1. 从零开始：为什么选择 reTerminal 与 Pi 摄像头做物体检测？

如果你对嵌入式AI和物联网应用感兴趣，想亲手搭建一个能“看见”并“理解”周围世界的智能终端，那么“reTerminal + Pi摄像头”这个组合绝对是一个绝佳的起点。我最近刚完成了一个基于这个平台的物体检测项目，整个过程下来，感觉它完美地平衡了性能、成本和开发友好度，特别适合开发者、创客甚至是有一定动手能力的学生来实践。

reTerminal 本质上是一台高度集成、工业级的 Raspberry Pi CM4 计算模块载体。它自带一块5英寸的触摸屏、丰富的接口（包括专门用于摄像头的CSI接口）、可编程按键，甚至还有环境光传感器和IMU。这意味着你拿到手的就是一个完整的、带交互界面的嵌入式设备，省去了自己组装屏幕、连接各种外设的麻烦。而 Raspberry Pi 官方摄像头（简称 Pi 摄像头）则是经过充分验证的视觉传感器，与树莓派生态无缝兼容，驱动成熟，图像质量稳定。

将这两者结合做物体检测，核心价值在于：你可以在一个巴掌大小、功耗极低的设备上，实现实时的、本地的AI视觉推理，无需依赖云端网络。想象一下，你可以用它做一个智能门铃，识别门口的是人还是包裹；或者做一个生产线上的零件检测工站；甚至是一个能自动识别宠物的智能喂食器。这一切都运行在本地，数据隐私有保障，响应速度也快。最近业界对像嘉楠K230这类端侧AI芯片的讨论很热，其核心诉求也是边缘计算与低功耗，而我们用现成的树莓派生态（CM4+摄像头）就能快速验证类似的概念，门槛要低得多。

接下来，我将详细拆解从硬件准备、软件环境搭建、模型选择与优化，到最终部署和界面交互的完整流程。我会重点分享我在这个过程中踩过的坑和总结出的实用技巧，目标是让你看完就能动手复现一个属于自己的物体检测终端。

2. 硬件准备与环境配置：避开第一个大坑

工欲善其事，必先利其器。硬件连接看起来简单，但这里往往是第一个容易出错的地方。

2.1 硬件清单与正确连接

你需要准备以下核心硬件：

1. reTerminal 设备：确保是搭载了 Raspberry Pi Compute Module 4（CM4）的版本。
2. Raspberry Pi 摄像头模块：推荐使用 Pi Camera Module 3，因为它支持自动对焦，画质也更好。Camera Module 2 或 HQ Camera 也可以，但注意接口兼容性。
3. CSI 排线：一般摄像头会附带。这里有个关键细节：reTerminal 的 CSI 接口是垂直向上的，而排线有金属触点的一面必须朝向 reTerminal 的 PCB 板方向（通常是与网口、USB口相反的方向）。插入后，轻轻拉一下黑色卡扣两侧的耳朵，锁紧排线。连接不牢是导致“无法识别摄像头”的最常见原因。
4. 电源与存储：为 reTerminal 准备一个 5V/3A 的 Type-C 电源。CM4的eMMC存储已预装系统，无需额外SD卡。

连接好后，启动 reTerminal。第一次启动可能需要几分钟初始化。你会看到基于 Raspberry Pi OS 的桌面环境。

2.2 操作系统与基础软件安装

reTerminal 预装的系统可能不是最新，或者我们需要一个更干净的环境。我推荐从 Seeed Studio 官网下载专为 reTerminal 适配的 Raspberry Pi OS 镜像，它包含了屏幕、按键等所有硬件的驱动。

步骤一：更新系统与启用摄像头打开终端，首先进行全系统更新：

sudo apt update sudo apt full-upgrade -y sudo reboot

更新后，需要确保摄像头接口已启用。虽然 reTerminal 的专用镜像通常已配置好，但检查一下更稳妥：

sudo raspi-config

在配置界面中，选择Interface Options->Legacy Camera（或Camera，取决于系统版本），确保其被设置为Enable。完成后退出并重启。

步骤二：验证摄像头工作重启后，用一个简单命令测试摄像头：

libcamera-hello -t 0

这个命令会打开一个实时预览窗口。如果能看到图像，说明摄像头硬件连接和驱动完全正常。按Ctrl+C退出。

注意：传统的raspistill命令在最新的 Bullseye/Buster 系统上可能已被弃用或无法工作，libcamera系列命令是新的标准，务必使用它。

步骤三：安装 Python 环境与核心库我们的项目将主要使用 Python。安装 pip 和虚拟环境工具，管理项目依赖会更干净：

sudo apt install -y python3-pip python3-venv

然后创建一个项目目录并进入，建立虚拟环境：

mkdir ~/object_detection_project && cd ~/object_detection_project python3 -m venv venv source venv/bin/activate

激活虚拟环境后，命令提示符前会出现(venv)标识。接下来安装核心的计算机视觉库。这里有个选择：OpenCV。在树莓派上安装 OpenCV 如果从 pip 直接安装opencv-python，可能会遇到性能问题或缺少某些优化。我推荐使用针对 ARM 架构预编译的版本，或者从源码编译（耗时较长）。一个更快捷稳定的方法是安装libopencv系统包和 Python 绑定：

sudo apt install -y python3-opencv

在虚拟环境中，链接到系统已安装的 OpenCV：

pip install opencv-python-headless

此外，我们还需要安装图像处理库 PIL/Pillow，以及用于模型推理的框架。由于我们可能使用 TensorFlow Lite 或 ONNX Runtime 等轻量级引擎，先一并安装：

pip install pillow numpy pip install tflite-runtime

tflite-runtime是 TensorFlow Lite 的精简版，比安装完整的tensorflow包体积小得多，更适合嵌入式设备。

3. 物体检测模型的选择、获取与优化

模型是物体检测的大脑。在资源受限的 reTerminal（CM4通常为2GB或4GB内存）上，我们不能直接使用像 YOLOv8 原生 PyTorch 版本这样的大型模型，必须进行精心的选择和优化。

3.1 模型选型：在精度与速度间寻找平衡

对于边缘设备，我们的选型标准依次是：模型大小、推理速度（FPS）、精度（mAP）、易用性。以下是几个经过实战检验的候选：

1. MobileNet SSD (TensorFlow Lite)：经典中的经典。基于 MobileNet 骨干网络的单次检测器（SSD），模型小（约几MB到20MB），速度极快，在 COCO 数据集上能识别80类常见物体。缺点是对于小物体和密集场景的精度一般。
2. YOLOv5/v8 Nano/Small (导出为 TFLite 或 ONNX)：YOLO 系列在精度和速度的平衡上做得很好。YOLOv5n 或 YOLOv8n 是专为移动端设计的纳米版本，模型大小在 3-5MB 左右，在 CM4 上使用适当的推理引擎（如 ONNX Runtime）可以达到接近实时的速度。
3. EfficientDet-Lite (TensorFlow Lite Model Maker)：谷歌专门为 TFLite 优化的 EfficientDet 版本，在同等计算量下通常比 MobileNet SSD 精度更高。TFLite Model Maker 工具还能让你用自己的数据轻松微调。

我的选择与理由：对于初次实践和大多数通用场景，我推荐从MobileNet SSD COCO 量化模型开始。原因有三：首先，它极其成熟，社区资料和示例代码最多，踩坑容易找到解决方案；其次，TFLite 运行时在树莓派上优化得很好，部署最简单；最后，它的速度足够快，在 reTerminal 上实现 5-10 FPS 的检测预览是可行的，能满足很多实时性要求不极端的场景。

3.2 获取与准备模型文件

以 MobileNet SSD v2（COCO 数据集）为例，我们可以直接从 TensorFlow 官方模型仓库下载预训练的 TFLite 模型。

在项目目录下，创建一个models文件夹并下载模型：

mkdir models cd models wget https://storage.googleapis.com/download.tensorflow.org/models/tflite/coco_ssd_mobilenet_v1_1.0_quant_2018_06_29.zip unzip coco_ssd_mobilenet_v1_1.0_quant_2018_06_29.zip

你会得到detect.tflite（模型文件）和labelmap.txt（标签文件）。标签文件定义了模型能识别的 80+1 个类别（+1 是背景）。

重要：理解量化模型我们下载的是“量化”（Quantized）模型。这意味着模型权重从浮点数（float32）转换成了整数（int8）。量化能大幅减少模型体积和提升推理速度，对 CPU 非常友好，是边缘部署的标配。代价是精度会有轻微损失，但对于很多应用而言完全可以接受。

3.3 测试模型推理：编写第一个检测脚本

在项目根目录，创建一个test_detection.py脚本，进行静态图片测试，验证整个链路是否通畅。

import cv2 import numpy as np import tflite_runtime.interpreter as tflite from PIL import Image # 1. 加载模型和标签 MODEL_PATH = ‘models/detect.tflite’ LABEL_PATH = ‘models/labelmap.txt’ interpreter = tflite.Interpreter(model_path=MODEL_PATH) interpreter.allocate_tensors() # 获取输入输出详情 input_details = interpreter.get_input_details() output_details = interpreter.get_output_details() _, height, width, _ = input_details[0][‘shape’] # 通常为 300x300 with open(LABEL_PATH, ‘r’) as f: labels = [line.strip() for line in f.readlines()] # 2. 准备输入图像（这里用一张本地测试图，或直接用摄像头抓一帧） # 假设有一张 test.jpg image = cv2.imread(‘test.jpg’) image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) image_pil = Image.fromarray(image_rgb) # 调整尺寸并归一化（量化模型期望输入为 uint8） input_data = np.expand_dims(image_pil.resize((width, height)), axis=0) # 3. 推理 interpreter.set_tensor(input_details[0][‘index’], input_data.astype(np.uint8)) interpreter.invoke() # 4. 解析输出 boxes = interpreter.get_tensor(output_details[0][‘index’])[0] # 边界框 classes = interpreter.get_tensor(output_details[1][‘index’])[0] # 类别索引 scores = interpreter.get_tensor(output_details[2][‘index’])[0] # 置信度 num = interpreter.get_tensor(output_details[3][‘index’])[0] # 检测数量 # 5. 可视化结果 for i in range(int(num)): if scores[i] > 0.5: # 置信度阈值 ymin, xmin, ymax, xmax = boxes[i] # 将归一化坐标转换为原图坐标 (left, right, top, bottom) = (xmin * image.shape[1], xmax * image.shape[1], ymin * image.shape[0], ymax * image.shape[0]) cv2.rectangle(image, (int(left), int(top)), (int(right), int(bottom)), (0, 255, 0), 2) label = ‘{}: {:.2f}%’.format(labels[int(classes[i])], scores[i]*100) cv2.putText(image, label, (int(left), int(top)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) cv2.imshow(‘Detection Result’, image) cv2.waitKey(0) cv2.destroyAllWindows()

运行这个脚本python test_detection.py，如果一切正常，你应该能看到图片中的物体被框出并标上了标签。这一步的成功，标志着模型和推理环境完全正确。

4. 实现实时摄像头流物体检测

静态图片测试通过后，我们就可以进入核心环节：连接 Pi 摄像头，进行实时视频流检测。这里的关键是高效地读取摄像头帧，并组织一个稳定的推理循环。

4.1 使用 libcamera 与 OpenCV 捕获视频

如前所述，在新版系统上，我们使用libcamera作为底层驱动。但 OpenCV 的cv2.VideoCapture默认可能无法直接与libcamera通信。一个可靠的方法是使用libcamera-vid管道，或者使用一个名为picamera2的新库，它是为libcamera设计的 Python 接口。

首先安装picamera2：

sudo apt install -y python3-picamera2

然后，我们编写实时检测脚本realtime_detection.py：

import cv2 import numpy as np import tflite_runtime.interpreter as tflite from picamera2 import Picamera2 from PIL import Image import time # 初始化摄像头 picam2 = Picamera2() # 配置预览格式：主流格式，与模型输入兼容 config = picam2.create_preview_configuration(main={“size”: (640, 480), “format”: “RGB888”}) picam2.configure(config) picam2.start() # 加载模型和标签（同上，此处省略以节省篇幅） interpreter = tflite.Interpreter(model_path=‘models/detect.tflite’) interpreter.allocate_tensors() input_details = interpreter.get_input_details() output_details = interpreter.get_output_details() _, input_height, input_width, _ = input_details[0][‘shape’] # 加载标签 with open(‘models/labelmap.txt’, ‘r’) as f: labels = [line.strip() for line in f.readlines()] # 帧率计算 fps_start_time = time.time() fps_frame_count = 0 fps = 0 print(“开始实时检测，按 ‘q’ 键退出...”) try: while True: # 从摄像头捕获一帧 frame = picam2.capture_array() # 直接得到 numpy array (RGB) if frame is None: continue # 计算并显示FPS fps_frame_count += 1 if fps_frame_count >= 30: fps = fps_frame_count / (time.time() - fps_start_time) fps_start_time = time.time() fps_frame_count = 0 cv2.putText(frame, f“FPS: {fps:.1f}”, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) # 准备模型输入 img_pil = Image.fromarray(frame) input_data = np.expand_dims(img_pil.resize((input_width, input_height)), axis=0) # 推理 interpreter.set_tensor(input_details[0][‘index’], input_data.astype(np.uint8)) interpreter.invoke() # 获取结果 boxes = interpreter.get_tensor(output_details[0][‘index’])[0] classes = interpreter.get_tensor(output_details[1][‘index’])[0] scores = interpreter.get_tensor(output_details[2][‘index’])[0] num = interpreter.get_tensor(output_details[3][‘index’])[0] # 在原图上绘制检测框 for i in range(int(num)): if scores[i] > 0.5: # 置信度阈值 ymin, xmin, ymax, xmax = boxes[i] left = int(xmin * frame.shape[1]) right = int(xmax * frame.shape[1]) top = int(ymin * frame.shape[0]) bottom = int(ymax * frame.shape[0]) cv2.rectangle(frame, (left, top), (right, bottom), (0, 255, 0), 2) label = f“{labels[int(classes[i])]}: {scores[i]*100:.1f}%” cv2.putText(frame, label, (left, top-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) # 显示结果 (BGR格式供OpenCV显示) frame_bgr = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR) cv2.imshow(‘Object Detection on reTerminal’, frame_bgr) # 按 ‘q’ 退出 if cv2.waitKey(1) & 0xFF == ord(‘q’): break finally: # 释放资源 picam2.stop() cv2.destroyAllWindows() print(“程序结束。”)

这个脚本创建了一个稳定的检测循环。picamera2直接提供 numpy 数组，避免了格式转换的额外开销。我们同时计算并显示了帧率（FPS），这是评估性能的关键指标。

4.2 性能调优与实战踩坑记录

直接运行上述脚本，你可能会发现 FPS 并不高，可能在 2-4 之间。这对于实时体验来说有点卡顿。下面是我经过多次尝试后总结的优化策略：

1. 降低输入分辨率与巧用线程：模型输入是300x300，但摄像头捕获是640x480。resize操作是 CPU 计算，有开销。我们可以尝试在摄像头配置时就用一个更低的分辨率，比如直接匹配模型输入：

config = picam2.create_preview_configuration(main={“size”: (300, 300), “format”: “RGB888”})

但这样预览窗口会很小。一个折中方案是：用低分辨率做推理，高分辨率做显示。我们可以配置摄像头输出两个流（still stream 和 preview stream），但这稍复杂。更简单实用的优化是使用生产者-消费者模型，将图像捕获和模型推理放在两个线程中，避免因推理阻塞导致掉帧。

2. 模型推理加速 - 使用 Coral USB 加速器（可选进阶）：如果对速度有极致要求（例如需要 20+ FPS），可以考虑添加硬件加速器。Google Coral USB Accelerator 是一个即插即用的边缘 TPU 设备，能极大加速量化 TFLite 模型。你需要下载专门编译的、兼容 Edge TPU 的模型文件（后缀为_edgetpu.tflite），并安装pycoral库。使用后，FPS 可以轻松提升一个数量级。这对于需要快速响应的应用（如高速流水线检测）是质的飞跃。

3. 发热与稳定性：长时间运行，CM4 会发热。reTerminal 的金属外壳有助于散热，但在高负载下仍可能过热降频。我建议：

• 在/boot/config.txt中添加temp_soft_limit=85（如果不存在），这允许芯片在更高温度下运行。
• 考虑在 reTerminal 背面粘贴小型散热片。
• 对于 24/7 运行的应用，最好在代码中添加温度监控，在温度过高时暂停检测或降低推理频率。

4. 一个常见的坑：picamera2的权限问题有时运行脚本会报错，提示无法打开摄像头。除了检查物理连接，还需要确保用户有访问摄像头的权限。将当前用户加入video组通常可以解决：

sudo usermod -a -G video $USER

然后需要注销并重新登录，或者重启系统，这个改动才能生效。

5. 打造交互式应用：利用 reTerminal 的硬件特性

reTerminal 不仅仅是一台“无头”的树莓派，它的屏幕和按键为我们提供了打造独立交互式应用的绝佳条件。我们可以摆脱对 SSH 和远程桌面的依赖，制作一个即开即用的检测终端。

5.1 使用 PyGame 或 Kivy 创建本地 GUI

OpenCV 的cv2.imshow()窗口在 reTerminal 的桌面环境下可以运行，但它不是一个原生的、全屏的、易于控制的应用。为了更好的体验，我们可以使用 PyGame 或 Kivy 这类 GUI 库来创建界面。

这里以 PyGame 为例，因为它更轻量，且适合简单的图像显示和按键交互。我们将修改之前的实时检测脚本，用 PyGame 窗口替代 OpenCV 的显示。

首先安装 PyGame：

pip install pygame

然后创建detection_gui.py：

import pygame import cv2 import numpy as np import tflite_runtime.interpreter as tflite from picamera2 import Picamera2 from PIL import Image import time from threading import Thread, Lock # 初始化 Pygame pygame.init() screen_width, screen_height = 800, 480 # reTerminal 屏幕分辨率 screen = pygame.display.set_mode((screen_width, screen_height)) pygame.display.set_caption(“reTerminal Object Detector”) clock = pygame.time.Clock() # 摄像头和模型初始化（与之前类似，略去细节） picam2 = Picamera2() config = picam2.create_preview_configuration(main={“size”: (640, 480)}) picam2.configure(config) picam2.start() interpreter = tflite.Interpreter(model_path=‘models/detect.tflite’) interpreter.allocate_tensors() # ... 加载标签等代码 ... # 线程安全的帧和结果存储 current_frame = None current_detections = [] # 存储格式: [(label, score, (x1,y1,x2,y2)), ...] frame_lock = Lock() def inference_thread(): global current_frame, current_detections while True: with frame_lock: if current_frame is None: time.sleep(0.01) continue frame_copy = current_frame.copy() # 在此帧上进行推理... # ... 推理代码，更新 current_detections ... time.sleep(0.05) # 控制推理频率，避免过度占用CPU # 启动推理线程 Thread(target=inference_thread, daemon=True).start() running = True while running: # 处理 Pygame 事件（如退出、按键） for event in pygame.event.get(): if event.type == pygame.QUIT: running = False elif event.type == pygame.KEYDOWN: if event.key == pygame.K_ESCAPE: # 按ESC退出 running = False elif event.key == pygame.K_SPACE: # 按空格保存截图 pygame.image.save(screen, f“capture_{int(time.time())}.jpg”) # 从摄像头获取最新帧 frame_rgb = picam2.capture_array() with frame_lock: current_frame = frame_rgb display_frame = frame_rgb.copy() # 在显示帧上绘制检测结果（从 current_detections 读取） # ... 绘制矩形和文本的代码 ... # 将 OpenCV 图像（RGB）转换为 Pygame 表面（需要转置和BGR2RGB？注意通道） # Pygame 期望的格式是 (width, height, RGB) frame_surface = pygame.surfarray.make_surface(np.transpose(display_frame, (1, 0, 2))) # 缩放表面以适应屏幕（可选） frame_surface = pygame.transform.scale(frame_surface, (screen_width, screen_height)) # 刷新屏幕 screen.blit(frame_surface, (0, 0)) pygame.display.flip() clock.tick(30) # 限制帧率 picam2.stop() pygame.quit()

这个框架将图像捕获（主线程）、模型推理（子线程）和界面渲染（主线程）分离，保证了界面的流畅性。同时，它响应了 reTerminal 的物理按键（通过 PyGame 的键盘事件），例如用 ESC 键退出，用空格键保存当前检测结果的截图。

5.2 利用 reTerminal 侧边按键与传感器

reTerminal 的侧边有5个可编程按键（A, B, C, D, 以及一个功能键）。我们可以将这些按键映射为应用功能，例如：

• A键：切换检测模型（例如在“人”检测和“车”检测模型间切换）。
• B键：调整置信度阈值。
• C键：开启/关闭检测结果显示，仅显示原始视频流。
• D键：拍照并保存。
• 功能键：退出应用。

在 PyGame 中，我们可以通过监听pygame.KEYDOWN事件，并判断event.key的值来捕获这些按键。需要先确认 reTerminal 上这些按键映射到了哪个键值，通常可以通过写一个简单的测试脚本来打印event.key得知。

此外，reTerminal 板载的环境光传感器和 IMU（惯性测量单元）也大有可为。例如，可以用环境光传感器自动调节屏幕亮度；用 IMU 检测设备姿态，当 reTerminal 被拿起或移动时，自动唤醒或进入检测模式。这些传感器的访问通常需要通过 I2C 或特定的 Linux 设备文件，需要安装额外的 Python 库（如smbus2读取 I2C）。

6. 项目进阶与优化思路

一个基础的可视化检测应用完成后，我们可以从以下几个方向进行深化，让它变成一个更“有用”的项目。

6.1 模型定制化：训练识别特定物体

预训练的 COCO 模型能识别80类物体，但如果你只想识别“螺丝刀”、“某种特定零件”或“自家宠物”，就需要定制模型。这里推荐使用TensorFlow Lite Model Maker。它大大简化了迁移学习的过程。

基本流程如下：

1. 收集数据：为你想要识别的物体（例如，“咖啡杯”）拍摄至少100-200张照片，最好在不同的角度、光照和背景下拍摄。用标注工具（如 LabelImg）标注出物体位置，生成 XML（VOC格式）或 JSON（COCO格式）文件。
2. 准备环境：在一台性能更强的机器（如你的开发电脑）上安装 TensorFlow 和 Model Maker。
3. 运行训练脚本：Model Maker 提供了示例脚本，你只需指定数据路径和预训练模型（如efficientdet-lite0），它就能自动完成数据转换、训练和导出 TFLite 模型。
4. 部署：将生成的.tflite文件拷贝到 reTerminal，替换之前的模型文件，更新标签路径，你的应用就变成了一个专属检测器。

6.2 集成与联动：从“看见”到“行动”

单纯的检测和显示价值有限，真正的威力在于与外部世界联动。

• 网络通信：检测到特定物体后，通过 reTerminal 的 Wi-Fi 或以太网，向服务器（如 Home Assistant, MQTT Broker）发送一条消息。例如，检测到“人”，就发送一条person_detected事件到智能家居系统，触发灯光或警报。
• 控制 GPIO：reTerminal 有可用的 GPIO 引脚（通过 40-pin 排针引出）。你可以通过gpiozero或RPi.GPIO库控制继电器、LED 灯或蜂鸣器。例如，检测到“猫”靠近喂食器，就触发 GPIO 信号打开一个舵机，放出猫粮。
• 本地日志与存储：将检测到的事件（时间、物体类别、置信度）记录到本地的 SQLite 数据库或 CSV 文件中，用于后续分析。

6.3 性能与功耗的终极权衡

对于电池供电或长期值守的应用，功耗是关键。

• 动态帧率：不是每一帧都需要检测。当场景静止时，可以降低检测频率（如每秒1次）；当 IMU 检测到运动或画面变化剧烈时，再提升到全速检测。
• 模型休眠：在无人时段，可以完全停止摄像头和推理进程，让系统进入低功耗的休眠状态，由定时器或外部传感器唤醒。
• 选择更优模型：对比不同轻量级模型（如 YOLO-Fastest, NanoDet）在你的特定场景下的精度、速度和功耗，选择最优解。

经过以上步骤，你手中的 reTerminal 就不再只是一个开发板，而是一个功能完整、可交互、能解决实际问题的智能视觉终端。从硬件连接、软件配置、模型推理到应用开发，整个流程走下来，你会对边缘AI视觉项目有一个非常扎实的理解。最重要的是，这个过程是可复现、可扩展的，你可以基于这个框架，去实现任何你想象中的视觉应用。