拓冰网站定制 
简介本资源为基于Traffic-Net实现交通拥堵程度识别的深度学习项目源码与数据集压缩包面向计算机、人工智能、数据科学等专业的在校学生、教师及企业员工适用于课程设计、毕业设计、大作业或初期项目立项演示等场景。包内共10个文件以py源码、json模型配置、md说明文档和txt文本为主压缩包约6KB体积轻量便于快速解压与部署。项目围绕Traffic-Net网络结构展开提供完整的训练与识别流程代码并附带数据集与模型类别配置方便读者直接复现交通拥堵程度分类实验理解网络搭建、数据加载与模型推理的关键环节。已有50人学习下载具备一定参考热度。资源强调代码完整、稳定可运行适合小白入门进阶也支持有基础的读者进行二次开发与功能扩展是学习交通场景深度学习应用的实用素材。1. 从一份 Traffic-Net 源码包说起交通拥堵识别到底怎么落地城市路口摄像头每天产出海量视频流但真正能直接拿来做拥堵程度识别的开源工程并不多。这份基于 Traffic-Net 的交通拥堵程度识别源码包把训练脚本、模型结构定义、类别映射和数据集组织方式打包在一起解压后就能看到traffic_net.py、model_class.json、README.md以及若干说明文件。它解决的核心问题是给定一张道路监控图像判断当前路段的拥堵等级畅通、缓行、拥堵、严重拥堵这类分级而不是只做车辆检测。适合计算机相关专业的课程设计、毕设、大作业也适合想快速跑通一个图像分类 交通场景 pipeline 的入门者。我拿到包的第一件事不是急着python traffic_net.py而是先确认三件事类别定义在哪、数据从哪来、模型输入尺寸是多少。这三件事决定了后面所有参数怎么设。2. Traffic-Net 的结构与数据组织先看懂再动手2.1 从 model_class.json 反推任务类型很多人拿到源码直接开跑结果卡在KeyError或者类别数对不上。model_class.json这个文件通常存的是类别索引到类别名的映射比如{0: 畅通, 1: 缓行, 2: 拥堵, 3: 严重拥堵}。它决定了模型最后一层全连接输出多少个节点。常见做法是先读这个 json确认类别数 N再去traffic_net.py里找num_classes或num_class参数两者必须一致否则训练时 loss 会直接报维度不匹配。import json with open(model_class.json, r, encodingutf-8) as f: class_map json.load(f) num_classes len(class_map) print(f类别数: {num_classes}) print(f类别映射: {class_map}) # 输出示例: 类别数: 4, 类别映射: {0: 畅通, 1: 缓行, 2: 拥堵, 3: 严重拥堵}这段代码的作用是提前把类别数算出来避免在训练脚本里硬编码。参数说明encodingutf-8不能省中文类别名在 Windows 默认编码下会乱码len(class_map)得到的就是分类头输出维度。如果 json 里是列表而不是字典用len()同样适用但索引顺序要和数据集文件夹名对应。2.2 数据集目录结构与 DataLoader 的对应关系交通拥堵数据集一般按类别分文件夹存放形如dataset/train/畅通/xxx.jpg、dataset/train/拥堵/xxx.jpg。Traffic-Net 的traffic_net.py里通常用torchvision.datasets.ImageFolder或自定义Dataset来加载。ImageFolder 会按文件夹名的字母顺序生成类别索引这和model_class.json里的顺序不一定一致这是最常见的翻车点之一。import os data_root dataset/train classes sorted(os.listdir(data_root)) print(ImageFolder 实际类别顺序:, classes) # 如果输出 [拥堵, 畅通, 缓行, 严重拥堵]而 json 里是 [畅通,缓行,拥堵,严重拥堵] # 那么标签就会错位训练出来的模型预测全是乱的逻辑说明sorted()是 ImageFolder 内部默认行为中文按 Unicode 码点排序结果往往和人工定义的顺序不同。解决办法有两个一是把文件夹重命名为0_畅通、1_缓行这种带数字前缀的形式二是在自定义 Dataset 里用model_class.json做映射不走 ImageFolder 的默认索引。我一般选第一种改文件夹名比改代码省事而且不容易漏。2.3 输入尺寸与归一化参数怎么定Traffic-Net 的输入尺寸通常在traffic_net.py的transform部分定义常见是 224×224 或 256×256。交通场景图像里车辆目标较小如果原图分辨率很高直接缩到 224 会丢失细节拥堵程度的判别依据车辆密度、车间距会变模糊。常见做法是先把短边缩到 256再中心裁剪到 224这样保留更多纹理信息。from torchvision import transforms train_transform transforms.Compose([ transforms.Resize(256), # 短边缩到256保持长宽比 transforms.CenterCrop(224), # 中心裁剪到224×224 transforms.ToTensor(), transforms.Normalize( # 用ImageNet均值方差迁移学习标配 mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225] ) ])参数说明Resize(256)只写一个整数时短边缩到 256长边按比例缩放CenterCrop(224)从中心取 224×224如果拥堵区域在图像边缘这个裁剪会切掉关键信息此时应改用RandomResizedCrop或直接Resize((224,224))。归一化的均值和方差来自 ImageNet如果 Traffic-Net 用了预训练权重这三个数不能改如果从头训练可以换成自己数据集的统计值但收益不大我一般直接用 ImageNet 的。3. 训练 Traffic-Net从环境配置到第一个 epoch3.1 环境依赖与版本对齐这份源码包没有附带requirements.txt但traffic_net.py里 import 的库基本能推断出依赖torch、torchvision、PIL、numpy、json。常见做法是建一个 Python 3.8 或 3.9 的虚拟环境PyTorch 选 1.12 以上版本。CUDA 版本要和显卡驱动匹配否则torch.cuda.is_available()返回 False训练会默默跑在 CPU 上一个 epoch 可能要几十分钟。conda create -n traffic_net python3.9 -y conda activate traffic_net pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install pillow numpy python -c import torch; print(torch.cuda.is_available())逻辑说明--index-url指定 PyTorch 官方 wheel 源cu118 对应 CUDA 11.8如果驱动版本低就换 cu117 或 cpu 版本。最后一行验证 GPU 是否可用输出True才能继续。如果输出False先查显卡驱动版本再查 PyTorch 版本是否匹配不要急着改代码。3.2 启动训练与关键参数解读traffic_net.py通常把超参数写在文件开头的常量区或argparse里。我一般先看这几个batch_size、lr、epochs、num_classes、data_path。交通拥堵数据集如果只有几千张图batch_size16或32就够lr1e-3配 Adam 是常见起点。如果用了预训练权重lr可以降到1e-4避免把预训练特征冲掉。# traffic_net.py 中常见的训练循环骨架 import torch import torch.nn as nn from torch.utils.data import DataLoader model TrafficNet(num_classes4).cuda() criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lr1e-3) for epoch in range(epochs): model.train() running_loss 0.0 for imgs, labels in train_loader: imgs, labels imgs.cuda(), labels.cuda() optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() print(fEpoch {epoch1}, Loss: {running_loss/len(train_loader):.4f})逻辑说明zero_grad()清空上一轮梯度loss.backward()反向传播optimizer.step()更新参数这是标准三件套。running_loss除以len(train_loader)得到平均 loss比累加值更能反映趋势。如果 loss 在前几个 epoch 不下降先查学习率是不是太大再查标签有没有错位。3.3 验证集与指标观察训练过程中只看 loss 不够交通拥堵识别更关心准确率和混淆矩阵。常见做法是每个 epoch 后在验证集上跑一遍记录val_acc。如果训练 acc 涨但验证 acc 不涨说明过拟合可以加 dropout 或数据增强。混淆矩阵能看出模型把哪两类搞混比如“缓行”和“拥堵”容易混因为两者车辆密度接近。model.eval() correct, total 0, 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels imgs.cuda(), labels.cuda() outputs model(imgs) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() print(f验证集准确率: {100 * correct / total:.2f}%)参数说明torch.no_grad()关闭梯度计算节省显存torch.max(outputs, 1)取每行最大值对应的索引作为预测类别。如果验证集准确率低于随机猜4 类随机猜是 25%基本可以确定标签映射错了回去查model_class.json和文件夹顺序。4. 避坑与排查那些让我重跑一晚上的问题4.1 现象训练 loss 一直是 nan原因学习率过大或者输入数据没有归一化像素值在 0-255 范围直接送进网络。解决确认transforms.ToTensor()在Normalize之前ToTensor()会把像素转到 0-1再减均值除方差。如果已经归一化还 nan把lr降到1e-4试一轮。4.2 现象报错 “CUDA out of memory”原因batch_size太大或者图像分辨率太高。解决先把batch_size减半如果还报把输入尺寸从 256 降到 224 或 192。另外检查是否有残留的 tensor 没释放del outputs加torch.cuda.empty_cache()能缓解。4.3 现象预测结果全是同一类原因类别不平衡比如“畅通”样本占 80%模型学会全猜“畅通”就能拿高准确率。解决在CrossEntropyLoss里加weight参数按类别频率的倒数给权重或者对少数类做 oversampling。我一般先打印每个类的样本数心里有数再调。4.4 现象解压后路径带中文运行报编码错误原因Windows 下 Python 读取中文路径时某些库的默认编码不是 utf-8。解决把项目文件夹重命名为纯英文路径里不要有空格和中文。这是项目说明里特别强调的我血泪经验是连数据集文件夹也一起改成英文省得后面到处改编码。4.5 现象model_class.json读取失败原因文件本身是空的或者格式不是合法 json比如用了单引号。解决用json.load()之前先print(open(model_class.json).read())看一眼内容确认是{0: 畅通}这种双引号格式。如果是单引号手动改成双引号或者用ast.literal_eval兜底。5. 进阶技巧用混淆矩阵和阈值调优把“缓行”和“拥堵”分开跑通训练只是第一步真正让 Traffic-Net 在交通拥堵识别上可用得看它能不能把相邻等级分开。我一般会在验证集上算混淆矩阵重点看“缓行”和“拥堵”之间的误判率。如果这两类互相错得多说明模型学到的特征区分度不够可以试两个方向一是加数据增强里的ColorJitter和RandomGrayscale让模型不过度依赖颜色二是把分类头改成两个二分类器先分“畅通 vs 非畅通”再分“缓行 vs 拥堵”这种层级分类在交通场景里比四分类更稳。from sklearn.metrics import confusion_matrix import seaborn as sns import matplotlib.pyplot as plt all_preds, all_labels [], [] model.eval() with torch.no_grad(): for imgs, labels in val_loader: imgs imgs.cuda() outputs model(imgs) _, predicted torch.max(outputs, 1) all_preds.extend(predicted.cpu().numpy()) all_labels.extend(labels.numpy()) cm confusion_matrix(all_labels, all_preds) sns.heatmap(cm, annotTrue, fmtd, xticklabelslist(class_map.values()), yticklabelslist(class_map.values())) plt.xlabel(预测) plt.ylabel(真实) plt.show()这段代码依赖scikit-learn、seaborn、matplotlib没装的话pip install scikit-learn seaborn matplotlib。confusion_matrix的第一个参数是真实标签第二个是预测标签顺序不能反。热力图上对角线越深越好如果“缓行”那一行大量落在“拥堵”列就说明模型对这两个等级的边界没学好。另一个技巧是调整预测阈值。四分类默认取 softmax 最大值但如果“拥堵”的召回率比精度重要比如你想尽量不漏掉严重拥堵可以在推理时给“拥堵”类的 logit 加一个偏置让它更容易被选中。具体做法是在torch.max之前对输出做outputs[:, 2] 0.5这种操作偏置大小用验证集调。这个操作不改变模型权重只改推理策略适合已经训练好不想重跑的场景。最后说一个我自己的习惯每次拿到新的交通数据集先抽 20 张图肉眼过一遍确认类别标注和model_class.json对得上再开始训练。这个动作花不了五分钟但能省掉后面几个小时的排查。从那以后我每次跑 Traffic-Net 之前都强制走一遍“看 json、看文件夹、看一张图”的流程希望帮到你。本文还有配套的精品资源点击获取 Traffic-Net交通拥堵识别源码实战：从环境配置到混淆矩阵调优
简介本资源为基于Traffic-Net实现交通拥堵程度识别的深度学习项目源码与数据集压缩包面向计算机、人工智能、数据科学等专业的在校学生、教师及企业员工适用于课程设计、毕业设计、大作业或初期项目立项演示等场景。包内共10个文件以py源码、json模型配置、md说明文档和txt文本为主压缩包约6KB体积轻量便于快速解压与部署。项目围绕Traffic-Net网络结构展开提供完整的训练与识别流程代码并附带数据集与模型类别配置方便读者直接复现交通拥堵程度分类实验理解网络搭建、数据加载与模型推理的关键环节。已有50人学习下载具备一定参考热度。资源强调代码完整、稳定可运行适合小白入门进阶也支持有基础的读者进行二次开发与功能扩展是学习交通场景深度学习应用的实用素材。1. 从一份 Traffic-Net 源码包说起交通拥堵识别到底怎么落地城市路口摄像头每天产出海量视频流但真正能直接拿来做拥堵程度识别的开源工程并不多。这份基于 Traffic-Net 的交通拥堵程度识别源码包把训练脚本、模型结构定义、类别映射和数据集组织方式打包在一起解压后就能看到traffic_net.py、model_class.json、README.md以及若干说明文件。它解决的核心问题是给定一张道路监控图像判断当前路段的拥堵等级畅通、缓行、拥堵、严重拥堵这类分级而不是只做车辆检测。适合计算机相关专业的课程设计、毕设、大作业也适合想快速跑通一个图像分类 交通场景 pipeline 的入门者。我拿到包的第一件事不是急着python traffic_net.py而是先确认三件事类别定义在哪、数据从哪来、模型输入尺寸是多少。这三件事决定了后面所有参数怎么设。2. Traffic-Net 的结构与数据组织先看懂再动手2.1 从 model_class.json 反推任务类型很多人拿到源码直接开跑结果卡在KeyError或者类别数对不上。model_class.json这个文件通常存的是类别索引到类别名的映射比如{0: 畅通, 1: 缓行, 2: 拥堵, 3: 严重拥堵}。它决定了模型最后一层全连接输出多少个节点。常见做法是先读这个 json确认类别数 N再去traffic_net.py里找num_classes或num_class参数两者必须一致否则训练时 loss 会直接报维度不匹配。import json with open(model_class.json, r, encodingutf-8) as f: class_map json.load(f) num_classes len(class_map) print(f类别数: {num_classes}) print(f类别映射: {class_map}) # 输出示例: 类别数: 4, 类别映射: {0: 畅通, 1: 缓行, 2: 拥堵, 3: 严重拥堵}这段代码的作用是提前把类别数算出来避免在训练脚本里硬编码。参数说明encodingutf-8不能省中文类别名在 Windows 默认编码下会乱码len(class_map)得到的就是分类头输出维度。如果 json 里是列表而不是字典用len()同样适用但索引顺序要和数据集文件夹名对应。2.2 数据集目录结构与 DataLoader 的对应关系交通拥堵数据集一般按类别分文件夹存放形如dataset/train/畅通/xxx.jpg、dataset/train/拥堵/xxx.jpg。Traffic-Net 的traffic_net.py里通常用torchvision.datasets.ImageFolder或自定义Dataset来加载。ImageFolder 会按文件夹名的字母顺序生成类别索引这和model_class.json里的顺序不一定一致这是最常见的翻车点之一。import os data_root dataset/train classes sorted(os.listdir(data_root)) print(ImageFolder 实际类别顺序:, classes) # 如果输出 [拥堵, 畅通, 缓行, 严重拥堵]而 json 里是 [畅通,缓行,拥堵,严重拥堵] # 那么标签就会错位训练出来的模型预测全是乱的逻辑说明sorted()是 ImageFolder 内部默认行为中文按 Unicode 码点排序结果往往和人工定义的顺序不同。解决办法有两个一是把文件夹重命名为0_畅通、1_缓行这种带数字前缀的形式二是在自定义 Dataset 里用model_class.json做映射不走 ImageFolder 的默认索引。我一般选第一种改文件夹名比改代码省事而且不容易漏。2.3 输入尺寸与归一化参数怎么定Traffic-Net 的输入尺寸通常在traffic_net.py的transform部分定义常见是 224×224 或 256×256。交通场景图像里车辆目标较小如果原图分辨率很高直接缩到 224 会丢失细节拥堵程度的判别依据车辆密度、车间距会变模糊。常见做法是先把短边缩到 256再中心裁剪到 224这样保留更多纹理信息。from torchvision import transforms train_transform transforms.Compose([ transforms.Resize(256), # 短边缩到256保持长宽比 transforms.CenterCrop(224), # 中心裁剪到224×224 transforms.ToTensor(), transforms.Normalize( # 用ImageNet均值方差迁移学习标配 mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225] ) ])参数说明Resize(256)只写一个整数时短边缩到 256长边按比例缩放CenterCrop(224)从中心取 224×224如果拥堵区域在图像边缘这个裁剪会切掉关键信息此时应改用RandomResizedCrop或直接Resize((224,224))。归一化的均值和方差来自 ImageNet如果 Traffic-Net 用了预训练权重这三个数不能改如果从头训练可以换成自己数据集的统计值但收益不大我一般直接用 ImageNet 的。3. 训练 Traffic-Net从环境配置到第一个 epoch3.1 环境依赖与版本对齐这份源码包没有附带requirements.txt但traffic_net.py里 import 的库基本能推断出依赖torch、torchvision、PIL、numpy、json。常见做法是建一个 Python 3.8 或 3.9 的虚拟环境PyTorch 选 1.12 以上版本。CUDA 版本要和显卡驱动匹配否则torch.cuda.is_available()返回 False训练会默默跑在 CPU 上一个 epoch 可能要几十分钟。conda create -n traffic_net python3.9 -y conda activate traffic_net pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install pillow numpy python -c import torch; print(torch.cuda.is_available())逻辑说明--index-url指定 PyTorch 官方 wheel 源cu118 对应 CUDA 11.8如果驱动版本低就换 cu117 或 cpu 版本。最后一行验证 GPU 是否可用输出True才能继续。如果输出False先查显卡驱动版本再查 PyTorch 版本是否匹配不要急着改代码。3.2 启动训练与关键参数解读traffic_net.py通常把超参数写在文件开头的常量区或argparse里。我一般先看这几个batch_size、lr、epochs、num_classes、data_path。交通拥堵数据集如果只有几千张图batch_size16或32就够lr1e-3配 Adam 是常见起点。如果用了预训练权重lr可以降到1e-4避免把预训练特征冲掉。# traffic_net.py 中常见的训练循环骨架 import torch import torch.nn as nn from torch.utils.data import DataLoader model TrafficNet(num_classes4).cuda() criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lr1e-3) for epoch in range(epochs): model.train() running_loss 0.0 for imgs, labels in train_loader: imgs, labels imgs.cuda(), labels.cuda() optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() print(fEpoch {epoch1}, Loss: {running_loss/len(train_loader):.4f})逻辑说明zero_grad()清空上一轮梯度loss.backward()反向传播optimizer.step()更新参数这是标准三件套。running_loss除以len(train_loader)得到平均 loss比累加值更能反映趋势。如果 loss 在前几个 epoch 不下降先查学习率是不是太大再查标签有没有错位。3.3 验证集与指标观察训练过程中只看 loss 不够交通拥堵识别更关心准确率和混淆矩阵。常见做法是每个 epoch 后在验证集上跑一遍记录val_acc。如果训练 acc 涨但验证 acc 不涨说明过拟合可以加 dropout 或数据增强。混淆矩阵能看出模型把哪两类搞混比如“缓行”和“拥堵”容易混因为两者车辆密度接近。model.eval() correct, total 0, 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels imgs.cuda(), labels.cuda() outputs model(imgs) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() print(f验证集准确率: {100 * correct / total:.2f}%)参数说明torch.no_grad()关闭梯度计算节省显存torch.max(outputs, 1)取每行最大值对应的索引作为预测类别。如果验证集准确率低于随机猜4 类随机猜是 25%基本可以确定标签映射错了回去查model_class.json和文件夹顺序。4. 避坑与排查那些让我重跑一晚上的问题4.1 现象训练 loss 一直是 nan原因学习率过大或者输入数据没有归一化像素值在 0-255 范围直接送进网络。解决确认transforms.ToTensor()在Normalize之前ToTensor()会把像素转到 0-1再减均值除方差。如果已经归一化还 nan把lr降到1e-4试一轮。4.2 现象报错 “CUDA out of memory”原因batch_size太大或者图像分辨率太高。解决先把batch_size减半如果还报把输入尺寸从 256 降到 224 或 192。另外检查是否有残留的 tensor 没释放del outputs加torch.cuda.empty_cache()能缓解。4.3 现象预测结果全是同一类原因类别不平衡比如“畅通”样本占 80%模型学会全猜“畅通”就能拿高准确率。解决在CrossEntropyLoss里加weight参数按类别频率的倒数给权重或者对少数类做 oversampling。我一般先打印每个类的样本数心里有数再调。4.4 现象解压后路径带中文运行报编码错误原因Windows 下 Python 读取中文路径时某些库的默认编码不是 utf-8。解决把项目文件夹重命名为纯英文路径里不要有空格和中文。这是项目说明里特别强调的我血泪经验是连数据集文件夹也一起改成英文省得后面到处改编码。4.5 现象model_class.json读取失败原因文件本身是空的或者格式不是合法 json比如用了单引号。解决用json.load()之前先print(open(model_class.json).read())看一眼内容确认是{0: 畅通}这种双引号格式。如果是单引号手动改成双引号或者用ast.literal_eval兜底。5. 进阶技巧用混淆矩阵和阈值调优把“缓行”和“拥堵”分开跑通训练只是第一步真正让 Traffic-Net 在交通拥堵识别上可用得看它能不能把相邻等级分开。我一般会在验证集上算混淆矩阵重点看“缓行”和“拥堵”之间的误判率。如果这两类互相错得多说明模型学到的特征区分度不够可以试两个方向一是加数据增强里的ColorJitter和RandomGrayscale让模型不过度依赖颜色二是把分类头改成两个二分类器先分“畅通 vs 非畅通”再分“缓行 vs 拥堵”这种层级分类在交通场景里比四分类更稳。from sklearn.metrics import confusion_matrix import seaborn as sns import matplotlib.pyplot as plt all_preds, all_labels [], [] model.eval() with torch.no_grad(): for imgs, labels in val_loader: imgs imgs.cuda() outputs model(imgs) _, predicted torch.max(outputs, 1) all_preds.extend(predicted.cpu().numpy()) all_labels.extend(labels.numpy()) cm confusion_matrix(all_labels, all_preds) sns.heatmap(cm, annotTrue, fmtd, xticklabelslist(class_map.values()), yticklabelslist(class_map.values())) plt.xlabel(预测) plt.ylabel(真实) plt.show()这段代码依赖scikit-learn、seaborn、matplotlib没装的话pip install scikit-learn seaborn matplotlib。confusion_matrix的第一个参数是真实标签第二个是预测标签顺序不能反。热力图上对角线越深越好如果“缓行”那一行大量落在“拥堵”列就说明模型对这两个等级的边界没学好。另一个技巧是调整预测阈值。四分类默认取 softmax 最大值但如果“拥堵”的召回率比精度重要比如你想尽量不漏掉严重拥堵可以在推理时给“拥堵”类的 logit 加一个偏置让它更容易被选中。具体做法是在torch.max之前对输出做outputs[:, 2] 0.5这种操作偏置大小用验证集调。这个操作不改变模型权重只改推理策略适合已经训练好不想重跑的场景。最后说一个我自己的习惯每次拿到新的交通数据集先抽 20 张图肉眼过一遍确认类别标注和model_class.json对得上再开始训练。这个动作花不了五分钟但能省掉后面几个小时的排查。从那以后我每次跑 Traffic-Net 之前都强制走一遍“看 json、看文件夹、看一张图”的流程希望帮到你。本文还有配套的精品资源点击获取