简介基于UNet架构的视网膜血管分割项目使用PyTorch框架并采用DRIVE公开数据集进行模型训练与测试是一份完整可复现的医学图像分割方案。资源主要面向深度学习初学者、医学影像研究人员以及需要血管分割基准实验的开发者能够解决从原始视网膜图像到血管结构提取的端到端流程搭建问题。项目覆盖数据预处理脚本、模型定义、训练测试流程与可视化工具预处理步骤包括图像标准化、增强、去噪和对比度调整有助于提高血管结构的可视性帮助读者理解UNet在细粒度医学结构分割中的实际应用与调优思路。包内共34个文件以Python脚本、PNG结果图为主兼有数据集压缩包、依赖清单、说明文档和附录资料整体约36.81MB目录结构清晰功能模块划分明确。目前已有133人学习下载适合复现实验、二次开发或作为医学图像处理课程设计参考。1. 基于 UNet 架构的视网膜血管分割从 DRIVE 数据集到训练闭环第一次把深度学习实战押在视网膜血管分割上是个看起来冷门、实际很能练手的决定。基于 UNet 架构的视网膜血管分割项目把 DRIVE 公开数据集、PyTorch 实现、数据预处理、训练和可视化全串在同一条流水线里你拿到的不再是一个孤零零的模型文件而是从原始眼底图到最终分割结果的完整工程。血管是典型的细长目标比通用语义分割更敏感对比度、裁剪方式、掩码处理都会让最终指标产生明显波动这反倒让它成为理解分割任务弊端的绝佳样例。想跑通 UNet 或准备进入医学图像方向的初学者都能靠这套代码省掉不少时间。你只需要配好 PyTorch 环境顺着脚本往下执行就能看到训练曲线和血管预测图一步步稳定下来。这个项目也解决了一个常见尴尬很多人照着经典论文写模型很快但栽在数据处理和评估细节上。DRIVE 数据集的训练集、测试集、掩码目录各有各的坑如果无人指路第一个 epoch 就可能出现“损失在降、指标不动”的怪现象。后面我会把这些地方的错误表现和排查方法全部拆开讲也会把参数设置的依据说清楚方便你替换到自己的数据集上继续改进。2. 分层拆解 UNet血管分割选它到底选在哪2.1 编码器-解码器结构与跳跃连接的实际含义UNet 的结构看起来对称但它真正厉害之处是把“上下文”和“细节”两条信息通路同时保留下来。左边的编码器逐步下采样每一层都在扩大感受野网络能知道一根血管是在视网膜中央还是边缘、周围有没有其他组织干扰。右边的解码器再把特征图一步步恢复回原分辨率为每个像素给出最终判断。只靠“压缩-恢复”还不够因为血管边缘很细下采样次数一多细小的分支信息就会在池化过程中丢掉。跳跃连接就是专门来补这个缺陷的把编码器同尺度特征图横向拼到解码器上浅层特征提供精确位置深层特征提供语义判断。这也是 UNet 在医学图像分割里成为默认基线的核心理由——它的结构让“细”和“宽”都能保住。在实际操作这套项目时你会看到它在每个编码块里用了两次卷积加 ReLU通道数从 64 开始逐层翻倍。这是非常经典的设计不是拍脑袋定的。首层通道过少模型对血管边缘的拟合能力不足首层通道过多DRIVE 这种几千张级别的小数据集很容易过拟合。64 个初始通道基本是兼顾参数量和表达力的经验值如果换到更大规模数据集可以考虑把初始通道调到 128。2.2 损失函数与评估指标从 BCE 到 Dice 的组合逻辑血管分割是一个二分类问题每个像素非血管即血管但正负样本比例极度失衡。DRIVE 数据集里血管像素通常只占百分之十几其余都是背景。如果直接用普通交叉熵模型会把几乎所有像素预测成背景损失值看起来不高实际分割结果就是一片黑。这套项目里比较合理的做法是把 BCE 和 Dice Loss 组合在一起使用。BCE 保留像素级的梯度信号Dice Loss 则直接优化区域重叠度对正负样本不均衡不那么敏感。你也可以两手都用前几十个 epoch 让 BCE 主导学习基础特征后面再把 Dice 权重调高来细化边界。这个策略很少有人直接写进文档但跑起来你会发现它对收敛稳定性帮助很大。评估指标也不要只盯 IOU交并比。在医学图像里Dice Coefficient、敏感度Sensitivity和特异性Specificity往往更能说明问题。敏感度低了说明血管被漏掉太多这对临床诊断是致命的。所以看训练日志时不要只看总 loss要额外打印这些指标。项目自带的训练日志和可视化工具通常都会输出这几个数值如果你拿到代码后发现没打印建议自己在验证集上补一段评估逻辑避免训练完只得到一个“看起来不错”的模型。2.3 UNet 的 PyTorch 实现代码与参数说明先看网络主体。下面这段代码是这种项目里最常见的写法省略了部分重复块保留了完整结构逻辑方便你对照源码理解。import torch import torch.nn as nn class DoubleConv(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.conv nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding1), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue), nn.Conv2d(out_ch, out_ch, 3, padding1), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue), ) def forward(self, x): return self.conv(x) class UNet(nn.Module): def __init__(self, in_channels3, out_channels1, init_features64): super().__init__() features init_features # 编码器 self.enc1 DoubleConv(in_channels, features) self.enc2 DoubleConv(features, features * 2) self.enc3 DoubleConv(features * 2, features * 4) self.enc4 DoubleConv(features * 4, features * 8) self.pool nn.MaxPool2d(kernel_size2, stride2) # 瓶颈 self.bottleneck DoubleConv(features * 8, features * 16) # 解码器 self.up4 nn.ConvTranspose2d(features * 16, features * 8, kernel_size2, stride2) self.dec4 DoubleConv(features * 16, features * 8) self.up3 nn.ConvTranspose2d(features * 8, features * 4, kernel_size2, stride2) self.dec3 DoubleConv(features * 8, features * 4) self.up2 nn.ConvTranspose2d(features * 4, features * 2, kernel_size2, stride2) self.dec2 DoubleConv(features * 4, features * 2) self.up1 nn.ConvTranspose2d(features * 2, features, kernel_size2, stride2) self.dec1 DoubleConv(features * 2, features) self.out_conv nn.Conv2d(features, out_channels, kernel_size1) def forward(self, x): # 编码路径 enc1 self.enc1(x) enc2 self.enc2(self.pool(enc1)) enc3 self.enc3(self.pool(enc2)) enc4 self.enc4(self.pool(enc3)) # 瓶颈 bottleneck self.bottleneck(self.pool(enc4)) # 解码路径 dec4 self.up4(bottleneck) dec4 torch.cat([dec4, enc4], dim1) dec4 self.dec4(dec4) dec3 self.up3(dec4) dec3 torch.cat([dec3, enc3], dim1) dec3 self.dec3(dec3) dec2 self.up2(dec3) dec2 torch.cat([dec2, enc2], dim1) dec2 self.dec2(dec2) dec1 self.up1(dec2) dec1 torch.cat([dec1, enc1], dim1) dec1 self.dec1(dec1) return self.out_conv(dec1)这段代码里有几个需要留意的点。解码器每层上采样之后都要和编码器对应层的输出做通道拼接torch.cat的维度是dim1也就是通道维。很多新手在这里拼错维度或者忘记拼直接导致特征融合失效训练结果表现很差。ConvTranspose2d负责上采样但它不是唯一选择。项目里如果用双线性插值配合卷积效果通常也差不多但参数量和训练表现略有差异。实践中替换成nn.Upsample(scale_factor2, modebilinear)后显存占用会低一些适合显存吃紧的机器。两种做法都可以保留不要盲目改。in_channels默认是 3对应 RGB 三通道如果按后面的预处理方案只保留绿色通道这里要改成 1。out_channels是 1表示最终输出单通道预测图再接Sigmoid得到血管概率图。3. 数据预处理与加载DRIVE 的目录、掩码和分布防线3.1 DRIVE 数据集结构说明DRIVE 是视网膜血管分割最常用的公开数据集之一全部来自糖尿病视网膜病变筛查项目。标准目录结构通常是这样的目录/文件内容说明training/images/训练集眼底图.tif通常 20 张包含原始 RGB 图training/1st_manual/训练集人工标注.gif血管标注白线表示血管training/mask/训练集 ROI 掩码.gif标记眼底视网膜有效区域test/images/测试集眼底图.tif也是 20 张不参与训练test/1st_manual/测试集人工标注.gif用于最终评估test/mask/测试集 ROI 掩码.gif评估时只统计掩码内部区域拿到项目后第一件事不是跑训练而是先确认脚本是否把mask和1st_manual区分开。我见过不少复现失败的项目就是把掩码当成了标签去算损失结果模型学到的根本不是血管而是眼底图像的外轮廓。DRIVE 的mask标记的是“哪些区域要参与评估”1st_manual才是血管金标准这两个文件一旦读混后面所有指标都会失真。另一个容易被忽略的地方是测试集也有自己的掩码。评估时要把预测结果乘上掩码只统计视网膜有效区域否则图片黑色边框会被算进背景里虚高特异性分数。顺手把测试集掩码读进来训练最后阶段评估时用上是省事又稳妥的习惯。3.2 预处理脚本绿色通道、CLAHE 与归一化眼底图里血管在绿色通道下对比度最高红色通道偏亮容易饱和蓝色通道噪声大。常见的预处理做法是分离通道后只保留绿色通道再做对比度受限自适应直方图均衡化CLAHE最后归一化。这样既压缩了计算量又让血管边缘更清晰。下面这段预处理逻辑和项目里常见实现基本一致import cv2 import numpy as np from glob import glob import os def preprocess_drive_images(image_dir, save_dir): os.makedirs(save_dir, exist_okTrue) image_paths sorted(glob(os.path.join(image_dir, *.tif))) for path in image_paths: img cv2.imread(path) # 分离 BGR 通道保留绿色通道 b, g, r cv2.split(img) # CLAHE 提升局部对比度clipLimit 控制增强幅度 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) g_clahe clahe.apply(g) # 归一化到 [0,1]后面转 Tensor 时再换算成 [0,1] float g_norm g_clahe / 255.0 base_name os.path.basename(path).replace(.tif, .npy) np.save(os.path.join(save_dir, base_name), g_norm.astype(np.float32))绿色通道加 CLAHE 是眼底图像分割里非常固定的组合拳clipLimit取 2.0 是比较稳的值。如果发现血管和背景对比还是不够可以适当把clipLimit调到 3.0但别调太高否则背景噪声也会被放大。这里还有一个容易暗藏的问题cv2.imread读进来的是 BGR 顺序不是 RGB如果你在 NumPy 里直接按索引取r通道取到的实际上是红色通道。务必记住 OpenCV 通道顺序这个细节。保存成.npy而不是图片格式看起来多此一举实际有两个好处一是省去训练时反复读取磁盘和 JPEG 解压的时间二是numpy格式可以直接进Dataset省去一次transform字符串解析。整套预处理只需要跑一次之后训练和验证都用同一份预处理产物也避免了训练时做在线 CLAHE 导致 CPU 占用过高的问题。3.3 数据增强与 Dataset 加载器设计训练集只有 20 张图如果不做增强UNet 这种大参数模型很快就会过拟合。使用随机裁剪、水平翻转、垂直翻转三种基础增强足够因为血管本身对翻转不敏感。额外的旋转或多尺度裁剪也可以加但要注意掩码必须和图像应用同一种变换。这个“同步变换”的细节在增强代码里最容易出错。下面是一份标准 Dataset 结构图像和掩码各自经过相同随机种子下的同步变换import torch from torch.utils.data import Dataset import numpy as np import random class DRIVEDataset(Dataset): def __init__(self, image_dir, mask_dir, crop_size256, augmentFalse): self.image_paths sorted(glob(os.path.join(image_dir, *.npy))) self.mask_paths sorted(glob(os.path.join(mask_dir, *.gif))) self.crop_size crop_size self.augment augment def __len__(self): return len(self.image_paths) def __getitem__(self, idx): # 这里实际项目会按文件名对应读取而不是按索引硬匹配 image np.load(self.image_paths[idx]) mask cv2.imread(self.mask_paths[idx], cv2.IMREAD_GRAYSCALE) mask (mask 0).astype(np.float32) # 随机裁剪到固定尺寸训练和验证都用同一套逻辑 H, W image.shape x random.randint(0, H - self.crop_size) y random.randint(0, W - self.crop_size) image image[x:x self.crop_size, y:y self.crop_size] mask mask[x:x self.crop_size, y:y self.crop_size] if self.augment: if random.random() 0.5: image np.flip(image, axis1) mask np.flip(mask, axis1) if random.random() 0.5: image np.flip(image, axis0) mask np.flip(mask, axis0) image_tensor torch.from_numpy(image.copy()).unsqueeze(0) mask_tensor torch.from_numpy(mask.copy()).unsqueeze(0) return image_tensor, mask_tensor这份代码的裁剪逻辑是固定的正方形区域如果原始图和掩码尺寸不一致必须先统一尺寸。DRIVE 的原始图像是 565×584通常项目会先把图和掩码 resize 到统一大小再执行裁剪。这里需要特别关注mask的读取方式.gif是单通道直接用IMREAD_GRAYSCALE读如果你用 PIL 读也要显式转成 L 模式避免出现通道维度错位。torch.from_numpy(...).unsqueeze(0)的作用是给二维数组加上一个通道维。如果你的网络输入是单通道这里正好匹配如果仍然想用三通道输入保留绿色通道的同时也可以把红蓝通道作为弱特征一起输入就要在预处理阶段合并成三通道数组。两种方式都有人用实验下来绿色通道单输入在 DRIVE 上表现并不差而且训练更快。4. 训练与调参落地优化器、损失和检查点的工程化写法4.1 训练主循环从模型初始化到 checkpoint 保存搭建完网络和 Dataset训练环节实际上只剩下一个标准循环。这个项目里的训练逻辑通常包含训练阶段评估、验证阶段评估、模型保存三部分。下面这段伪代码可以从源码中对应出来model UNet(in_channels1, out_channels1).cuda() optimizer torch.optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-5) criterion build_bce_dice_loss() for epoch in range(epochs): model.train() train_loss 0.0 for images, masks in train_loader: images images.cuda() masks masks.cuda() preds model(images) loss criterion(preds, masks) optimizer.zero_grad() loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() train_loss loss.item() # 每 10 个 epoch 保存一次完整快照 if epoch % 10 0 or epoch epochs - 1: torch.save({ epoch: epoch, model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), train_loss: train_loss / len(train_loader), }, fcheckpoints/unet_epoch_{epoch}.pth)以上代码的优化器选的是 AdamW它和经典 Adam 的区别是权重衰减处理方式更规范在小数据集上更容易得到稳定结果。clip_grad_norm_是一个经常被拿掉的步骤但血管分割数据集数值异常多偶尔会出现个别样本产生巨大梯度。加一行裁剪最多损失一点收敛速度却能避免训练中期 loss 突然变成 NaN。checkpoint 保存不能只存模型权重。把 epoch、优化器状态和当前 loss 一起存下来后面想恢复训练或者调整学习率继续跑都能直接通过torch.load恢复。若是只存model.state_dict()中断恢复后优化器状态会重新初始化相当于变相丢掉了之前的学习率调整记录。4.2 关键参数配置与调整基准下面这张参数表是从 DRIVE 上跑通这类项目的常见配置中整理出来的。不同脚本会有出入但数量级基本一致。参数推荐值调整说明输入尺寸256×256显存小就降到 224但标签边缘会受影响Batch Size420 张训练图batch 再大容易过拟合初始学习率1e-4用 1e-3 容易前几十个 epoch 震荡学习率调整ReduceLROnPlateau验证 Dice 不升时降 0.5 倍Epoch100-150DRIVE 上 100 epoch 基本足够优化器AdamW权重衰减建议 1e-5 到 1e-4损失组合BCE Dice两权重建议各 0.5需要注意batch_size4在单卡 8GB 显存下跑 256×256 输入通常没有问题。如果显存紧张可以优先缩小输入尺寸而不是降低 batch size因为 UNet 的参数量摆在那里批大小过小会导致 BatchNorm 统计不稳定训练振荡严重。学习率 1e-4 是我在这个项目上的常用起点。上了 AdamW 也不要迷信默认学习率尤其当输入尺寸变小后梯度规模变化默认值不一定合适。验证集 Dice 连续 15 个 epoch 不提升就把学习率乘以 0.5连续 30 个 epoch 不动就要检查数据预处处理是不是出了问题。4.3 可视化工具把预测结果和损失曲线拉出来看该项目里自带的可视化工具一般做三件事绘制训练损失曲线、保存预测概率图、把预测结果和金标准叠加对比。很多跑深度学习项目的习惯是把可视化当成事后工作但我建议每个 epoch 结束后都保存一次小图。20 张训练图的模型看不出来 loss 数值是否稳定但一定看得出来分割边缘是否成型。可视化代码的常见形式如下def visualize_prediction(image, mask, pred, save_path): import matplotlib.pyplot as plt plt.figure(figsize(12, 4)) plt.subplot(1, 3, 1) plt.imshow(image.squeeze(), cmapgray) plt.title(Input) plt.subplot(1, 3, 2) plt.imshow(mask.squeeze(), cmapgray) plt.title(Ground Truth) plt.subplot(1, 3, 3) plt.imshow(pred.squeeze(), cmapgray) plt.title(Prediction) plt.savefig(save_path, dpi150, bbox_inchestight) plt.close()保存的预测图应该是模型输出的概率图是 0 到 1 之间的浮点数不要提前用阈值二值化因为你看灰度图能直接判断概率分布的高斯性和边界清晰度。二值化阈值通常会设在 0.5这在血管分割里不是最优选择后文验证部分会提到。如果发现预测图上血管整体比标签细一圈问题大概率出在损失函数里 Dice 权重过低如果预测图有许多零散噪点大概率是数据增强不够或者模型过拟合。可视化结果的价值就在这里不用等训练到最后一个 epoch你就能提前判断方向是否正确。5. 避坑指南DRIVE 数据集和 UNet 训练最容易翻车的五处5.1 掩码被当成标签读进损失函数现象训练第一轮 loss 很低验证集 Dice 却几乎为 0。原因把mask目录下的 ROI 掩码当作血管金标准。ROI 掩码标注的是整个视网膜圆形区域和血管分割标签长相完全不同模型很容易拟合出圆形轮廓。解决先打印一个 batch 的 mask 张量看一眼标签是不是只有血管纹理再核对Dataset里读取路径指向的是1st_manual而不是mask。这种低级错误最隐蔽因为日志中 loss 完全正常。5.2 随机裁剪把重要血管分支切掉现象用 256×256 随机裁剪训练 100 个 epoch 后测试集表现比训练集差不少而且预测图边缘区域断裂严重。原因DRIVE 眼底图是圆形 ROI边缘本身有大量黑色背景。随机裁剪会频繁采到背景区域同时血管分支在原始图中贯穿全图固定裁剪尺寸把长程连接切断。解决训练时把裁剪中心限制在 ROI 掩码内部或者先做一次基于掩码的 ROI 外接矩形裁剪再在矩形内部随机裁剪。另一个辅助办法是增强时加入小幅旋转和弹性形变让血管分支走向更多样而不是依赖裁剪保留连通性。5.3 验证时候图片尺寸和模型输入不一致现象训练时 loss 正常到验证阶段突然报维度错误。原因验证阶段没有随机裁剪直接输入原始尺寸 565×584而 UNet 下采样四次后要求输入尺寸能被 16 整除。解决统一验证流程所有输入先resize到 256×256或者用F.interpolate把输出插值回原图尺寸。不能直接让模型吃原图因为 UNet 结构对非整除尺寸很敏感最后一层上采样的尺寸会错位。5.4 评估指标忽略测试集掩码现象测试集 Dice 看起来很漂亮但打开预测图发现黑色边框全被预测成背景。原因背景区域占比例很大模型把黑色区域预测为背景能刷高特异性而边界区域没有参与真实评估。解决计算指标前把预测结果和 ROI 掩码做逐像素相乘同时把金标准和预测结果都限定在掩码区域。正确公式是用掩码内的预测去算 Dice 和敏感度而不是用全图。5.5 显存不足时盲目调低 batch size现象显存报错后把 batch size 从 4 改到 1训练开始震荡。原因BatchNorm 在 batch size 为 1 时统计量是单样本均值方差失真相当于动态噪声导致模型无法稳定收敛。解决优先把输入尺寸从 256 降到 224或者关闭 BatchNorm 并改用 InstanceNorm。代码上如果把nn.BatchNorm2d替换成nn.InstanceNorm2dbatch size 为 1 时依然能稳定训练。这个替换对单张预测也友好很多和本项目类似的代码默认用 BatchNorm你得在遇到显存瓶颈时想起来这层关系。5.6 保存预测图和保存概率图混淆现象测试集可视化的血管都纤细且星点状和金标准差距大。原因直接对 sigmoid 输出做 0.5的硬阈值但血管概率分布往往不是标准的二值分布在 0.5 附近有大量像素。解决先把预测图保存成概率图观察灰度分布取值区间代表血管的置信度如果需要二值化先做 Otsu 阈值或者验证集上搜索最优阈值。6. 验证与改进跑完测试集再做一次细节复盘6.1 用一次系统化预测来检验整个流程训练停下后不要急着调参先完整跑一遍测试集预测脚本。很多项目把测试集预测和训练分开你可以把每张测试图的输入、ROI 掩码、预测概率图和二值化结果都存档然后按掩码区域计算 Dice 和敏感度。记录这三个数值的同时也保存概率图的灰度分布统计比如 0.1 以下的像素占比多少、0.5 到 0.9 之间的像素占比多少。这些统计能反映出模型是犹豫型还是极端型在血管分割里过度极端的输出往往代表边界信息丢失。测试集只有 20 张图逐张看预测图是说得过去的。找到预测最差的几张图把原始图像、绿色通道增强图、金标准和预测四个图放在一起对照。通常你会发现两类问题一是图像本身对比度差预处理参数不适合这张图二是细小血管在深层特征里被稀释深度学习模型对细长分支的还原天然有瓶颈。6.2 指数移动平均、测度与阈值搜索在推进到第 6 章时你已经有了一个可以稳定收敛的模型基线。下面这个技巧能直接把测试集 Dice 提高一到两个点。传统模型预测时直接用当前权重但训练后期权重在最优解附近震荡。改用指数移动平均EMA来保存一份滑动平均权重往往能得到更平滑的预测结果。PyTorch 里的实现不复杂核心代码长这样ema_decay 0.99 ema_model {k: v.clone() for k, v in model.state_dict().items()} # 每个 step 更新一次 for k in model.state_dict(): ema_model[k] ema_decay * ema_model[k] (1 - ema_decay) * model.state_dict()[k]EMA 在分类任务里能稳定验证集分数在血管分割里同样适用。另外评估阈值不要死守 0.5。在验证集上画出 Dice 随阈值变化的曲线最优阈值往往会偏到 0.3 到 0.6 之间某一处。这个“搜索阈值”的步骤非常短对最终指标的影响却很明显是复现高分报告时不可跳过的细节。6.3 给后续实验留下扩展接口基线跑通后如果你想基于 UNet 做改进最优改动不是换网络结构而是在数据侧做文章。把绿色通道和红色通道的差值做成额外输入通道能增强血管和背景的可区分度或者在预处理阶段加入血管增强滤波器比如 Frangi 滤波器它的响应图可以作为第四通道输入。项目里如果预留了通道拼接逻辑你只需要增加预处理输出和in_channels参数。很多从公开项目复现的人拿到代码后容易陷入“只训练、不改代码”的状态。我会在每次训练完成后把测试集预测最差的三张图单独建一个文件夹记录它们的文件名、Dice 值、预测概率均值。下一次实验结束后先看这三个文件的指标有没有提升而不是看平均 Dice。平均 Dice 有时接近了但最差样本仍然在拖后腿这在实际应用里恰恰是关键问题。我从开始完整跑通这个基于 UNet 架构的视网膜血管分割项目起就养成了一个强制习惯每次训练落地前先手动验证 3 张测试图的预处理产物确认掩码读取正确、增强同步正常再启动训练。那次把 mask 当标签读取导致整个实验翻车后这个检查动作就成了我再也跳不过去的流程。希望这个习惯和这套项目的完整拆解也能让你在 DRIVE 和后续自己的数据上少走一段弯路希望帮到你。本文还有配套的精品资源点击获取