1. 项目概述与目标定位做机器视觉方向的项目也有一段时间了手头过手的检测方案少说也有五六套。但从实际反馈来看最受关注的还是这类“带界面、带训练代码、带数据集”的完整闭环项目比如这次要拆解的这个基于深度学习的苹果检测系统。很多人一听到“苹果检测”就觉得简单不就是识别个苹果嘛。但真正上手做过才知道这里面坑不少。苹果这东西不像工业零件它没有统一的形状、颜色受光照影响极大、生长场景中枝叶遮挡严重有时候两个果子挨在一起连人都要仔细分辨一下边界更别说让模型去学。所以这个项目表面是一个“苹果识别”实际上是把目标检测领域里从数据准备、模型选型、训练调优到应用部署这一整条链路都走了一遍。这个项目最大的价值在于两点。其一它把多个版本的YOLOv5、v8、v11、v12放在同一套体系中可以非常直观地对比不同迭代版本之间的性能差异这种横向对比在真实工程里非常少见因为大多数人只会用自己熟悉的那一套其二它配备了完整的PyQt5图形界面让模型不再只是一个黑盒脚本而是可以鼠标点点就能完成检测交互的工具。这个系统适合谁去看、去参考如果你是刚接触目标检测的学生你可以通过这套代码理解一张图片从输入到输出的完整流转过程如果你是有一定经验的开发者你可以重点关注不同YOLO版本在相同数据集上的表现差异以及PyQt5界面与检测引擎之间的线程交互设计即便你只是需要一套毕业设计或者项目演示的底子这套系统的目录结构、代码组织方式也有很高的参考价值。接下里的内容我会按照这套系统的核心构成来拆解先分析整体方案为什么这么设计再逐个讲解数据、模型、界面三条主线的实现细节接着展示完整的训练到部署流程最后把我在实操中遇到的一些典型问题整理出来。整个项目我前前后后跑了两个星期踩了不少坑把这些记录下来能帮你少走很多弯路。2. 整体方案设计与技术选型分析2.1 为什么选YOLO系模型做苹果检测先聊模型选型。苹果检测属于典型的小目标密集检测场景——果园里的苹果通常有大量重叠、互相遮挡而且单颗果实占整张图像的面积比例往往很小。这种情况下两阶段检测器比如Faster R-CNN系列虽然精度上限高但推理速度实在跟不上实时预览的需求传统图像处理方案颜色分割、边缘检测之类在受控光照下勉强能用一到自然光照条件就彻底露馅。YOLO系列作为一阶段检测器的代表在速度和精度的平衡上做得相当好。它的核心思想非常直接把检测问题当作回归问题来处理直接在图像上预测边界框和类别。你再也不用像两阶段检测器那样先“找出可能有物体的区域”再“在区域内做分类”而是“看一眼全图直接告诉我哪里有东西、是什么”。具体到苹果这种目标YOLO的锚框机制其实天然有优势——你只需要把锚框参数调成适配圆形小目标的尺寸模型的收敛速度和最终精度都会有明显改善。此外YOLO系列在工程部署上的生态非常成熟无论是ONNX导出还是TensorRT加速都有大量现成方案这对后续做嵌入式设备部署非常关键。2.2 YOLOv5/v8/v11/v12各版本特性对比这套系统把四个版本的YOLO整合起来做对比这个思路我很认同。很多人在选型时只看精度排行却忽略了不同版本背后的设计哲学差异。YOLOv5是经典的“入门款”它没有特别花哨的结构创新但胜在稳定、社区生态庞大。它的CSPDarknet骨干网络和PANet特征融合结构至今看也不过时。如果你只需要一个可靠、跑通即用的方案v5依然是不错的选择尤其是在CPU或者低端GPU上v5的推理效率在四者中最均衡。YOLOv8在v5的基础上引入了C2f模块替代C3同时把检测头换成了解耦头分类和回归分支分开并加入了Anchor-Free机制。这意味着它不再依赖预设锚框的尺寸是否贴近目标分布对苹果这类形状相对统一的目标反而减少了一堆调参工作。v8在训练稳定性上显著提升尤其当你的数据集质量参差不齐、标注边界不清晰时v8的容错能力比v5好得多。YOLOv11其实是v8路线的升级版它的改进点在于跨尺度特征融合的细化处理对小目标的召回率有明显改善。我实测下来v11对图像边缘区域的苹果感知能力比v8更强但相应的显存占用和训练时间也会上涨。YOLOv12最大的变化是引入了区域注意力机制它能更有效地抑制复杂背景对目标的干扰。果园环境的背景天然混乱——树叶、枝干、天空、地面杂草这些干扰信息很容易让模型把“类似苹果的圆形色块”误判为目标。v12的区域注意力恰好能压制这类误检。不过这个版本的训练成本较高且对数据标注质量要求更严如果标注框稍微偏了半个身位v12的收敛效果可能反而不如v8。我画了一张简表方便你直观对照模型版本骨干网络核心特点检测头机制苹果检测场景优劣势训练成本YOLOv5CSPDarknetAnchor-Based稳定易用小目标需手动调锚框低YOLOv8C2f结构Anchor-Free解耦头训练稳容错强均衡之选中YOLOv11跨尺度融合强化Anchor-Free小目标召回高边缘检测好中高YOLOv12区域注意力机制Anchor-Free增强抗背景干扰强但依赖标注质量较高2.3 PyQt5界面为什么不是调API或命令行很多人会有疑问模型训练好了直接写个命令行脚本用得也挺好为什么要花大力气做一个PyQt5界面核心原因是“交付物”的定位不同。命令行脚本是给开发者自己用的而带界面的程序是给“用户”用的——哪怕这个用户就是你自己当你需要面对一张张图片做检测、对比结果时鼠标点击和可视化面板的效率远超敲命令。这个项目把界面交互放在重要位置意味着它追求的不仅是算法层面的可行性还有工程层面的可用性。另外PyQt5在这个场景下有其独特的技术契合度。Qt的信号槽机制天然适合处理“点击按钮触发检测”“检测线程返回结果刷新界面”这类异步交互你完全可以在保持界面流畅的同时跑一个耗时的模型推理任务。相比Flask做Web服务再配前端页面PyQt5的桌面形态更适合单机离线使用场景——果园里可不一定有稳定的网络。需要说明的是这套界面在设计上遵循了一个很务实的原则功能模块化。模型配置、阈值调节、图像输入、结果展示每个区域都是独立控件互不耦合。这样你在二次开发时只需要改动对应的模块完全不用动其他部分。3. 数据集构建与预处理细节3.1 数据来源与标注规范这一节我要讲得细一点因为整个项目中我耗费时间最多的不是选模型而是处理数据。这个系统的训练数据主要来自公开的果园采集图像以及实地拍摄的补充样本总计有数千张标注图像。这些数据有一个共性特征场景复杂、光照多变、果实尺度跨度大。数据标注环节使用的是LabelImg工具标注格式为YOLO的TXT格式。这个格式的核心是每一行代表一个目标对象结构为类别ID、中心点x坐标归一化、中心点y坐标归一化、目标宽度归一化、目标高度归一化。以一张分辨率为1920x1080的图片为例假设图像中心位置有一个苹果苹果框宽度为300像素、高度为280像素那么对应的标注行应该这样填写0 0.5 0.5 0.15625 0.25926这里的0.5因为是中心点在正中央所以是0.5后面的0.15625则是300除以1920的结果0.25926则是280除以1080的结果。这块有一个容易踩的坑LabelImg中如果你用的是PascalVOC格式标注导出YOLO格式时记得确认导出脚本做了像素坐标到归一化坐标的换算。如果直接导出未归一化的绝对坐标训练时YOLO会直接报错或者收敛到完全不可用的状态。标注的规范上我有一条心得不要把苹果的边界框压得太紧。因为苹果的边缘存在高光区域如果把边界框刚好卡在视觉边缘模型学到的是“高光反射的形状”而不是“果实的整体轮廓”。我建议标注时向外扩展3%到5%的边距这样模型学到的特征更具泛化性。但也不要扩展太多否则框里包含大量背景信息干扰模型收敛。3.2 数据增强策略与样本平衡数据增强是决定苹果检测模型精度的隐藏因素。果园场景中你可能会遇到各种光照晴天直射、阴天散射、早晚低角度光照。如果只用原始图像训练模型在这些光照变化面前非常脆弱。我的做法是分三个层级做增强。第一层级是基础几何增强随机水平翻转、随机缩放、随机平移。这一层解决的是苹果在图像中出现位置和角度不同的问题。第二层级是光学变换包括亮度扰动、对比度扰动、HSV色域微调。苹果的红色在HSV空间中对H色相通道比较敏感所以我在色相扰动上控制在±5度范围内而亮度和饱和度的扰动范围则可以放宽到±20%这样模型能学到“不管光照怎么变这个颜色倾向和纹理特征就是苹果”。第三层级是马赛克增强。这是YOLO系列训练中非常重要的策略把四张图拼接成一张送入网络相当于不仅扩大了单次训练看到的目标数量还强制模型学习在复杂上下文背景下检测目标。关于样本平衡有一个特别容易忽略的问题绝大多数公开苹果数据集中成熟红苹果的图像数量远超青苹果和半熟苹果。如果直接训练模型会对红色圆形物体产生强烈偏好在绿色苹果检测上表现极差。解决思路不是简单地把红色样本删掉而是针对性收集补充青苹果和遮挡状态的样本把各类别比例拉到一个相对均衡的状态。3.3 数据集划分与目录组织这套系统对数据集的目录结构组织有一个明确约定建议你直接照搬datasets/apple/ ├── images/ │ ├── train/ # 训练集图片 │ ├── val/ # 验证集图片 │ └── test/ # 测试集图片 └── labels/ ├── train/ # 训练集标注 ├── val/ # 验证集标注 └── test/ # 测试集标注注意训练集和验证集的划分不能简单用随机函数一跑了之。我遇到过一种尴尬局面同一棵树的苹果图像被随机分到了训练集和验证集导致验证集和训练集高度相似指标虚高换到真实果园数据后立刻原形毕露。正确做法是按图像采集的时间段或者拍摄地点分组划分数据保证验证集中的图像场景分布与训练集有足够的差异这样评估出的指标才真实可信。4. 核心功能拆解与实现思路4.1 模型训练链路训练是这套系统的发动机。我以YOLOv8为例演示核心训练参数的选择这一段你直接照着用就可以。from ultralytics import YOLO model YOLO(yolov8n.yaml) # 使用nano规格从头训练 results model.train( datadataset.yaml, # 数据集配置文件写明train/val路径和类别名 epochs200, # 训练轮次 imgsz640, # 输入图像统一缩放尺寸 batch16, # 根据显存调整 lr00.01, # 初始学习率 optimizerAdamW, # 优化器 patience30, # 验证指标不再提升连续30轮后早停 augmentTrue, # 自动应用内置数据增强 cacheTrue # 将图像缓存到内存加快读取 )有几个关键参数我要专门说下原因。imgsz选择640是精度和速度的折中。如果全用原始高分辨率图训练显存需求爆炸式增长而且推理时如果输入尺寸不一致性能波动很大。统一缩放到640x640后小苹果对应的像素区域可能只有十几个像素这对小目标检测并不友好。如果你手里的显存足够建议imgsz提到960甚至1280对苹果这类小目标效果立竿见影。batch尺寸直接决定训练稳定性。batch太小比如4每个batch的梯度估计噪声大收敛速度慢batch太大比如64容易陷入尖锐极小值泛化能力反而下降。16到32是目标检测训练中的稳妥区间。epochs我设置200配合patience早停。如果验证集mAP连续30轮不涨就停掉避免过拟合浪费时间。训练过程中的输出日志信息里面重点关注三个指标box_loss边界框回归损失、cls_loss分类损失、mAP50IoU阈值为0.5时的平均精度。mAP50对苹果检测这类宽松场景足够有参考意义但如果你要追求更精细的应用比如商业分拣还要关注mAP50-95——它衡量的是模型在不同IoU阈值下的综合表现。4.2 PyQt5界面功能模块详解界面部分的结构非常清晰由单个主窗口统一管理内部拆分为以下几个功能区。我逐一说明。左侧或上部的图像展示区是系统的前台核心。这里支持两种输入方式单张图片文件选择或者摄像头实时画面接入。图片方式用QFileDialog打开文件选择器摄像头方式用OpenCV的VideoCapture循环读帧。这两个功能共用同一个检测回调保证代码路径统一。中部面板是参数控制区。这里暴露了两个最常用的参数置信度阈值和IoU阈值。置信度阈值控制的是“只有模型判断概率大于这个值的检测结果才显示”界面上我用滑动条实现范围从0.1到0.9实时可调。IoU阈值控制的是重叠框的抑制力度值越高重叠检测框被保留下来的可能性越大。实际使用中置信度调到0.35左右是比较合理的选择过高会漏检过低会出现一连串误检框。右侧区域是信息展示区。原图、检测结果、模型名称、推理帧率、单张图片的推理耗时、检测到的苹果数量这些信息统一汇总到这里。另外还有一个检测历史的列表展示最近若干次检测记录方便后续比对。下面贴一个核心的界面布局代码片段方便你理解控件之间的组织关系import sys from PyQt5.QtWidgets import (QMainWindow, QWidget, QPushButton, QLabel, QVBoxLayout, QHBoxLayout, QSlider, QFileDialog, QComboBox) from PyQt5.QtCore import Qt class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(苹果检测系统) self.model None # 在检测引擎模块中初始化 # 模型选择下拉框支持切换v5/v8/v11/v12的权重文件 self.combo_model QComboBox() self.combo_model.addItems( [yolov5n.pt, yolov8n.pt, yolov11n.pt, yolov12n.pt] ) # 置信度阈值滑块 self.slider_conf QSlider(Qt.Horizontal) self.slider_conf.setRange(10, 90) self.slider_conf.setValue(35) self.label_conf QLabel(置信度阈值: 0.35) # 图片选择按钮 self.btn_open QPushButton(打开图片) self.btn_open.clicked.connect(self.on_open_image) # 结果展示标签 self.label_result QLabel(检测结果将在这里显示) self.label_result.setAlignment(Qt.AlignCenter) layout_top QHBoxLayout() layout_top.addWidget(self.combo_model) layout_top.addWidget(self.slider_conf) layout_top.addWidget(self.btn_open) layout_main QVBoxLayout() layout_main.addLayout(layout_top) layout_main.addWidget(self.label_result) container QWidget() container.setLayout(layout_main) self.setCentralWidget(container) def on_open_image(self): file_path, _ QFileDialog.getOpenFileName( self, 选择图片, , 图片文件 (*.jpg *.png *.bmp) ) if file_path: self.run_inference(file_path) def run_inference(self, image_path): # 这里调用YOLO检测引擎见下文线程设计 pass if __name__ __main__: app sys.argv window MainWindow() window.show()4.3 多线程检测机制界面不卡顿的关键这一节是整个界面设计中技术含量最高的部分也是初学者最容易忽略的部分。如果你把模型推理直接写在按钮的点击回调函数里界面会在推理期间完全卡住。单张图片推理可能还好不到一秒钟就结束但如果是摄像头实时模式每帧都要推理界面会变成幻灯片。这个系统的解决方案是采用QThread 信号槽机制。检测线程不断从队列中取出图像帧执行推理然后把结果通过信号发送回主线程主线程负责更新界面控件。界面交互和推理计算在两条线程中并行运行互不阻塞。我画一个简化的逻辑流程来说明主线程点击“开始检测”按钮后启动DetectionThread线程该线程内部循环中读取最新帧调用模型推理方法推理完成后emit一个result_ready信号并携带检测结果数据。主线程接收到信号后执行槽函数更新图像显示和文字信息。当你关闭界面时先发出停止信号检测线程退出循环并安全结束。import cv2 from PyQt5.QtCore import QThread, pyqtSignal class DetectionThread(QThread): result_ready pyqtSignal(object, float) # 检测结果 耗时 fps_updated pyqtSignal(float) def __init__(self, model_path, conf_thres0.35): super().__init__() self.model_path model_path self.conf_thres conf_thres self.running True def run(self): cap cv2.VideoCapture(0) # 0表示默认摄像头 while self.running: ret, frame cap.read() if not ret: continue start_time cv2.getTickCount() # 调用YOLO推理 results self.model_predict(frame) end_time cv2.getTickCount() elapsed (end_time - start_time) / cv2.getTickFrequency() self.result_ready.emit(results, elapsed) cap.release() def stop(self): self.running False注意一个细节PyQt5的界面必须在主线程中更新。如果你在检测线程里直接调用label.setText或者加画矩形框轻则控件刷新异常重则直接崩溃。正确做法是如上代码所示只发信号由主线程的槽函数处理UI更新。5. 实操过程与完整实现记录5.1 环境搭建阶段先说环境版本配套。这一步我重新配了三遍才找到最稳定的组合直接给你结论Python 3.9不要用3.12部分PyQt5依赖在3.12上存在二进制兼容问题PyTorch 2.1.0 CUDA 11.8如果你只有CPU环境也能跑推理但训练会非常痛苦ultralytics库版本8.2.x覆盖v5/v8/v11/v12的加载PyQt5 5.15.10opencv-python 4.8.1配置命令如下conda create -n apple_detect python3.9 conda activate apple_detect pip install torch2.1.0 torchvision0.16.0 --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics8.2.10 pyqt55.15.10 opencv-python4.8.1这里要特别提一个坑ultralytics库从8.3版本开始内部API有较大调整部分旧权重文件在新版本下load时会有兼容性警告甚至直接报错。建议装8.2.x并锁定版本号不要随手升级到最新。5.2 数据集配置与训练启动把准备好的数据集放进datasets/apple目录后要手写一个dataset.yaml文件内容如下path: datasets/apple train: images/train val: images/val test: images/test names: 0: apple这里的path路径建议填绝对路径。相对路径在命令行切换工作目录时经常会出问题我在这上面吃过亏训练到一半发现找不着数据集白白浪费一个晚上。训练命令用一行就能启动yolo detect train datadataset.yaml modelyolov8n.yaml epochs200 imgsz640 batch16如果你命令行比较熟练完全不用写Python调用yolo命令本身就是一个完整的入口。训练过程中会实时打印每一轮的loss和mAP当你看到mAP50从0.5缓慢爬升到0.85以上的时候说明模型已经学到东西了。5.3 检测引擎封装与效果调优训练完成后把best.pt权重文件复制到项目的weights目录。接下来要做的是写一个独立的检测引擎类界面层只和这个引擎打交道不直接操作模型。from ultralytics import YOLO class AppleDetector: def __init__(self, model_path): self.model YOLO(model_path) def predict(self, image, conf_thres0.35, iou_thres0.5): results self.model.predict( image, confconf_thres, iouiou_thres, verboseFalse ) boxes results[0].boxes detections [] if boxes is not None: for box in boxes: x1, y1, x2, y2 box.xyxy[0].tolist() confidence float(box.conf[0]) detections.append({ bbox: [int(x1), int(y1), int(x2), int(y2)], conf: confidence }) return detections这个封装类的好处是界面层完全不用关心底层模型是什么版本。你在界面上换个权重文件路径其他代码一行不用改。实际调优阶段我用同一张包含15颗苹果的测试图对比了四个模型的检测表现。YOLOv5n用时最短约28毫秒每帧但有一个漏检YOLOv8n约32毫秒全部检出其中一个置信度只有0.41YOLOv11n约35毫秒全部检出且多检出一个背景误报YOLOv12n约42毫秒全部检出没有误报但把一颗青苹果的置信度压到了0.3以下。如果你的目标是追求极致精度且算力充足v12是首选如果要兼顾速度与精度v8是最稳的平衡点。5.4 单图、摄像头两种运行模式的切换界面系统支持两种检测模式切换逻辑非常简单。单图模式是每次选择一张图片调用一次检测引擎把结果画框后显示在界面上。摄像头模式则是启动检测线程不断读取摄像头帧实时标注并显示画面。画框逻辑我建议直接在图像上绘制并转成Qt可显示的格式核心代码如下import cv2 from PyQt5.QtGui import QImage, QPixmap def draw_boxes(image, detections): img image.copy() for det in detections: x1, y1, x2, y2 det[bbox] conf det[conf] cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 2) label fapple {conf:.2f} cv2.putText(img, label, (x1, y1 - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) return img def cv2_to_qpixmap(cv_img): rgb_img cv2.cvtColor(cv_img, cv2.COLOR_BGR2RGB) h, w, ch rgb_img.shape bytes_per_line ch * w qimg QImage(rgb_img.data, w, h, bytes_per_line, QImage.Format_RGB888) return QPixmap.fromImage(qimg)这里有一个不建议踩的坑OpenCV读入的图片是BGR通道顺序如果直接用QImage去包图像颜色会偏蓝。必须先用cvtColor转到RGB再转QImage这个坑在初学阶段几乎人人都会遇到。6. 常见问题与排查技巧实录6.1 训练loss不降或为NaN这是我被问到最多的问题。训练初期loss有值训练到某个阶段直接变成NaN或者从一开始就完全没降。我归纳出三个主要原因。第一个原因是学习率过大。如果初始学习率是0.01配合AdamW通常没问题但你如果把lr0调到了0.1以上loss溢出为NaN的几率急剧上升。排查方法是把lr0直接降到0.001如果问题消失就说明是学习率问题。第二个原因是数据标签有问题某一张图片的标注归一化坐标超出了0到1的范围或者类别ID越界。YOLO对标签合法性不做过多的预检查异常标签会导致损失函数计算崩溃。排查时写个小脚本遍历所有标签文件检查每一行的五个数字是否在合法区间内。第三个原因是梯度爆炸导致的数值不稳定。这种情况可以把batch减小到8并开启梯度裁剪在ultralytics中开启的方法是设置参数grad_clip1.0。6.2 苹果检测精度低全检出来了但置信度全在0.4以下这是典型的置信度阈值与训练策略双重问题。置信度低说明模型对目标特征的激活不够强但这时候先别急着调阈值阈值只是最后一道屏障治标不治本。更本质的原因通常是训练数据中苹果在整图中的像素占比太小。YOLO把输入图缩放到640后小苹果可能只剩8x8像素特征提取器很难在这么小的区域里提取出有效信息。我的建议是三步走。第一步把imgsz从640提升到960显存不够就降低batch推理时也用960第二步检查数据标注框是否过紧上面说的扩展3%到5%边距的规则在这里会起到非常关键的作用第三步如果前两步都不理想裁剪图像区域分块训练原图中苹果分布的密集区单独切成小图作为训练样本等于变相放大了目标尺寸。6.3 PyQt5界面运行卡顿或崩溃界面卡顿多半是推理放在主线程导致。验证方法很简单点击检测按钮后如果界面标题栏出现“无响应”字样基本可以确诊。把推理逻辑全部移到QThread主线程只做信号接收和UI刷新问题即可解决。崩溃则通常是线程生命周期管理不当。关闭窗口时检测线程还在循环跑推理窗口对象已销毁线程试图访问已删除的控件导致段错误。正确做法是在closeEvent中先置running为False再调用thread.wait()等待线程退出后再销毁界面组件。6.4 摄像头模式画面延迟严重延迟主要来源有两个。一个是推理耗时本身如果你的GPU性能一般每帧推理需要50到100毫秒画面自然流畅不起来。我的建议是把输入帧尺寸缩小到416或者320再推理虽然精度略有下降但延迟能减少一半以上。另一个是OpenCV的摄像头读取buffer机制它会缓冲几帧老画面导致你看到的是几百毫秒前的实时画面。一个有效的处理方法是循环清空缓冲区只取最新帧for _ in range(5): cap.read() # 丢弃缓冲帧 ret, frame cap.read() # 取最新帧这种做法在运动速度较快的场景中效果非常明显画面实时感提升一个档次。6.5 权重文件在不同版本之间不兼容这个问题出现的频率比我预期的要高。YOLOv5的原生权重结构是独立仓库维护的和ultralytics统一接口的v8/v11/v12不完全一致。如果你用这套系统直接加载一个从原版yolov5仓库训练出来的.pt文件很可能报结构不匹配的错误。解法有两个思路。第一个是在ultralytics库中用YOLOv5的专用加载器先加载再重新导出为统一格式的权重文件。第二个更省事直接放弃加载外部旧版权重全部用这套系统内统一训练的权重。我们的代码层面已经处理了版本兼容问题只要你用的权重文件是同一套训练流程产出的切换模型版本时不会遇到障碍。以上这些坑全部是我在实际操作中踩过并逐一定位的技术人员之间最好的交流方式就是分享这种“现场排查记录”。做完这个项目我心里最深的感受是模型只占整个系统的一半数据处理和工程封装才是真正拉开差距的地方。如果这篇文章里任何一段记录能帮你少踩一个坑这大半天的整理就没有浪费。
