网站导航
> 技术文档 > 《HarmonyOS NEXT API 12+工业AI实战：缺陷检测类目标签开发》

《HarmonyOS NEXT API 12+工业AI实战：缺陷检测类目标签开发》

网友: 技术文档 2025-08-08 07:14:56

在工业4.0和智能制造的大背景下，工业生产对产品质量的要求日益严苛。传统的人工检测方式效率低、易出错，难以满足现代工业的高速生产需求。借助AI技术实现智能工业缺陷检测，通过类目标签准确识别产品缺陷类型，成为提升工业生产质量与效率的关键。本文将详细阐述如何基于HarmonyOS NEXT API 12及以上版本，运用Python开发智能工业缺陷检测的AI类目标签功能。

一、开发背景与技术原理

在工业生产中，产品表面可能出现划痕、裂纹、孔洞等多种缺陷。AI类目标签功能利用深度学习中的卷积神经网络（CNN）来识别这些缺陷。CNN通过卷积层对图像中的局部特征进行提取，池化层则用于降低特征图的维度，减少计算量，同时保留主要特征。经过多层这样的处理后，全连接层将提取到的特征映射到具体的缺陷类别，实现对产品缺陷的分类标注。在鸿蒙系统中，我们可以利用其分布式软总线技术，方便地连接工业生产线上的各类设备，如摄像头、传感器等，实现数据的快速采集与传输，为AI模型的实时检测提供支持。

二、开发环境搭建

  1. 安装DevEco Studio：从华为官方网站下载并安装最新版DevEco Studio，这是鸿蒙应用开发的官方集成开发环境，提供丰富的开发工具与模板，助力开发者高效搭建项目。

  2. 配置Python环境：确保Python环境已安装，建议使用Python 3.8及以上版本。通过pip命令安装开发所需的依赖库：

pip install requests tensorflow opencv-python-headless pandas scikit - learn

requests 用于网络请求，便于与工业设备或服务器进行数据交互； tensorflow 是构建和训练AI模型的核心框架； opencv-python-headless 用于图像的读取、处理与转换； pandas 用于数据的读取和预处理； scikit-learn 用于数据的划分与评估。

三、数据准备与预处理

  1. 数据收集：收集大量包含不同缺陷类型的工业产品图像。这些图像可以从工业生产线上的实际采集、模拟缺陷场景拍摄或相关工业数据集获取。确保数据涵盖各种常见的缺陷类型，如金属零件的划痕、塑料产品的气泡等。

  2. 数据标注：使用专业图像标注工具，如LabelImg，为每张图像标注对应的缺陷类别标签。标注完成后，将图像路径和类别标签整理成CSV文件，方便后续的数据读取与处理。

  3. 数据预处理：在Python中，利用 opencv-python-headless 和 pandas 库进行数据预处理。示例代码如下：

import cv2import pandas as pd# 读取CSV文件data = pd.read_csv(\'工业缺陷数据.csv\')image_paths = data[\'image_path\'].tolist()labels = data[\'category_label\'].tolist()# 图像预处理函数def preprocess_image(image_path): image = cv2.imread(image_path) image = cv2.resize(image, (224, 224)) image = image / 255.0 return imagepreprocessed_images = []for path in image_paths: preprocessed_images.append(preprocess_image(path))

上述代码实现从CSV文件读取图像路径和标签，并对图像进行统一大小调整和归一化处理，使其符合模型输入要求。

四、模型构建与训练

  1. 构建模型：使用 tensorflow 构建一个适用于工业缺陷检测的CNN模型，示例代码如下：
import tensorflow as tfmodel = tf.keras.Sequential([ tf.keras.layers.Conv2D(32, (3, 3), activation=\'relu\', input_shape=(224, 224, 3)), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Conv2D(64, (3, 3), activation=\'relu\'), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(64, activation=\'relu\'), tf.keras.layers.Dense(len(set(labels)), activation=\'softmax\')])model.compile(optimizer=\'adam\',  loss=\'sparse_categorical_crossentropy\',  metrics=[\'accuracy\'])

该模型通过多层卷积和池化操作提取图像特征，最后通过全连接层输出分类结果。采用 adam 优化器和 sparse_categorical_crossentropy 损失函数进行模型训练。

  1. 模型训练：将预处理后的图像数据和标签划分为训练集和验证集，划分比例为80%训练集，20%验证集，进行模型训练。
from sklearn.model_selection import train_test_splitX_train, X_val, y_train, y_val = train_test_split(preprocessed_images, labels, test_size=0.2, random_state=42)history = model.fit(X_train, y_train, epochs=15, validation_data=(X_val, y_val))

训练过程中，模型不断调整参数，以提高在训练集和验证集上的准确率。通过 history 对象记录训练过程中的损失和准确率，方便后续分析与优化。

五、鸿蒙应用集成

  1. 模型保存与加载：训练完成后，将模型保存为 .h5 文件：
model.save(\'工业缺陷识别模型.h5\')

在鸿蒙应用中，使用 tensorflow-lite 库加载模型，首先在项目中添加依赖：

pip install tensorflow-lite

加载模型的代码如下：

import tensorflow as tfinterpreter = tf.lite.Interpreter(model_path=\'工业缺陷识别模型.h5\')interpreter.allocate_tensors()
  1. 图像分类实现：在鸿蒙应用中，通过连接工业生产线上的摄像头获取产品图像，进行预处理后输入模型进行分类。假设使用 ohos.multimedia.camera 获取图像，示例代码如下：
from ohos.multimedia.camera import CameraManager, Camerafrom ohos.media.image import ImageSource, PixelMapimport cv2import numpy as np# 获取摄像头图像def get_camera_image(): camera_manager = CameraManager() camera_id = camera_manager.get_camera_ids()[0] camera = Camera(camera_id) camera.open() image = camera.capture() camera.close() return image# 将鸿蒙图像转换为OpenCV图像def convert_to_cv2(image): source = ImageSource.create(image.create_input_stream(), None) pixel_map = source.create_bitmap() width, height = pixel_map.width, pixel_map.height image_data = pixel_map.get_pixels() image_array = np.frombuffer(image_data, dtype=np.uint8).reshape(height, width, -1) return cv2.cvtColor(image_array, cv2.COLOR_RGBA2BGR)# 图像分类def classify_image(image): preprocessed_image = preprocess_image(image) input_data = np.expand_dims(preprocessed_image, axis=0).astype(np.float32) input_index = interpreter.get_input_details()[0][\'index\'] output_index = interpreter.get_output_details()[0][\'index\'] interpreter.set_tensor(input_index, input_data) interpreter.invoke() output = interpreter.get_tensor(output_index) predicted_class = np.argmax(output[0]) return predicted_class# 示例调用camera_image = get_camera_image()cv2_image = convert_to_cv2(camera_image)predicted_class = classify_image(cv2_image)print(f\"预测的缺陷类别: {predicted_class}\")

这段代码实现从鸿蒙摄像头获取图像，转换为OpenCV图像格式，进行预处理后输入模型进行分类，并输出预测结果。

六、案例总结与拓展

通过以上步骤，成功在HarmonyOS NEXT API 12及以上版本上实现智能工业缺陷检测的AI类目标签功能。在实际工业生产中，该功能可集成到生产线上的质量检测环节，实时对产品进行缺陷检测与分类。开发者可进一步优化模型，如采用更复杂的网络结构，如ResNet、DenseNet等，提升模型的特征提取能力和分类准确率。同时，结合鸿蒙系统的分布式数据管理能力，实现不同生产线数据的统一管理与分析，为工业生产的智能化升级提供更全面的技术支持。

  • [](javascript:;)赞
  • [](javascript:;)收藏
  • [](javascript:;)评论
  • [](javascript:;)分享
  • [](javascript:;)举报

上一篇：《AI强化学习：元应用中用户行为引导的智能引擎》

下一篇：《深挖鸿蒙潜力：电商智能推荐AI类目标签开发秘籍》

《HarmonyOS NEXT API 12+工业AI实战：缺陷检测类目标签开发》

提问和评论都可以，用心的回复会被更多人看到 评论

发布评论

全部评论 () 最热 最新

相关文章

  • [

    HarmonyOS Next 马甲包 — 多目标产物构建开发实践

    在Android上面会出现一个项目编译多个程序的马甲包，在鸿蒙上面是 多目标产物构建开发实践来实现马甲包的效果 基本概念target：对应HAR、HSP、HAP的多目标产物。工程内的每一个模块可以定义多个target，每个Target对应一个定制的HAP、HAR包，通过配置可以实现一个模块构建出不同的HAP、HAR包。 product：对应App的多目标产物。一个Harmon

    ](https://blog.51cto.com/u_12438465/12749567)

    bundle 签名文件 自定义

  • [

    鸿蒙Next API 12开发，使用@ohos/axios进行HTTP请求

    创建了一个名为 HttpRequest 的类，它封装了 axios 的功能，并添加了请求和响应拦截器以处理一些通用的请求和响应逻辑。这个类提供了多种 HTTP 方法（GET、POST、PUT、DELETE）以及用于发送请求并处理响应数据的方法。以下是对您的代码的一些观察和潜在改进建议：导入模块：您从 @ohos/axios 导入了&nbs

    ](https://blog.51cto.com/jiashaoying/12919566)

    字符串 API HarmonyOS

  • [

    HarmonyOS NEXT开发实战：DevEco AI辅助编程工具（CodeGenie）的使用

    引言DevEco AI辅助编程工具（CodeGenie）为开发者提供高效的应用/元服务AI辅助编程工具，支持HarmonyOS NEXT领域的智能知识问答、ArkTS代码补全/生成和万能卡片生成能力，提高开发者编码效率。一、安装使用建议使用DevEco Studio 5.0.3.403及以上版本。https://developer.huawei.com/consumer/cn/doc/harmon

    ](https://blog.51cto.com/u_14946066/13510608)

    自定义 代码实现 本地存储

  • [

    《基于HarmonyOS NEXT API 12+，搭建新闻创作智能写作引擎》

    开发者可以根据实际需求进一步优化模型，如增加对新闻风格的控制、引入更多的领域知识等，为新闻行业提供更强大、智能的

    ](https://blog.51cto.com/u_13715298/13529549)

    harmonyos AI写作 华为 加载 API

  • 目标检测 缺陷检测 算法开发

    项目开发定制 目标检测 深度学习

  • [

    《基于鸿蒙系统的类目标签AI功能开发实践》

    在鸿蒙系统中，我们将利用系统提供的API，将这些AI模型集成到应用中，实现高效的类目标签功能。本文将聚焦于在HarmonyOS NEX

    ](https://blog.51cto.com/u_13715298/13529556)

    harmonyos 人工智能 华为 类目 tensorflow

  • [

    HarmonyOS NEXT开发实战案例–圆盘

    这是之前写过的一个项目，后来删掉了，现在适配到api12重新发布，友友们按需查阅。本文主要通过抽奖转盘小项目讲解在鸿蒙开发中如何使用画布组件Canvas绘制图形和文字，以及转圈动画的实现。效果图如下：首先绘制转盘的六个分区：drawInnerArc() { let colors = [ ‘rgb(61,127,255)’,‘rgb(121,189,255)’ ];

    ](https://blog.51cto.com/u_15095206/12491673)

    Math ci i++

  • [

    工业视觉少样本缺陷检测实战应用

    《工业视觉少样本缺陷检测实战应用》AidLux是基于ARM架构的跨生态（Android/鸿蒙+Linux）一站式AIoT应用快速开发和部署平台

    ](https://blog.51cto.com/u_15132586/8766283)

    Android 智能加速 用户名

  • [

    YOLOv5实战垃圾分类目标检测

    使用YOLOv5进行垃圾分类目标检测课程链接：https://edu.51cto.com/course/28286.html垃圾分类是一项利国利民的民生工程，需要全社会的共同参与。YOLOv5是目前流行的强悍的目标检测技术。本项目采用YOLOv5实现垃圾分类目标检测。利用超万张已标注目标检测数据集进行训练，可对居民生活垃圾图片进行检测，找出图片中属于哪个类别的垃圾，并指示出在图片中的位置。本

    ](https://blog.51cto.com/u_14012985/2904056)

    yolov5 垃圾分类 目标检测 yolo 物体检测

  • [

    《深挖鸿蒙潜力：电商智能推荐AI类目标签开发秘籍》

    本文围绕电商领域智能化转型，深入阐述基于HarmonyOS NEXT API 12及以上版本开发电商智能推荐AI类目标签的全过程。开篇点明电商智能推荐系统的核心原理，即协同过滤、内容过滤和混合过滤算法，强调类目标签在精准匹配用户需求与商品特征中的关键作用。接着详细介绍开发流程，涵盖搭建开发环境，安装DevEco Studio并配置Python及相关依赖库；进行数据收集与预处理，包括获取电商平台的用户行为和商品信息数据，完成清洗与特征工程；使用tensorflow构建基于多层感知机的神经网络模型并训练，划分训练集与测试集以优化模型性能。随后说明如何将训练好的模型部署到鸿蒙应用中，借助tensorflow - lite库实现加载，并依据用户实时数据实现推荐功能。最后通过案例展示实际应用效果，提出采用Transformer架构、引入实时学习机制等优化方向，为开发者提供全面且具实操性的技术指导，助力提升电商智能推荐系统在鸿蒙平台的性能与用户体验。

    ](https://blog.51cto.com/u_13715298/13437613)

    数据 tensorflow 推荐系统

  • [

    单类目标检测-yolo

    在训练过程中，如果遇到nan值： Note: If during training you see nan values in some lines then training goes well, but if nan are in all lines then training goes wrong.

    ](https://blog.51cto.com/u_8771474/5753669)

    javascript 数据集

  • [

    HarmonyOS NEXT开发实战教程–招聘app

    这一周忙到起飞，只能在周末发个文章。今天的内容比较简单，是一个招聘app，适合新手友友参考，大佬们可以直接忽略。看一下效果图：这是一个比较常见的应用，大家做这类应用建议大家先分析一下应用和页面的结构，避免写完发现错了又改。这个应用首先有4个tabbaritem，是很常见的样式，使用系统的Tabs就可以实现：Tabs({barPosition:BarPosition.End}){ TabCo

    ](https://blog.51cto.com/u_15095206/12907558)

    Text 导航栏 自定义导航栏

  • [

    HarmonyOS NEXT开发实战教程-记账app

    今天分享的实战教程是一款记账app，最近分享的项目都是纯页面，没有服务端，没有数据接口，因为鸿蒙开发主要就是写页面，都是前端嘛。如果有友友想要完整的项目可以找幽蓝君，想学服务端开发的话幽蓝君也可以写。话不多说，看一下记账app的效果图：下面为大家分享本项目的开发教程，其实主要是首页部分，第二个页面比较简单。幽蓝君每次都要重复一下，我们拿到一个项目或者一个页面，要先分析它的大体结构然后再着手写代

    ](https://blog.51cto.com/u_15095206/12545427)

    Image 导航栏 Text

  • [

    HarmonyOS NEXT开发实战教程—搜索页

    今天忙里偷闲，分享一个搜索页实现过程，先上效果图：界面部分比较简单，大体分为导航栏、历史搜索、猜你想搜和热搜榜几个部分，历史搜索采用用户首选项进行存储数据。导航栏部分相关代码如下：Flex({direction:FlexDirection.Row,wrap:FlexWrap.NoWrap,alignItems:ItemAlign.Center}){ Image($r(\'app.media.bac

    ](https://blog.51cto.com/u_15095206/12828875)

    Text 搜索 Image

  • [

    HarmonyOS NEXT～鸿蒙开发能力：HarmonyOS SDK AI 全解析

    HarmonyOS NEXT～鸿蒙开发能力：HarmonyOS SDK AI 全解析引言HarmonyOS作为华为推出的分布式操作系统，其AI能力正重塑智能设备开发范式。本文将深入剖析HarmonyOS SDK中的AI功能集，揭示如何通过这些工具构建下一代智能应用。一、HarmonyOS AI核心架构1.1 分布式AI引擎跨设备协同计算：实现手机、平板、智能穿戴等设备的算力共享自适应

    ](https://blog.51cto.com/u_14940497/13955502)

    多语言 Computer github

  • [

    文字类目标检测 分类 目标检测

    两步走的目标检测：先进行区域推荐，而后进行目标分类 代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN 端到端的目标检测：采用一个网络一步到位 代表：YOLO、SSD先来回归下分类的原理，这是一个常见的CNN组成图，输入一张图片，经过其中卷积、激活、池化相关层，最后加入全连接层达到分类概率的效果.分类的损失与优化在训练的时候需要计算每个样本的损失，那么CN

    ](https://blog.51cto.com/u_16099306/10553420)

    文字类目标检测 目标检测算法分类 CNN 算法 目标检测

  • [

    工业缺陷检测 python

    工业视觉缺陷检测是一种利用计算机视觉技术，对工业制品进行自动化检测，以识别和分类可能存在的缺陷的方法。它是现代工业生产中的重要环节，可以大大提高生产效率，降低产品缺陷率，提高产品质量。 成像质量是根本，好的算法可以锦上添花影响因素： 该项目为医疗注射器缺陷检测，要求检观出汗射器是否有质量缺路(缺件或者多件)，检测对象分别为，胶暴、推杆承部 针尾品、针嘴、媒口、小较暴

    ](https://blog.51cto.com/u_14191/12772990)

    工业缺陷检测 python v8 加载 目标检测

  • [

    多分类目标检测

     二分类和多分类问题的评价指标总结1、二分类评价指标准确率，精确率，召回率，F1-Score， AUC, ROC, P-R曲线1.1 准确率（Accuracy）评价分类问题的性能指标一般是分类准

    ](https://blog.51cto.com/u_16213625/13251935)

    多分类目标检测 多分类 召回率 评价指标

  • [

    深度学习工业缺陷检测代码 缺陷检测系统

     AI智能缺陷检测系统是基于深度学习的智能工业视觉缺陷检测解决方案，多数被用于解决工业复杂缺陷分类、检测等问题，适用于各种工业复杂环境。numimag DLIA为AI智能缺陷检测技术应用于工业质检应用场景的产品，利用传统图像处理技术结合神经网络深度学习算法, 实现工业4.0智能制造、工业互联网的产业升级，

    ](https://blog.51cto.com/u_16099252/7339939)

    深度学习工业缺陷检测代码 人工智能 计算机视觉 缺陷检测 AI机器视觉

  • [

    目标检测桶缺陷

    CornerNet (ECCV2018)CornerNet: Detecting Objects as Paired Keypoints创新点1、将目标检测问题当作关键点检测问题来解决，也就是通过检测目标框的左上角和右下角两个关键点得到预测框，因此CornerNet算法中没有anchor的概念，这种做法在目标检测领域是比较创新的而且能够取得不错效果是很难的。 2、整个检测网络的训练是从头开始的，并

    ](https://blog.51cto.com/u_12902/13531051)

    目标检测桶缺陷 计算机视觉 角点 ci 损失函数

  • [

    激活函数与传输函数的区别 激活函数具有哪些性质

    介绍激活函数的定义和常见的几种类型，以及一些特点。 激活函数简介\"在人工神经网络中，激活函数是根据输入定义节点（或神经元）的输出。一般，该输出也会是下一个节点的输入。\" - Activation function为解决非线性问题（实际中大多数问题都是非线性问题），神经网络中引入了激活函数，给网络结构添加了非线性因素，使其能够处理较为复杂的非线性分类问题。

    ](https://blog.51cto.com/u_13446/14042440)

    激活函数与传输函数的区别 激活函数 深度学习 Network

  • [

    python获取安卓手机触屏点击数据

    不知道你们有没有玩过无码科技的小程序抽奖助手，没有玩过的可以在微信小程序入门搜索抽奖助手，首页有很多奖品进行抽奖的，我前几天发现了之后就把那里的所有奖品都点了一次，就突发萌想，能不能用 python 来实现自动抽奖啊？这样就不用我每天都点进去看了，我只需要关心是否中奖就可以了。答案是肯定的，今天就为大家带来如何实现自动抽奖，解放双手。需要知识会利用 charles 对手机进行抓包会用 reque

    ](https://blog.51cto.com/u_12897/14042555)

    python获取安卓手机触屏点击数据 数据 json 抓包

  • [

    electron BrowserWindow sessionStorage共享 electronvitevadmin

    electron-vite-admin 基于 electron+vite.js 整合开发的后台管理框架。本项目基于 vite2+electron12+vue3+vuex+element-plus+vue-i18n+echarts 等技术栈搭建开发，所有的请求数据都使用Mock.js进行模拟。支持动态权限控制、整合i18n国际化解决方案。实现技术编码工具：vscodevue3框架：vue3

    ](https://blog.51cto.com/u_16099328/14042572)

    electron后台管理 electron12管理系统 vite2+vue3桌面端后台 electron+vue3后台 vite2+vue3后台系统

  • [

    zabbix ping 检查 zabbix简单检查

    1. 开始Simple checks通常用来检查远程未安装代理或者客户端的服务使用simple checks，被监控客户端无需安装zabbix agent客户端，zabbix server直接使用simple checks来收据数据，一基本上都是用来检测远程服务器某端口是否在监听。如下为simple checks:net.tcp.service[ftp,155]net.tcp.serv

    ](https://blog.51cto.com/u_16099263/14044317)

    zabbix ping 检查 DNS IP 端口号

  • [

    格式化sql工具类 maven依赖

    sql格式化工具-SQL Pretty Printer导言使用主要功能：其他功能：Rename Table 和 Rename ColumnTo C#（To VB.NET）C# To SQL (VB.NET To SQL)SQL Formatter Options 导言写SQL语句或者脚本时，很容易出现凌乱的情况，这里推荐一款很方便的SQL Server插件：SQL Pretty Printer

    ](https://blog.51cto.com/u_16213575/14044562)

    格式化sql工具类 maven依赖 工具 SQL格式化工具 SQL Server

那么，如何快速系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

在这里插入图片描述

👉大模型学习指南+路线汇总👈
我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

在这里插入图片描述

9周快速成为大模型工程师

第1周：基础入门

  • 了解大模型基本概念与发展历程

  • 学习Python编程基础与PyTorch/TensorFlow框架

  • 掌握Transformer架构核心原理

  • 在这里插入图片描述

第2周：数据处理与训练

  • 学习数据清洗、标注与增强技术

  • 掌握分布式训练与混合精度训练方法

  • 实践小规模模型微调（如BERT/GPT-2）

第3周：模型架构深入

  • 分析LLaMA、GPT等主流大模型结构

  • 学习注意力机制优化技巧（如Flash Attention）

  • 理解模型并行与流水线并行技术

第4周：预训练与微调

  • 掌握全参数预训练与LoRA/QLoRA等高效微调方法

  • 学习Prompt Engineering与指令微调

  • 实践领域适配（如医疗/金融场景）

第5周：推理优化

  • 学习模型量化（INT8/FP16）与剪枝技术

  • 掌握vLLM/TensorRT等推理加速工具

  • 部署模型到生产环境（FastAPI/Docker）

第6周：应用开发 - 构建RAG（检索增强生成）系统

  • 开发Agent类应用（如AutoGPT）

  • 实践多模态模型（如CLIP/Whisper）

在这里插入图片描述

在这里插入图片描述

第7周：安全与评估

  • 学习大模型安全与对齐技术

  • 掌握评估指标（BLEU/ROUGE/人工评测）

  • 分析幻觉、偏见等常见问题

第8周：行业实战 - 参与Kaggle/天池大模型竞赛
  • 复现最新论文（如Mixtral/Gemma）
  • 企业级项目实战（客服/代码生成等）
第9周：前沿拓展
  • 学习MoE、Long Context等前沿技术
  • 探索AI Infra与MLOps体系
  • 制定个人技术发展路线图
    在这里插入图片描述
    👉福利篇👈
    最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

网络标签：

相关问题