30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度这次我们来看一个将 Ultralytics YOLO 从模型训练到机器人集成的完整项目。这个项目的核心不是单纯地跑通一个目标检测 demo而是构建一个能够实际运行的“智能麻将机器人”原型。它清晰地展示了如何利用 YOLO 完成一个计算机视觉项目的全流程从数据准备、模型训练、性能评估到最终将模型部署到机器人系统中实现实时识别与决策。对于想将 AI 模型真正“用起来”的开发者来说这是一个极具参考价值的实战案例。Ultralytics YOLO 以其简洁的 API 和强大的性能著称非常适合快速原型开发和工业级部署。本文将围绕“智能麻将机器人”这个具体场景拆解如何使用 YOLO 识别麻将牌并探讨将其与机器人执行机构如机械臂集成的思路。整个过程会重点关注几个关键点硬件门槛需要什么样的显卡、数据集的准备如何标注麻将牌、模型的训练与优化、以及最终如何将模型封装成服务供机器人系统调用。如果你关心本地部署、模型轻量化、实时推理和软硬件结合这篇文章可以直接收藏。1. 核心能力速览能力项说明项目类型基于 Ultralytics YOLO 的计算机视觉应用开发与机器人系统集成核心功能自定义目标检测模型训练、模型评估与导出、实时视频流推理、与机器人系统如ROS接口集成主要技术栈Python, PyTorch, Ultralytics YOLO (YOLOv8/YOLO26), OpenCV, ROS (可选)硬件门槛 (训练)推荐 NVIDIA GPU (GTX 1060 6G 或以上)显存 ≥ 4GB。CPU 可训练但极慢。硬件门槛 (推理)可灵活部署。GPU (Jetson, 桌面显卡) 用于实时推理CPU (如树莓派) 可用于轻量级或非实时场景。启动/运行方式命令行/Python脚本启动训练、评估、预测可封装为 REST API 或 ROS Node 供机器人调用。是否支持 API是。可通过 Ultralytics 的 Python API 或自行封装 Flask/FastAPI 服务提供推理接口。是否支持批量任务是。支持批量图像/视频推理也支持处理实时视频流。适合场景机器人视觉感知、工业质检、安防监控、自动驾驶感知模块等需要自定义目标检测的实时应用。2. 适用场景与使用边界这个“智能麻将机器人”项目本质上是一个自定义目标检测模型开发与集成的范本。它最适合以下几类开发者和场景机器人/自动化开发者需要为机械臂、AGV自动导引车或服务机器人添加视觉感知能力例如识别抓取目标、避障或场景理解。计算机视觉入门/进阶学习者希望了解一个完整的 CV 项目闭环从数据标注到模型部署而不仅仅是跑通一个示例代码。嵌入式 AI 应用开发者考虑将训练好的 YOLO 模型部署到 NVIDIA Jetson、树莓派配合加速棒或手机等边缘设备。快速原型验证团队需要针对特定物体如工业零件、特定商品、文档区域快速开发一个可用的检测模型并验证其在实际场景中的效果。使用边界与注意事项非通用机器人解决方案本文提供的“麻将机器人”是一个技术演示原型重点在视觉识别部分。完整的机器人系统还涉及运动规划、控制、机械设计等这些不在本文核心讨论范围。数据决定上限模型的最终性能严重依赖于标注数据的质量和数量。麻将牌相对规整但若环境光照复杂、牌面磨损、存在遮挡仍需收集足够多样的数据。实时性要求YOLO 本身速度很快但整个系统的实时性还受摄像头帧率、图像传输延迟、机器人控制器响应速度等因素影响。合规与伦理本项目示例用于技术学习与演示。在实际应用中若涉及人脸、车牌等敏感信息必须严格遵守相关法律法规确保数据获取和使用合法合规并考虑隐私保护措施。3. 环境准备与前置条件在开始“手搓”机器人之前我们需要一个稳定的开发环境。以下是基于 Ultralytics YOLO 的典型环境要求清单。操作系统推荐: Ubuntu 20.04/22.04 LTS 或 Windows 10/11。Ubuntu 在机器人开发尤其是ROS和深度学习环境配置上通常更顺畅。可选: macOS (仅限CPU推理或使用M系列芯片的GPU加速)。Python 环境Python 版本: 3.8 至 3.11。建议使用 3.9 或 3.10兼容性最广。环境管理: 强烈建议使用conda或venv创建独立的虚拟环境避免包冲突。深度学习框架与 CUDAPyTorch: Ultralytics YOLO 基于 PyTorch。需安装与 CUDA 版本对应的 PyTorch。CUDA 和 cuDNN: 如果使用 NVIDIA GPU 进行训练和推理必须安装对应版本的 CUDA 和 cuDNN。例如对于 RTX 30/40 系列显卡CUDA 11.8 或 12.x 是常见选择。检查命令:nvidia-smi查看驱动支持的 CUDA 最高版本。CPU 模式: 如果只有 CPU安装 PyTorch 的 CPU 版本即可但训练和推理速度会慢很多。硬件要求GPU (训练强烈推荐):入门: NVIDIA GTX 1060 6GB / RTX 2060 6GB。可训练小模型如 YOLO26n。推荐: RTX 3060 12GB / RTX 4070 12GB 或更高。显存越大能训练的批次大小batch size越大速度越快也能尝试更大的模型。GPU (推理):桌面端: 上述显卡均可。边缘设备: NVIDIA Jetson 系列 (Nano, TX2, Xavier NX, Orin) 树莓派 Google Coral Edge TPU 加速棒。CPU: 仅用于轻量级推理或学习。建议多核处理器如 Intel i5/i7 8代以上或 AMD Ryzen 5/7。内存: ≥ 16GB RAM。磁盘空间: ≥ 10GB 可用空间用于存放代码、数据集和模型。关键工具代码编辑器: VSCode, PyCharm。版本控制: Git。标注工具: 用于准备数据集推荐LabelImg、CVAT或Roboflow。4. 安装部署与启动方式Ultralytics YOLO 的安装极其简单这得益于其优秀的包管理设计。我们通过 pip 即可完成核心库的安装。步骤 1: 创建并激活虚拟环境 (以 conda 为例)# 创建名为 yolo_env 的 Python 3.9 环境 conda create -n yolo_env python3.9 -y conda activate yolo_env步骤 2: 安装 Ultralytics YOLO# 使用 pip 安装最新版的 ultralytics 包 pip install ultralytics这个命令会自动安装 PyTorch (CPU版本)、ultralytics 以及所有必要的依赖。如果你需要 GPU 支持请先根据 PyTorch 官网 的指令安装对应 CUDA 版本的 PyTorch然后再安装ultralytics。验证安装python -c “from ultralytics import YOLO; print(‘Ultralytics YOLO 安装成功’); print(YOLO(‘yolo26n’))”如果成功导入并打印出模型信息说明环境配置正确。启动方式概览Ultralytics YOLO 主要通过命令行接口 (CLI) 或 Python API 两种方式启动任务命令行接口 (CLI): 适合快速执行标准任务。# 使用预训练模型对图片进行推理 yolo predict modelyolo26n.pt source‘path/to/image.jpg’ # 训练模型 yolo train datacoco8.yaml modelyolo26n.pt epochs100 imgsz640Python API: 更适合集成到自定义脚本或应用程序中也是我们构建机器人视觉模块的主要方式。from ultralytics import YOLO # 加载模型 model YOLO(‘yolo26n.pt’) # 或加载你训练好的自定义模型 ‘best.pt’ # 执行推理 results model(‘path/to/image.jpg’) # 处理结果 for result in results: boxes result.boxes # 检测框 # ... 后续处理对于“智能麻将机器人”我们将主要使用Python API因为它能给我们最大的灵活性方便我们从摄像头读取帧进行推理并将结果发送给机器人控制系统。5. 功能测试与效果验证在投入大量时间标注数据之前先用预训练模型验证整个流程是明智的。我们以识别常见物体为例测试从摄像头捕获到推理显示的完整链路。5.1 基础摄像头实时推理测试这个测试的目的是验证环境是否正常工作以及实时推理的流畅度。测试目的使用预训练的 YOLO26n 模型打开电脑摄像头实现实时目标检测。操作步骤创建一个新的 Python 脚本例如test_webcam.py。写入以下代码import cv2 from ultralytics import YOLO import time # 1. 加载预训练模型 (这里使用轻量的 YOLO26n) model YOLO(‘yolo26n.pt’) # 会自动下载模型 # 2. 打开摄像头 cap cv2.VideoCapture(0) # 0 代表默认摄像头 if not cap.isOpened(): print(“无法打开摄像头”) exit() print(“开始实时检测按 ‘q’ 键退出...”) # 3. 循环读取帧并进行推理 while True: # 读取一帧 success, frame cap.read() if not success: print(“无法获取视频帧”) break # 4. 使用 YOLO 模型进行推理 # streamTrue 参数针对视频流进行了优化 results model(frame, streamTrue, verboseFalse) # verboseFalse 关闭冗余输出 # 5. 在帧上绘制结果 for r in results: annotated_frame r.plot() # 这个方法直接返回绘制了检测框和标签的图像 # 6. 显示结果 cv2.imshow(‘YOLO Real-Time Detection’, annotated_frame) # 7. 按 ‘q’ 退出 if cv2.waitKey(1) 0xFF ord(‘q’): break # 8. 释放资源 cap.release() cv2.destroyAllWindows() print(“测试完成。”)预期结果脚本运行后会弹出一个窗口显示摄像头画面。画面中的人、键盘、杯子、手机等常见物体会被实时框出并标注类别和置信度。在主流 GPU (如 RTX 3060) 上使用yolo26n.pt模型帧率 (FPS) 应能达到 30 以上。判断成功标准摄像头正常打开并显示画面。常见物体能被正确检测并标注。推理过程流畅无明显卡顿。常见失败原因摄像头无法打开检查摄像头是否被其他程序占用或尝试更换摄像头索引如cv2.VideoCapture(1)。导入 ultralytics 失败虚拟环境未激活或ultralytics包未正确安装。模型下载失败网络问题。可以手动从 Ultralytics 的 GitHub Release 页面下载yolo26n.pt文件并将其放在脚本同级目录然后修改代码为model YOLO(‘./yolo26n.pt’)。显存不足如果使用很小的 GPU 显存可能会报错。可以尝试更小的模型如yolo26n.pt或在推理时设置更小的imgsz参数如imgsz320。5.2 自定义数据集训练流程验证通过摄像头测试后我们需要为麻将牌创建自定义数据集。这里我们简述关键步骤并使用一个公开的小数据集如coco8.yaml来验证训练流程是否通畅。测试目的确保从数据准备到模型训练的全套工具链可以正常运行。操作步骤准备数据格式YOLO 要求特定的数据集格式。一个典型的结构如下dataset/ ├── images/ │ ├── train/ │ │ ├── image1.jpg │ │ └── ... │ └── val/ │ ├── image100.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── image1.txt │ │ └── ... │ └── val/ │ ├── image100.txt │ └── ... └── dataset.yamldataset.yaml文件示例path: /path/to/dataset # 数据集根目录 train: images/train # 训练集图像路径相对于 path val: images/val # 验证集图像路径相对于 path # 类别列表 names: 0: mahjong_1wan 1: mahjong_2wan 2: mahjong_3wan # ... 其他麻将牌类别启动训练验证流程我们可以先用 Ultralytics 提供的示例数据集coco8.yaml来测试训练流程。yolo train datacoco8.yaml modelyolo26n.pt epochs50 imgsz640或者使用 Python APIfrom ultralytics import YOLO model YOLO(‘yolo26n.pt’) results model.train(data‘coco8.yaml’, epochs50, imgsz640)预期结果训练开始命令行会输出当前 epoch、损失函数值、性能指标如 mAP50等信息。训练结束后会在runs/detect/train/目录下生成一系列结果包括训练好的模型 (weights/best.pt)、训练过程曲线图、验证集上的预测示例等。判断成功标准训练过程正常启动没有因数据路径错误或格式问题而报错。训练能完整跑完指定的 epoch 数。在runs/detect/train/目录下能找到训练产出。6. 构建“智能麻将机器人”视觉模块现在我们将把前面测试过的流程整合起来构建机器人的“眼睛”。这个模块的核心任务是持续从摄像头获取画面识别画面中的麻将牌并将识别结果牌的类型、位置通过某种方式如 Socket、ROS Topic、HTTP API发送给机器人的“大脑”决策与控制单元。6.1 模型训练定制你的麻将牌检测器假设我们已经收集并标注了足够多的麻将牌图片数据集结构符合上述要求并且mahjong.yaml文件已准备就绪。训练命令yolo train data./datasets/mahjong/mahjong.yaml modelyolo26s.pt epochs100 imgsz640 batch16 workers4modelyolo26s.pt: 使用yolo26s作为预训练模型开始训练它在精度和速度间有较好平衡。可根据硬件和精度要求选择n(更快更小)、m、l、x(更准更大)。epochs100: 训练轮数。imgsz640: 输入图像尺寸。batch16: 批次大小。如果显存不足报 CUDA out of memory降低此值如 8, 4。workers4: 数据加载的线程数。训练监控训练开始后Ultralytics 会自动启动一个本地 Web 服务通常访问http://localhost:3000即可在浏览器中查看实时的训练指标和曲线非常方便。6.2 推理服务封装为了让机器人的其他模块能方便地调用视觉识别功能我们将推理逻辑封装成一个类或函数并可以考虑提供网络接口。基础推理类示例(mahjong_detector.py)import cv2 from ultralytics import YOLO import numpy as np from typing import List, Dict, Any class MahjongDetector: def __init__(self, model_path: str ‘runs/detect/train/weights/best.pt’): “”” 初始化麻将牌检测器 Args: model_path: 训练好的模型权重文件路径 “”” self.model YOLO(model_path) # 可以在这里加载类别名如果模型文件里已包含则无需额外加载 # self.class_names self.model.names def detect(self, image: np.ndarray) - List[Dict[str, Any]]: “”” 对单张图像进行推理 Args: image: numpy数组格式的图像 (BGR格式与OpenCV一致) Returns: 一个列表每个元素是一个检测结果的字典包含 - ‘bbox’: [x1, y1, x2, y2] 格式的边界框 - ‘confidence’: 置信度 - ‘class_id’: 类别ID - ‘class_name’: 类别名称 “”” results self.model(image, verboseFalse)[0] # 取第一个结果 detections [] if results.boxes is not None: boxes results.boxes.cpu().numpy() for box in boxes: detections.append({ ‘bbox’: box.xyxy[0].astype(int).tolist(), # [x1, y1, x2, y2] ‘confidence’: float(box.conf[0]), ‘class_id’: int(box.cls[0]), ‘class_name’: self.model.names[int(box.cls[0])] }) return detections def detect_from_camera(self, camera_id: int 0) - None: “”” 从摄像头进行实时检测并显示用于调试和演示 Args: camera_id: 摄像头设备ID “”” cap cv2.VideoCapture(camera_id) print(“启动麻将牌实时检测按 ‘q’ 键退出...”) while True: ret, frame cap.read() if not ret: break detections self.detect(frame) # 在图像上绘制结果 for det in detections: x1, y1, x2, y2 det[‘bbox’] label f“{det[‘class_name’]} {det[‘confidence’]:.2f}” cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(frame, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) cv2.imshow(‘Mahjong Detector’, frame) if cv2.waitKey(1) 0xFF ord(‘q’): break cap.release() cv2.destroyAllWindows() # 使用示例 if __name__ “__main__”: detector MahjongDetector(‘runs/detect/train/weights/best.pt’) # 测试单张图片 # img cv2.imread(‘test_mahjong.jpg’) # results detector.detect(img) # print(results) # 测试摄像头实时检测 detector.detect_from_camera()6.3 提供 API 接口 (可选)如果机器人的决策系统是独立进程或用其他语言编写可以通过 HTTP API 进行通信。这里使用FastAPI快速搭建一个服务。安装 FastAPI:pip install fastapi uvicorn创建 API 服务(api_server.py):from fastapi import FastAPI, File, UploadFile from fastapi.responses import JSONResponse import cv2 import numpy as np from mahjong_detector import MahjongDetector # 导入上面写的检测器类 import uvicorn app FastAPI(title“Mahjong Detection API”) detector MahjongDetector() # 初始化确保模型路径正确 app.post(“/detect/“) async def detect_mahjong(file: UploadFile File(...)): “”” 上传图片返回检测到的麻将牌信息。 “”” # 读取上传的图片 contents await file.read() nparr np.frombuffer(contents, np.uint8) image cv2.imdecode(nparr, cv2.IMREAD_COLOR) if image is None: return JSONResponse(status_code400, content{“error”: “Invalid image”}) # 执行检测 detections detector.detect(image) return {“detections”: detections} app.get(“/health”) async def health_check(): return {“status”: “ok”} if __name__ “__main__”: uvicorn.run(app, host“0.0.0.0”, port8000)运行与测试:启动服务:python api_server.py使用curl或 Postman 测试:curl -X POST “http://127.0.0.1:8000/detect/“ \ -H “accept: application/json” \ -H “Content-Type: multipart/form-data” \ -F “file./test_mahjong.jpg”机器人主控程序可以通过 HTTP 客户端向这个 API 发送图片并接收结构化的识别结果。7. 资源占用与性能观察在机器人等资源受限或要求实时性的场景中监控和优化资源占用至关重要。显存占用观察训练阶段显存占用主要受batch size、imgsz和模型大小影响。使用yolo26s.ptimgsz640batch16在 RTX 3060 12GB 上显存占用可能在 5-7 GB。如果显存不足首要降低batch size其次考虑减小imgsz或换用更小的模型如yolo26n。推理阶段显存占用远小于训练。加载yolo26s模型进行单张图片推理显存占用通常在 1-2 GB 左右。对于边缘设备如 Jetson Nano必须使用更小的模型如yolo26n并进行模型导出优化如 TensorRT。性能观察与优化推理速度 (FPS)使用以下代码片段可以粗略估算 FPS。import time detector MahjongDetector() cap cv2.VideoCapture(0) frame_count 0 start_time time.time() while frame_count 100: # 测试100帧 ret, frame cap.read() if not ret: break _ detector.detect(frame) # 执行检测 frame_count 1 elapsed time.time() - start_time fps frame_count / elapsed print(f”平均 FPS: {fps:.2f}“)优化策略模型选择在精度和速度间权衡。nsmlx(速度递减精度递增)。输入尺寸减小imgsz(如从 640 降到 320) 能显著提升速度但可能降低小目标检测精度。半精度推理使用model.half()将模型转换为半精度 (FP16)可以降低显存占用并提升推理速度尤其对支持 Tensor Core 的 GPU 效果明显。model YOLO(‘best.pt’).half().to(‘cuda’) # 转换为半精度并移至GPU模型导出将 PyTorch 模型导出为TensorRT或ONNX格式并进行图优化能在 NVIDIA GPU 或特定硬件上获得极致加速。yolo export modelbest.pt formatonnx # 导出为ONNX yolo export modelbest.pt formatengine # 导出为TensorRT engine (需要CUDA环境)8. 与机器人系统集成思路视觉模块产出的是“感知”结果什么牌在哪里机器人系统需要根据这些结果进行“决策”和“控制”。集成方式取决于机器人采用的框架。1. ROS (Robot Operating System) 集成这是机器人领域最流行的中间件。我们可以将上面的MahjongDetector封装成一个 ROS Node。发布者 (Publisher): Node 从/camera/image_rawtopic 订阅摄像头图像运行检测算法然后将识别结果如自定义的MahjongArraymessage发布到/mahjong_detectionstopic。服务端 (Service): 提供一个 ROS Service其他 Node 可以请求对当前图像进行检测。优势松耦合易于与导航、机械臂控制等其他 ROS 模块协同。2. 直接进程间通信 (IPC)如果机器人主控程序也是 Python 写的可以直接在同一个进程中调用MahjongDetector类或者通过multiprocessing模块开一个子进程使用Queue传递图像和结果。3. 网络接口 (如前文的 HTTP API)最通用和灵活的方式。机器人主控程序可以用任何语言编写如 C, Java, Go只需要能发送 HTTP 请求并解析 JSON 响应即可。这种方式将视觉模块解耦成了一个独立的微服务。“手搓”机器人决策逻辑 (简化示例) 假设我们通过 API 收到了这样的检测结果{ “detections”: [ {“bbox”: [100, 200, 150, 250], “class_name”: “mahjong_1wan”, “confidence”: 0.95}, {“bbox”: [300, 150, 350, 200], “class_name”: “mahjong_9tong”, “confidence”: 0.88} ] }机器人的决策逻辑伪代码可能是# 伪代码决策模块 def decide_action(detections): target_tile “mahjong_5wan” # 假设机器人需要抓“五万” for tile in detections: if tile[‘class_name’] target_tile: # 计算牌的中心坐标用于引导机械臂 x_center (tile[‘bbox’][0] tile[‘bbox’][2]) / 2 y_center (tile[‘bbox’][1] tile[‘bbox’][3]) / 2 send_to_robot_arm(x_center, y_center) # 发送坐标给机械臂 break9. 常见问题与排查方法问题现象可能原因排查方式解决方案训练时CUDA out of memory批次大小 (batch) 或图像尺寸 (imgsz) 太大超出 GPU 显存。使用nvidia-smi观察显存占用。1. 减小batch参数。2. 减小imgsz参数。3. 使用更小的模型 (yolo26n)。4. 使用梯度累积 (accumulate参数)。模型训练 Loss 不下降或 NaN学习率 (lr0) 设置不当数据标注有严重错误数据量太少。检查训练日志开头的超参数可视化部分训练数据看标注框是否合理。1. 使用默认学习率或适当调小。2. 仔细检查并修正数据集标注。3. 增加数据量或使用数据增强。推理结果为空 (检测不到目标)1. 训练数据与推理场景差异过大光照、角度、背景。2. 模型置信度阈值 (conf) 设置过高。3. 模型未训练好。1. 用训练集图片推理测试。2. 降低推理时的conf参数如model.predict(..., conf0.25)。3. 查看训练过程的 mAP 曲线是否收敛。1. 收集更多与推理场景相似的数据进行训练。2. 调整推理参数。3. 增加训练轮数或调整数据增强策略。摄像头打不开或帧率极低摄像头被其他程序占用USB 带宽不足OpenCV 后端问题。尝试用系统相机软件确认摄像头是否正常。1. 关闭可能占用摄像头的软件。2. 换用 USB 3.0 接口。3. 在cv2.VideoCapture中指定后端如cv2.CAP_DSHOW(Windows)。API 服务调用超时或无响应服务未启动端口被占用请求图片过大导致处理超时。检查服务进程是否运行 (ps auxgrep api_server); 检查端口 (netstat -tlnp在树莓派/Jetson 上速度慢未使用硬件加速模型未优化。检查是否使用了 GPU (nvidia-smi或jtop)。1. 确保安装了正确的 GPU 驱动和推理库如 TensorRT for Jetson。2. 将模型导出为优化格式如 TensorRT, OpenVINO。3. 使用最小的模型 (yolo26n)。10. 最佳实践与使用建议数据为王在开始训练前至少花 50% 的时间在数据收集、清洗和标注上。确保标注准确、覆盖各种场景不同光照、角度、遮挡。可以使用Roboflow等在线平台辅助数据增强和管理。从小开始迭代优化先用小模型 (yolo26n) 和少量数据快速训练一个原型验证整个 pipeline 是否跑通。然后再逐步增加数据、尝试更大模型、调整超参数。版本控制对代码、数据集配置 (dataset.yaml)、训练命令和关键的超参数进行版本控制如使用 Git。每次实验记录清楚便于复现和比较。模型导出与部署分离在开发环境性能强的 PC训练和调试模型然后将其导出为优化格式如 ONNX、TensorRT再部署到边缘设备或机器人上。这能保证生产环境的一致性。监控与日志在机器人实际运行中为视觉模块添加详细的日志记录记录每帧的处理时间、检测到的目标数、置信度分布等。这有助于后期性能分析和故障排查。安全与合规如果项目涉及实际部署尤其是在公共场合必须考虑隐私和安全。例如如果摄像头会拍到无关人员需要有明确告知并考虑对视频流进行匿名化处理或限制存储。确保所有训练数据来源合法。通过以上步骤你已经掌握了使用 Ultralytics YOLO 从零开始构建一个“智能麻将机器人”视觉系统的完整流程。这个流程具有很强的通用性只需更换数据集和类别定义就可以迁移到零件分拣、商品识别、安防监控等无数其他机器人视觉应用场景中。关键在于理解每个环节的作用并能根据实际问题进行调整和优化。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度