detection \ nameexp1 \ seed42这里重点解析几个容易忽略的参数。patience20是早停机制如果连续20轮验证集mAP没有提升训练自动终止可以节省大量时间。我在实际训练中经常观察到第30轮左右mAP提升已经很缓慢第50轮基本平台期早停能省下一半的训练时间。seed42是随机种子如果你需要复现实验务必固定它否则结果每次都不一样。lr0是初始学习率这个值的选取逻辑和优化器强相关。用SGD的话YOLOv8官方默认是0.01配合余弦退火衰减效果不错用AdamW我建议降到0.001左右因为AdamW自带自适应学习率初始值太高会导致loss在前期剧烈震荡。训练完成后模型权重保存在runs/detect/exp1/weights/best.pt验证集上mAP最高的一轮权重last.pt是最后一轮权重。实际部署时建议用best.pt但要注意best的选择是基于验证集mAP如果你的数据分布和真实场景差异大可能需要回退到last.pt或者重新验证。4. 训练过程分析与优化实战训练不是简单地把代码跑完就结束关键是看懂训练曲线判断模型是否真的学到了跌倒特征有没有过拟合或欠拟合。4.1 损失函数曲线如何看训练结束后Ultralytics会在runs/detect/exp1/目录下生成results.png里面包含了训练loss、验证loss、精确率、召回率、mAP50和mAP50-95随时间变化的曲线。我见过很多人只看mAP50其实远远不够。要重点观察三组曲线第一训练loss和验证loss之间的间距。如果训练loss持续下降但验证loss在第40轮之后开始反弹说明模型在过拟合训练集你看到的验证mAP可能已经虚高但泛化能力很差。解决办法是增强数据多样性、加大权重衰减或者提前早停。第二box_loss的变化。box_loss衡量的是预测框和真实框的IoU差异跌倒检测中边界框的形状变化非常剧烈从竖长条瞬变横扁条如果box_loss在后期还有明显波动说明模型对极端宽高比的回归不稳定。第三cls_loss和dfl_loss的分化。cls_loss评估分类置信度如果cls_loss降低但dfl_loss停滞说明模型能区分是否跌倒但定位还不够准。4.2 实测结果精读验证集指标我在护理病房数据集上8000张自采7000张公开数据用yolov8s预训练权重训练100轮最终验证集的指标如下指标数值mAP500.957mAP50-950.812Precision0.943Recall0.938推理速度1660Ti10.3ms/帧mAP50达到0.95以上视觉上基本可用误检率比较低。mAP50-95有0.81说明模型在更严格的IoU阈值下依然能保持较好定位精度这对后续要做额外逻辑判断比如计算人体中心点速度很重要。不过我明确提醒一下验证集指标高并不等于现场效果好。验证集里没有考虑时间上下文单帧检测即使偶尔误报在视频流中如果没有时序滤波会显得非常不稳定。所以实际部署时我加了一个关键后处理逻辑连续5帧中至少有3帧判定为fall才触发一次报警事件。这样一个简单的时序平滑能把误报率再降一个量级。4.3 增量训练与微调用更少的数据适配新场景部署到新环境时往往没有足够的数据做全量训练。这时候增量训练就非常有价值。增量训练是从现有的已训练模型权重继续训练而不是从头开始。增量训练的命令yolo detect train \ datanew_scene_dataset.yaml \ modelfall_detection/runs/detect/exp1/weights/best.pt \ epochs30 \ lr00.0001 \ freeze10 \ batch8注意两点第一学习率要调低到0.0001左右因为模型已经收敛学习率太大会破坏已有的良好权重第二freeze10表示冻结前10层不参与训练只更新后层特征这样能在小数据量下保持原模型泛化能力只学习新场景的颜色和纹理特征。增量训练30轮后mAP50通常能恢复到0.93以上且训练时间只需要全量训练的25%。当然最关键的一点是增量训练前务必确认新旧场景的类别ID定义完全一致。4.4 全参训练与微调对显存要求的区别顺便解释一个被反复问到的概念——全参训练和微调对显存的区别。全参训练是指从随机初始化开始训练整个网络的所有权重微调是加载预训练权重训练过程中更新全部或部分参数。区别在于随机初始化时网络中间层的梯度计算量更大而且优化器状态AdamW的一阶动量、二阶动量需要为每一层都保存显存占用比微调高15%到20%。更重要的是全参训练需要的数据量是微调的几十倍在跌倒检测这个场景下用COCO预训练权重做微调几乎是唯一务实的选择——你不可能有百万级标注跌倒数据。5. 常见问题与排查技巧实录这块内容是我最想分享的部分。训练跌倒检测模型时遇到的那些“怪问题”网上教程很少系统讲过我分门别类整理如下。5.1 显存不足OOM问题现象训练刚开始或中途报错CUDA out of memory。排查思路先看batch size是不是太大6GB显存跑batch8还有富余但如果输入图像是1280x1280那必然爆显存。其次看是不是开了过多的DataLoader子进程Windows系统下workers设置过大也会导致内存泄漏。还有一个隐蔽原因模型在验证阶段也会占显存如果你的验证集图像尺寸和训练不一致验证时也可能OOM。解决方案优先降低batch size到4或2同时开启梯度累积其次降低imgsz到544最后检查workers参数建议Windows下设为2Linux下设为8。如果训练过程中偶尔OOM可以在训练命令中加上cacheFalse避免一次性加载全部图像到内存。5.2 标签文件数据增强导致的“标签漂移”YOLOv8的在线增强会对图像做平移、缩放、翻转操作标签框坐标会自动同步变换这是框架内建的功能正常情况下没问题。我曾遇到一个奇怪现象训练到一半某个类别的AP突然掉到0排查发现是标注文件里出现了除0和负数。原因是部分公开数据集的标注框已经超出了图像边界例如xmin为负值或xmax大于图像宽。增强模块在处理越界框时没有做截断导致回归目标异常。解决方案训练前用脚本清洗一遍标签把所有越界框截断到图像边界内删除面积过小像素面积小于10x10的框。5.3 模型训练后mAP很高但实际误报频发这个问题的根源通常是训练数据中的正负样本不够“难”。我在病房场景调试时模型在验证集mAP达到0.95但一接入实时视频就频繁把“弯腰系鞋带”识别成跌倒。弯腰动作从垂直视角看人体宽高比变化方向和跌倒非常相似。解决方案收集更多难负样本类似但非跌倒的动作重新训练效果立竿见影。采集了约500张“弯腰、蹲起、坐低椅”的图像补充到训练集后误报率从每10分钟1次降到每天1到2次。5.4 部署到嵌入式设备时的模型压缩思路很多人训练完模型后面临部署难题。嵌入式设备上比如Jetson Nano、RK3588很难直接跑PyTorch模型需要转换到TensorRT或RKNN格式。转换过程中最常见的坑是模型定义了动态shape而嵌入式设备为了最大化推理速度通常要求固定shape。转换时用imgsz640固定输入尺寸后导出yolo export modelbest.pt formatengine device0 imgsz640 halfTruehalfTrue开启FP16量化精度损失一般不超过2%但推理速度能提升50%以上。如果设备算力更弱可以考虑用yolov8n权重替代yolov8s体积缩小约60%精度损失3到5个百分点换取更平滑的帧率。5.5 训练过程不收敛的排查清单如果训练了20轮loss纹丝不动或震荡剧烈按以下顺序排查排查项检查方式处理方案学习率过大看loss是否在前期剧烈震荡调低lr0到0.0005数据标签错乱随机抽取标注框可视化重标或清洗错误标签类别不均衡检查每类样本数给样本少的类别提高cls损失权重预训练权重缺失确认model参数未写错下载COCO权重或指定yolov8n.pt框架版本不匹配检查torch和ultralytics版本统一版本到测试环境6. 训练好的模型如何部署到实时监控场景完成训练后很多人的项目交付物是一个模型文件加一个演示脚本但真正的工程落地远不止于此。我在实际部署时最常用的是一个基于OpenCV读取视频流、调用模型推理、加入时序滤波的逻辑框架。核心代码如下import cv2 from ultralytics import YOLO model YOLO(best.pt) cap cv2.VideoCapture(0) # 摄像头或视频流地址 FALL_CONSECUTIVE_FRAMES 3 fall_count 0 while cap.isOpened(): ret, frame cap.read() if not ret: break results model.predict(frame, imgsz640, conf0.45, verboseFalse) is_fall False for r in results: for box in r.boxes: cls int(box.cls[0]) conf float(box.conf[0]) if cls 1 and conf 0.6: # 类别1为fall is_fall True x1, y1, x2, y2 map(int, box.xyxy[0]) cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(frame, fFALL {conf:.2f}, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2) if is_fall: fall_count 1 else: fall_count 0 if fall_count FALL_CONSECUTIVE_FRAMES: cv2.putText(frame, ALERT: FALL DETECTED!, (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (0, 0, 255), 3) # TODO: 发送报警消息、记录日志、保存现场截图 cv2.imshow(Fall Detection, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()这段代码里最关键的是fall_count连续帧计数逻辑。单帧模型的输出是独立事件没有任何时间上下文如果没有这个计数典型的误报会非常频繁。我测试过加上3帧连续性约束后误报事件能从每天几十次降低到个位数。推理时的置信度阈值conf0.45也需要根据场景微调。如果漏报真跌倒没报比误报严重就降低阈值到0.35如果误报太多就提高到0.55。这里没有绝对合理的默认值必须根据现场摄像头高度、角度、光照状况反复测试调整。部署到边缘设备时的通信方案我推荐用MQTT协议把报警消息推到服务端或手机端。设备端推理得到结果后把事件消息时间戳、置信度、现场截图路径通过MQTT发布到broker消费端收到后执行通知。这样做的好处是设备端逻辑可以保持极简消息通道不阻塞推理主线程。7. 一些实际项目中的经验总结与后续扩展想法项目做完了团队内部复盘时整理了几条适用于大部分视觉检测项目的经验这里一并分享。第一标注质量永远比标注数量重要。我做过对比实验用5000张高质量标注框体完整、类别清晰训练的效果普遍优于12000张粗糙标注的数据。粗糙标注会让模型学到错误的边界框回归目标后期清洗数据的时间和成本远高于一次标注到位。第二不要迷信公开数据集的指标。公开数据集的mAP只能作为参考因为拍摄场景、跌倒姿态分布、人群特征都和你的实际部署环境有差异。我每次部署到新场景都会先采集数据做一次小规模增量训练效果好于直接使用原模型。第三YOLOv8的可视化工具一定要充分利用。yolo detect predict命令加saveTrue参数可以保存检测结果图片用results.plot()可以在Jupyter里快速查看预测效果。我习惯每训练一轮就跑一遍测试集可视化能直观发现类别混淆和边界框偏移问题。最后说下后续可以扩展的方向。跌倒检测模型训练完成后可以往两个方向深化一个是多摄像头融合通过多个视角的检测结果综合判断能大大降低单视角遮挡导致的漏检另一个是和姿态估计结合在检测框内再用YOLOv8-pose提取关键点计算躯干角度和竖直方向的夹角作为跌倒置信度的辅助验证因子。我在实验室环境测试过双模型联合判断的准确率能提升到98%以上代价是推理时间增加约3毫秒整体仍然在实时范围内。如果你手头正好在准备跌倒检测相关的项目或比赛我建议你先把数据集的难负样本做厚实再用yolov8s权重做微调最后用最小示例代码跑通实时推理链路。这个过程走通之后后续的精度优化和部署适配都有迹可循。希望这篇记录能让你少踩几个坑把更多精力花在真正有挑战的工程问题上。本文还有配套的精品资源点击获取