三亩地 三亩地SAN MU DI · CODE DIARY
交流投稿
ARTICLE DETAIL

日记详情

真实记录编程学习的某一天，欢迎挑你感兴趣的翻一翻。

首页/学习日记/日记详情

YOLOv8环境配置全攻略：从CUDA、PyTorch到实战避坑指南

发布时间：2026/8/12 11:24:36 三亩地 编程学习日记
YOLOv8环境配置全攻略：从CUDA、PyTorch到实战避坑指南

1. 项目概述：为什么YOLOv8环境配置是深度学习的“第一道坎”

最近在社区里看到不少朋友，尤其是刚入坑计算机视觉和深度学习的新手，在配置YOLOv8环境时踩了各种坑。从CUDA版本不匹配导致PyTorch无法调用GPU，到Anaconda虚拟环境里包冲突搞得焦头烂额，再到最后连个简单的demo都跑不起来，这个过程确实挺劝退的。我自己带团队做项目，也见过不少实习生卡在环境配置这一步，一两天都搞不定，非常影响效率和信心。

所以，我觉得有必要写一篇真正“从0到1”、手把手、避坑指南级别的YOLOv8环境配置全攻略。这篇文章的目标，是让你无论之前有没有接触过深度学习，都能按照步骤，在自己的电脑上搭建一个稳定、可用的YOLOv8开发环境。我们会从最基础的硬件和软件检查开始，一步步安装Anaconda、配置CUDA和cuDNN、安装匹配的PyTorch，最后成功运行YOLOv8的检测示例。更重要的是，我会把每一步背后的“为什么”讲清楚，比如为什么要用虚拟环境、CUDA版本怎么选、出错了怎么排查，这些都是官方文档不会细说，但实际工作中天天会遇到的经验之谈。

如果你正准备开始学习YOLOv8，或者之前配置环境总是不顺利，那么这篇内容就是为你准备的。我们争取用一篇文章，解决环境配置这个“老大难”问题。

2. 环境配置的核心思路与工具选型

在动手之前，我们得先理清思路。配置一个深度学习环境，尤其是像YOLOv8这种依赖特定GPU加速库的环境，本质上是在搭建一个兼容性栈：操作系统 -> 显卡驱动 -> CUDA工具包 -> cuDNN库 -> PyTorch框架 -> Python包。任何一环版本不匹配，都可能导致后续步骤失败。因此，我们的核心思路是“自上而下确认，自下而上安装”。

首先，为什么强烈推荐使用Anaconda？对于深度学习开发来说，Anaconda不仅仅是一个Python发行版，它更是一个强大的环境管理工具。不同的项目可能依赖不同版本的PyTorch、TensorFlow或其他库，直接安装在系统Python里会导致严重的版本冲突。通过Conda创建独立的虚拟环境，可以为YOLOv8项目隔离出一个干净的“沙箱”，在这个沙箱里，你可以随意安装、升级、降级包，而不会影响其他项目或系统。这是保证环境可复现、项目可移植的最佳实践。

其次，关于CUDA和PyTorch的版本选择。这是最容易出错的地方。CUDA是NVIDIA推出的通用并行计算架构，PyTorch需要调用CUDA来实现GPU加速。你必须根据你的NVIDIA显卡型号和已安装的驱动版本，来选择支持的CUDA版本，然后再去PyTorch官网找到对应此CUDA版本的PyTorch安装命令。盲目安装最新版往往会导致“PyTorch检测不到GPU”的经典问题。我们的策略是：先确定显卡驱动支持的最高CUDA版本，然后选择PyTorch官方稳定支持且与YOLOv8兼容的CUDA版本，通常不是选最新的，而是选最稳的。

最后，工具链的确定。我们将使用以下工具链，这也是目前社区最主流、问题解决方案最丰富的组合：

  • 环境管理：Anaconda (Miniconda也可)
  • 深度学习框架：PyTorch (YOLOv8官方基于PyTorch)
  • GPU计算平台：NVIDIA CUDA & cuDNN
  • 开发工具（可选但推荐）：VS Code 或 PyCharm，用于代码编写和调试。
  • 版本控制（可选但推荐）：Git，用于克隆YOLOv8官方代码。

这个组合经过了大量项目和开发者的验证，社区支持度极高，遇到问题几乎都能找到解决方案。

3. 前期准备：硬件与软件环境自查

在下载任何安装包之前，花10分钟做好检查，能避免后面90%的麻烦。

3.1 确认显卡与驱动支持

深度学习训练和推理严重依赖GPU的并行计算能力。首先确认你的电脑是否有NVIDIA显卡。

  1. 查看显卡型号：在Windows上，可以按Win + R，输入dxdiag并回车，在“显示”标签页查看“名称”。或者，在桌面右键点击“NVIDIA 控制面板”，在“系统信息”里查看。常见的消费级显卡如RTX 3060, 3080, 4090，笔记本显卡如RTX 4050, 4060等都支持CUDA。
  2. 查看显卡驱动版本：同样在“NVIDIA 控制面板”的“系统信息”中，查看“驱动程序版本”。记下这个数字，例如551.86。
  3. 核对CUDA支持：访问NVIDIA官网的CUDA版本支持文档，或者更简单的方法是，打开命令行（CMD或PowerShell），输入nvidia-smi并回车。这个命令会显示驱动信息以及此驱动支持的最高CUDA版本。例如，输出中有一行“CUDA Version: 12.4”，这意味着你当前的驱动最高支持CUDA 12.4。你可以安装等于或低于此版本的CUDA。

注意：nvidia-smi显示的CUDA版本是驱动支持的最高版本，不是你已安装的CUDA运行时的版本。如果你从未安装过CUDA Toolkit，那么这里显示的就只是驱动能力。

3.2 安装与配置Anaconda

如果还没安装Anaconda，这是第一步。

  1. 下载：访问Anaconda官网，下载适用于你操作系统（Windows/macOS/Linux）的Python 3.9或3.10版本的安装程序。对于深度学习，Python 3.8-3.10是兼容性最好的范围，不建议使用最新的3.11+，可能某些包尚未适配。
  2. 安装：运行安装程序。安装过程中，有两个关键选项建议勾选：
    • “Add Anaconda3 to my PATH environment variable”：虽然安装程序会警告，但勾选它可以让你在任意命令行窗口中使用conda命令，非常方便。如果你不勾选，后续只能通过专门的“Anaconda Prompt”来操作。
    • “Register Anaconda3 as my default Python 3.x”：这个可以勾选，让Anaconda的Python作为系统默认。
  3. 验证安装：安装完成后，打开一个新的命令行终端（Windows下可以是CMD或PowerShell，macOS/Linux下是Terminal）。输入conda --version和python --version。如果能正确显示版本号，说明安装成功。

3.3 创建专属的虚拟环境

这是保证环境纯净的关键一步。我们不建议在base环境中直接安装项目包。

  1. 创建环境：打开命令行，执行以下命令。这里我们创建一个名为yolov8的虚拟环境，并指定Python版本为3.9。
    conda create -n yolov8 python=3.9
  2. 激活环境：环境创建好后，需要激活才能使用。
    conda activate yolov8
    激活后，你会发现命令行的提示符前面变成了(yolov8)，这表示你已经进入了这个虚拟环境，之后所有pip install或conda install的操作都只影响这个环境。
  3. 实操心得：养成“一项目一环境”的习惯。在开始任何新项目前，先conda create -n 项目名。项目结束后，如果环境不再需要，可以用conda remove -n 环境名 --all彻底删除，非常清爽。

4. 安装CUDA与cuDNN：GPU加速的基石

如果你的电脑有NVIDIA显卡，并且打算用GPU来跑YOLOv8（训练或推理速度会快非常多），那么必须安装CUDA和cuDNN。如果你的电脑没有NVIDIA显卡（比如只有Intel集成显卡或AMD显卡），那么可以跳过本章节，后续直接安装CPU版本的PyTorch。但需要注意，用CPU运行YOLOv8会非常慢，基本只能用于学习推理流程，无法进行实际的模型训练。

4.1 确定CUDA版本

这是最关键的一步，版本错了，后面全错。我们之前用nvidia-smi查到了驱动支持的最高CUDA版本（比如12.4）。但我们不一定要安装这个最高版本，而是要安装与PyTorch稳定版本匹配的CUDA版本。

  1. 访问PyTorch官网：打开PyTorch官网的“Get Started”页面。这里会有一个安装命令生成器。
  2. 选择配置：在生成器中，依次选择：
    • PyTorch Build：Stable (稳定版)
    • Your OS：你的操作系统
    • Package：建议选择Conda或Pip。Conda安装有时会更方便地解决一些C库依赖，但Pip通常更直接。本文以Pip为例。
    • Language：Python
    • Compute Platform：这里就是选择CUDA版本。不要盲目选最新的！例如，你的驱动支持CUDA 12.4，但PyTorch Stable版本可能对CUDA 12.1的支持最成熟。那么你应该选择CUDA 12.1。如果找不到完全匹配的，就选择低于你驱动支持版本的、PyTorch支持的最高CUDA版本。例如，驱动支持12.4，PyTorch支持11.8和12.1，那就选12.1。
    • Run this Command：下面会生成一行安装命令，例如pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121。注意命令中的cu121就代表CUDA 12.1。记下这个版本号（12.1），这就是我们要安装的CUDA Toolkit版本。

4.2 安装CUDA Toolkit

现在我们知道要安装CUDA 12.1（假设）。

  1. 下载：前往NVIDIA CUDA Toolkit存档页面。找到CUDA 12.1.0（或12.1.1等具体小版本）的安装程序。选择适合你操作系统的版本（Windows通常选exe本地安装包）。
  2. 安装：运行安装程序。在安装选项时，选择“自定义安装”。在组件选择页面，务必取消勾选“Visual Studio Integration”（除非你确定需要），并确保“CUDA”下的组件，尤其是Development和Libraries是选中的。安装路径可以使用默认路径（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1），记住它。
  3. 配置环境变量：安装程序通常会自动添加CUDA路径到系统环境变量。为了保险起见，我们手动检查一下。
    • 在Windows搜索栏输入“环境变量”，打开“编辑系统环境变量”。
    • 在“系统变量”中找到并选中Path变量，点击“编辑”。
    • 检查是否存在以下两条路径（具体版本号根据你的安装调整）：
      • C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
      • C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp
    • 如果没有，请手动添加它们。确保这两个路径在包含Python或Anaconda路径的条目之上，避免冲突。
  4. 验证CUDA安装：打开一个新的命令行窗口（重要，需要重启终端让环境变量生效），输入nvcc -V。如果正确显示CUDA编译器的版本信息（如12.1），则说明CUDA Toolkit安装成功。

4.3 安装cuDNN

cuDNN是NVIDIA深度神经网络加速库，PyTorch和TensorFlow依赖它来高效执行GPU运算。

  1. 下载：访问NVIDIA cuDNN官网（需要注册登录）。下载与刚才安装的CUDA版本对应的cuDNN库。例如，CUDA 12.1就找for CUDA 12.x的cuDNN版本。
  2. 安装（实为解压与复制）：cuDNN的“安装”其实就是将几个文件复制到CUDA的安装目录。
    • 将下载的cuDNN压缩包解压，会得到一个名为cuda的文件夹，里面有bin,include,lib等子文件夹。
    • 打开CUDA的安装目录（如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1）。
    • 将解压出的cuda\bin目录下的所有文件，复制到CUDA安装目录的bin文件夹内。
    • 将cuda\include目录下的所有文件，复制到CUDA安装目录的include文件夹内。
    • 将cuda\lib\x64目录下的所有文件（主要是.lib和.dll文件），复制到CUDA安装目录的lib\x64文件夹内。
    • 如果遇到重复文件，选择替换。
  3. 验证：没有直接命令验证cuDNN，但后续PyTorch能正常使用GPU即说明配置成功。

注意事项：CUDA和cuDNN的版本必须严格匹配。从cuDNN官网下载时，一定要选择“for CUDA x.x”的版本。复制文件时，确保目录结构对应正确。

5. 安装PyTorch与YOLOv8

基础打好后，安装核心框架就相对简单了。

5.1 安装PyTorch

回到我们之前激活的yolov8Conda虚拟环境中。

  1. 使用官方命令安装：打开命令行，确保已激活conda activate yolov8。然后运行之前在PyTorch官网生成的命令。例如：
    pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
    这条命令会安装PyTorch核心库、视觉工具库和音频工具库，并且从CUDA 12.1的专用频道下载。
  2. 验证PyTorch及GPU可用性：安装完成后，启动Python交互环境进行测试。
    python
    在Python中，依次输入以下命令：
    import torch print(torch.__version__) # 打印PyTorch版本 print(torch.cuda.is_available()) # 检查CUDA是否可用，期望输出 True print(torch.cuda.get_device_name(0)) # 打印第一块GPU的名称，例如 ‘NVIDIA GeForce RTX 4060 Laptop GPU’
    如果torch.cuda.is_available()返回True，并且能正确打印出你的显卡型号，那么恭喜你，PyTorch的GPU环境配置成功！如果返回False，请跳转到本文的“问题排查”章节。

5.2 安装Ultralytics YOLOv8

YOLOv8由Ultralytics公司维护，他们提供了非常方便的Python包。

  1. 安装ultralytics包：在同一个yolov8环境中，使用pip安装。
    pip install ultralytics
    这个命令会自动安装YOLOv8以及其所有依赖，包括opencv-python, pillow, matplotlib, pandas等。
  2. 可选：安装其他常用工具：为了后续开发和调试更方便，我建议再安装几个工具包：
    pip install jupyterlab opencv-python-headless ipywidgets
    • jupyterlab: 交互式笔记本，非常适合进行代码片段测试和可视化。
    • opencv-python-headless：OpenCV的无头版本（不依赖GUI库），用于图像处理，比完整版更轻量且兼容性好。
    • ipywidgets：用于在Jupyter中创建交互式控件。

6. 运行你的第一个YOLOv8检测

环境全部就绪，是时候跑一个例子来验证整个流程了。

6.1 使用CLI命令快速验证

Ultralytics提供了强大的命令行接口，无需写代码即可进行预测。

  1. 下载预训练模型并进行图片检测：在命令行中执行以下命令。
    yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'
    这条命令做了以下几件事：
    • yolo: 调用Ultralytics的CLI工具。
    • predict: 执行预测任务。
    • model=yolov8n.pt: 指定使用YOLOv8 Nano模型（最小的模型）。程序会自动从Ultralytics的服务器下载这个预训练模型文件（.pt）。
    • source=‘...’: 指定预测的图片源，这里是一个网络图片URL。
  2. 查看结果：命令运行后，它会下载模型和图片，进行推理，并将结果保存到当前目录下的runs/detect/predict文件夹中。打开生成的结果图片，你应该能看到巴士上的人和车辆都被用方框标注出来了。

6.2 使用Python脚本进行更多控制

通过Python脚本，你可以进行更灵活的操作。

  1. 创建一个测试脚本：新建一个Python文件，例如test_yolov8.py。
  2. 编写代码：
    from ultralytics import YOLO import cv2 # 1. 加载预训练模型（会自动下载） model = YOLO('yolov8n.pt') # 2. 使用模型进行预测 # 来源可以是图片路径、视频路径、摄像头ID（如0）、URL或PIL图像 results = model.predict(source='https://ultralytics.com/images/bus.jpg', save=True, show=True, conf=0.5) # 3. 处理结果 for result in results: # 打印检测到的类别和坐标 boxes = result.boxes if boxes is not None: print(f"检测到 {len(boxes)} 个目标") for box in boxes: cls_id = int(box.cls) conf = float(box.conf) xyxy = box.xyxy.tolist()[0] print(f" 类别: {model.names[cls_id]}, 置信度: {conf:.2f}, 坐标: {xyxy}") # 使用OpenCV显示结果（如果show=True，predict方法已经显示了，这里可作额外处理） result_img = result.plot() # 获取绘制了框的BGR图像 cv2.imshow('YOLOv8 Detection', result_img) cv2.waitKey(0) cv2.destroyAllWindows()
  3. 运行脚本：在终端中，确保在yolov8环境下，运行python test_yolov8.py。你会看到程序下载模型、执行预测、弹出显示结果的窗口，并在终端打印出检测到的目标信息。

实操心得：第一次运行model = YOLO(‘yolov8n.pt’)时，会从网上下载模型文件（约6MB）。下载后的模型会缓存在本地（通常在用户目录下的.cache/ultralytics文件夹），下次再加载同一模型时就无需下载了。predict方法的save=True参数会将结果图片保存到runs/detect/predict目录，show=True会弹窗显示，这在服务器无GUI环境下需要设置为False。

7. 环境配置的常见问题与深度排查

即使按照步骤操作，也可能会遇到问题。这里汇总了最常见的几个“坑”及其解决方案。

7.1 PyTorch无法检测到GPU（torch.cuda.is_available() 返回 False）

这是最高频的问题，根本原因就是版本不匹配。

  1. 检查驱动版本与CUDA版本匹配：再次运行nvidia-smi，确认驱动支持的CUDA版本（例如12.4）高于或等于你安装的CUDA Toolkit版本（例如12.1）。如果驱动版本太旧，不支持你安装的CUDA，则需要更新显卡驱动。
  2. 检查PyTorch的CUDA版本：在Python中运行：
    import torch print(torch.version.cuda)
    这会打印出PyTorch构建时所依赖的CUDA版本。它必须与你安装的CUDA Toolkit版本（用nvcc -V查看）完全一致。如果不一致，说明你安装的PyTorch版本不对。你需要卸载PyTorch，然后根据你已安装的CUDA Toolkit版本，去PyTorch官网重新生成安装命令。
    pip uninstall torch torchvision torchaudio # 然后使用正确的命令重装
  3. 检查环境变量：确保CUDA的bin和libnvvp目录已正确添加到系统Path中，并且没有其他旧版本CUDA的路径干扰。
  4. 终极排查：如果以上都正确，可以尝试在Python中直接测试CUDA运行时：
    import torch print(torch.cuda.is_available()) # False # 尝试一个更底层的操作，可能会抛出具体错误信息 try: torch.zeros(1).cuda() print("CUDA tensor creation succeeded.") except Exception as e: print(f“CUDA error: {e}”)
    根据错误信息去搜索，通常能定位到具体问题，比如某个DLL文件缺失（可能是cuDNN没装好）。

7.2 安装过程中包冲突或下载超时

  1. 使用国内镜像源：由于网络原因，从PyTorch官方源或pip官方源下载可能很慢甚至失败。可以临时使用国内镜像加速。
    • 对于PyTorch，官网命令通常指向其自有索引，速度尚可。如果慢，可以尝试清华源（但需注意PyTorch的CUDA版本与镜像源同步可能延迟）。
    • 对于pip install ultralytics或其他Python包，可以这样使用镜像：
      pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
  2. 使用Conda安装PyTorch：如果pip安装总出问题，可以回到PyTorch官网，选择Conda作为包管理器，生成类似conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia的命令。Conda有时能更好地解决C库依赖。
  3. 创建全新的虚拟环境：如果当前环境已经混乱，各种包版本冲突，最干脆的办法就是删掉旧环境，从头创建一个新的。
    conda deactivate conda remove -n yolov8 --all conda create -n yolov8 python=3.9 conda activate yolov8 # 然后重新安装

7.3 运行YOLOv8时提示缺少模块或DLL

  1. 缺少Python模块：例如ImportError: No module named ‘cv2‘。这说明OpenCV没有安装。在虚拟环境中用pip install opencv-python-headless安装即可。其他缺失模块同理。
  2. 缺少系统DLL：在Windows上，可能会报错类似Could not load library cudnn_cnn_infer64_8.dll。这几乎总是cuDNN安装不正确导致的。请严格按照4.3节的步骤，将cuDNN的文件复制到CUDA安装目录的对应文件夹中，并确保没有遗漏。复制后最好重启电脑。

7.4 性能问题：GPU利用率低或速度慢

  1. 确认正在使用GPU：运行任务时，打开任务管理器，查看“性能”选项卡下的GPU使用情况。如果YOLOv8运行时GPU（通常是GPU 0，3D部分）使用率有显著上升，说明GPU在工作。如果一直是0%，则可能代码实际运行在CPU上。
  2. 检查数据加载瓶颈：GPU速度很快，但如果数据准备（如图片读取、预处理）太慢，GPU就会空闲等待。确保你的数据源（如硬盘）速度不是瓶颈。对于视频流或大量图片，可以考虑使用多进程加载。
  3. 使用更合适的模型：yolov8n.pt（Nano）速度最快但精度较低。yolov8s.pt,yolov8m.pt,yolov8l.pt,yolov8x.pt模型越来越大，精度提高但速度变慢。根据你的实际需求（实时性 vs 准确性）选择合适的模型。

8. 进阶配置与开发环境优化

基础环境搞定后，为了让开发更高效，可以考虑以下优化。

8.1 配置VS Code作为开发环境

VS Code轻量且插件丰富，是很好的Python开发选择。

  1. 安装Python扩展：在VS Code中搜索并安装“Python”扩展（由Microsoft发布）。
  2. 选择解释器：打开你的项目文件夹，按Ctrl+Shift+P，输入 “Python: Select Interpreter”，然后选择前面创建的yolov8虚拟环境下的Python解释器（路径通常类似~/anaconda3/envs/yolov8/bin/python或C:\Users\...\Anaconda3\envs\yolov8\python.exe）。
  3. 安装代码提示插件：安装“Pylance”或“Jupyter”扩展，可以获得更好的代码补全和笔记本支持。
  4. 调试：在Python文件中设置断点，按F5即可启动调试，可以方便地查看变量值，跟踪执行流程。

8.2 使用Jupyter Notebook进行交互式开发

对于算法调试、数据可视化和快速实验，Jupyter Notebook无可替代。

  1. 启动JupyterLab：在激活的yolov8环境中，运行jupyter lab。这会在浏览器中打开JupyterLab界面。
  2. 创建Notebook：点击“Python 3”图标，创建一个新的Notebook。
  3. 在Cell中运行代码：你可以将前面测试脚本中的代码分块复制到不同的Cell中执行。例如，第一个Cell导入包，第二个Cell加载模型，第三个Cell进行预测并显示。这样可以边写边看结果，非常直观。
  4. 实操心得：在Notebook中，如果遇到图像显示问题（如图不显示），可以尝试在导入库后添加以下魔法命令：
    %matplotlib inline
    并且使用matplotlib来显示图片：from matplotlib import pyplot as plt; plt.imshow(result_img); plt.show()。

8.3 准备自己的数据集进行训练（概念指引）

本文重点是环境配置，但配置环境的最终目的通常是为了训练自己的模型。这里给出一个极简的概念流程：

  1. 数据标注：使用LabelImg、CVAT等工具，将你的图片中的目标用矩形框标注出来，生成YOLO格式的标签文件（每个图片对应一个.txt文件，内容为class_id x_center y_center width_height，坐标是归一化后的）。
  2. 组织目录结构：创建一个数据集文件夹，例如mydataset/，内部按如下结构组织：
    mydataset/ ├── images/ │ ├── train/ # 存放训练图片 │ └── val/ # 存放验证图片 └── labels/ ├── train/ # 存放训练标签 .txt文件 └── val/ # 存放验证标签 .txt文件
  3. 创建数据集配置文件：创建一个mydataset.yaml文件，定义路径和类别。
    path: /path/to/mydataset # 数据集根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 # 类别数 nc: 2 # 类别名称列表 names: [‘cat’, ‘dog’]
  4. 启动训练：在命令行或Python脚本中：
    yolo train data=mydataset.yaml model=yolov8s.pt epochs=100 imgsz=640
    这将会基于yolov8s.pt模型，在你的数据集上进行微调训练100轮。

环境配置是项目成功的基石，一个稳定、兼容的环境能让你把全部精力集中在算法和业务逻辑上，而不是无穷尽地解决依赖冲突。按照本文的步骤，耐心细致地操作，遇到问题对照第7章排查，你一定能搭建出属于自己的YOLOv8开发环境。接下来，就可以尽情探索目标检测的精彩世界了。如果在配置过程中遇到本文未涵盖的奇怪问题，最好的方法是仔细阅读终端报错信息，并将其复制到搜索引擎中，你大概率会在GitHub Issues或技术论坛里找到答案。

编程学习 学习日记 实战经验
← 返回列表