目标检测数据标注三件套：X-AnyLabeling、Grounded-SAM与autodistill实战

1. 三件套各自的定位与协作方式先搞明白为什么这么配最近大半年我大部分时间都耗在标注这件事上。做视觉项目的都懂模型结构选型可以很快就定下来真正把人拖垮的是把几千张原始图变成可训练数据集的那个过程。我自己的经验是拿到一批新数据先想怎么让模型帮我标而不是我帮模型标这件事想通了后面整个迭代速度都会不一样。这篇内容不是讲某个工具的官方文档式教程而是我把X-AnyLabeling、Grounded-SAM和autodistill串成一条完整链路之后留下的实操记录从环境搭建开始到交互式 AI 辅助标注、全自动批量标注、模型蒸馏训练再到格式交接和质量抽检最后是这半年踩过的一堆坑。适合人群是正在做目标检测、实例分割训练数据准备的朋友不管你是算法工程师、标注团队负责人还是独立做项目的开发者都可以直接照着走。先说明一个前提这三者不是同一类东西不能互相替代也不是非此即彼的选择。它们是三个不同层次的工具组合。X-AnyLabeling是一套带图形界面的标注软件。它最厉害的地方是能把各种现成模型塞进标注工作台你负责挑选模型、输入文字提示词它负责生成预标注结果然后你手动检查和修正。它适合人工在环上的场景比如新数据刚到手类别还没完全定死需要人在里面做探索。Grounded-SAM更准确地说不是一个独立软件而是 Grounding DINO 和 SAM 这套组合的统称。Grounding DINO 根据文本提示找出目标框SAM 再把框内的内容精细分割成像素级 mask。它最大的价值是零样本你不需要为当前场景预先训练任何模型直接输入自然语言描述就能出标注。autodistill则是一个 Python 库核心思想是用大模型当老师教出一个小模型。它把老师模型自动标注数据和学生模型接收标注训练这两件事串成一条流水线跑起来之后基本不依赖人工框选适合数据量已经大到只能全自动处理的阶段。这三者的协作关系我用一句不太严谨但很好记的话来概括Grounded-SAM 负责产出高质量标注X-AnyLabeling 负责让你能快速检查、修正这些标注autodistill 负责把修正后的标注变成可直接训练新模型的数据集。如果你希望人工介入降到最低只保留最后一道抽检关卡autodistill 这条线更对你的节奏如果数据类别还没定需要人在里面反复调整提示词和标注策略那 X-AnyLabeling 明显更顺手。1.1 X-AnyLabeling它不是又一个手工画框软件很多人第一次打开 X-AnyLabeling会觉得它就是个加了模型的 LabelImg。这个印象会错过它最核心的使用方式。我实际用下来的感觉是它是一个以模型辅助标注为主轴的工具手工画框只是兜底手段。它内置的模型列表相当夸张包括 YOLO 系列、SAM、MobileSAM、Grounding DINO以及一些细分模型比如工件缺陷检测、密集人群检测这类专项模型。操作逻辑基本是先加载一张图从右侧模型面板里选一个当前任务合适的模型然后点击运行模型就把预测结果以标注框或 mask 的形式直接叠在图像上。你接下来要做的不是画框而是判断这个框对不对。它的标注格式支持也很全COCO、VOC、YOLO 都能导入导出。这意味着它不锁死你的数据流。我在实际项目里通常都是先让 X-AnyLabeling 跑一遍模型预标注把结果导出成 YOLO 格式再交给后续训练脚本用。它输出的是常规文件结构而不是私有格式这点对工程化很重要。1.2 Grounded-SAM文字描述到哪里标注就生成到哪里Grounded-SAM 这条技术线本质上是把两个模型的优势叠一起。Grounding DINO 是一种开放集检测模型。传统的 YOLO 只能识别训练时见过的类别而 Grounding DINO 把文本编码器和图像编码器做对齐你给它一句red car. person with helmet.它会在图中找与这些短语语义匹配的区域输出框、置信度分数和匹配到的短语。它没有固定类别列表这个概念类别是你现场写进提示词里的。SAMSegment Anything Model则是 Meta 开源的分割模型输入一个框、一个点或者一段 mask 提示它可以输出非常精细的像素级分割结果。SAM 并没有理解语义的能力它只知道这个框里面的物体边界在哪里。所以 Grounding DINO 负责找到地方SAM 负责把边界描精细。落在实际标注场景里这套组合的意义非常直接你不需要为新品类单独训练检测模型只需写一句文本就能批量获得高质量的框和 mask。我经常用它处理先睹为快阶段的数据探索比如客户给了 500 张没有标注的工业零件图我先用 Grounding DINO 写出scratch. dent. stain.几分钟内就能知道这些缺陷大概长什么样、大概有多少个、能不能建模。这一步在以前至少要先标 200 张图才能得出结论。1.3 autodistill把标注到训练变成调度脚本autodistill 这个名字起得很直白它就是在做知识蒸馏的自动化。它的核心概念有三个Base Model老师模型、Ontology本体定义、Target Model学生模型。Base Model 负责自动标注数据它可以是 Grounded-SAM、Grounding DINO、CLIP、Detic 这类大模型也可以是你自己训练好的高性能模型。Ontology 定义了我们到底要标注哪些类别本质是一个类别文本列表。它决定老师模型会在图片里寻找什么。Target Model 是真正要部署的轻量模型常见的比如 YOLOv8。它接收老师模型产出的标注进行训练最终得到一个运行速度快、体积小的推理模型。我一开始对 autodistill 有点不以为然觉得它就是把调用模型、保存标注、读取数据、训练模型这些常规操作封装了一下。但真正用起来才发现封装这件事本身就有巨大价值它把标注格式怎么生成图像和标签目录怎么组织data.yaml 怎么写训练接口怎么接这些琐碎而致命的细节全部统一了。你不再需要自己写一堆胶水脚本去对接不同模型的输入输出这让全自动流水线真正变得可维护。1.4 完整的数据流一条线画清楚把三个工具放在一起最常用到的是两条流水线。第一条是人机协作线用 X-AnyLabeling 加载 Grounded-SAM 或内置的 YOLO 模型跑出预标注人工修正后导出 YOLO/COCO 格式。这条线的优势是质量高、可干预适合数据量在几千张以内、类别重要性很高或需要严谨交付的场景。第二条是全自动蒸馏线用 autodistill 的 Base Model内部就可以接 Grounded-SAM批量标注整个文件夹然后 Target Model 直接在这些标注上训练出一个小模型。这条线速度快几乎不需要人工介入适合数据量很大、且老师模型在目标场景下已经表现足够好的场景。实际操作中这两条线还会来回迭代。先用自动线跑一批粗标注把数据训练出一个初步的小模型再把这个小模型当作预标注器放进 X-AnyLabeling 里配合人工修正修正后的数据再喂回给学生模型继续训练。跑过两三轮之后标注成本会逐轮下降而模型精度会明显爬升。这个飞轮才是这套组合真正值钱的地方它不是一个静态流程而是一个可以循环放大的数据引擎。2. 环境准备与权重下载Linux 部署、显存预算和依赖坑开始跑这套东西之前先讲环境。我这边主力工作机是 Linux NVIDIA GPUWindows 也能跑 X-AnyLabeling但 autodistill 和 Grounded-SAM 相关的底层库在 Linux 下踩坑最少所以我下面的命令都基于 Linux。2.1 X-AnyLabeling 在 Linux 上的安装X-AnyLabeling 官方仓库给了两种方式Git 源码启动和 pip 直接安装。我这里推荐 Git 方式因为它的更新频率很高源码方式可以随时拉最新代码避免吃旧 bug。git clone https://github.com/CVHub520/X-AnyLabeling.git cd X-AnyLabeling conda create -n xal python3.9 conda activate xal pip install -r requirements.txt python app.pysudo apt-get update sudo apt-get install -y libgl1 libglib2.0-0启动之后如果界面正常弹出这个环节就算过了。我遇到的坑主要是两个一是 Python 版本太高部分 PyQt 依赖在 3.11 以上偶尔有兼容问题建议直接用 3.9二就是缺 OpenGL/GLib 相关系统库纯服务器环境尤其常见先装好再启动排查起来会省事很多。2.2 Grounded-SAM 与 autodistill 的依赖关系Grounded-SAM 这边如果你直接研究 IDEA-Research 原版仓库会发现它依赖的比较重需要单独配置 Grounding DINO 的编译环境。我这里给一个轻量方案用 Hugging Face 的 Transformers 直接加载 Grounding DINO 模型配合 segment-anything 原版库效果等价但环境更好维护。conda create -n gsam python3.10 conda activate gsam pip install torch torchvision # 通过 transformers 调用 grounding-dino pip install transformers # SAM 官方库 pip install segment-anythingautodistill 这边核心库加插件一起装pip install autodistill pip install autodistill-grounded-sam pip install autodistill-yolov8注意一个问题autodistill 的 API 改动比较频繁我在 2024 年三四月份写的老代码到年中再跑就要改写法了主要变的是 Ontology 的类型定义。所以如果你照着网上的旧教程跑不通先别怀疑环境先去官方仓库看最新的 API 示例。这是 autodistill 目前最大的一个隐形坑。2.3 模型权重的体积和显存参考自动标注质量越高模型越大显存占用也越高。我把我实测过的几套组合整理成了表格按 1080p 图片、batch1 估算实际数值会随画面内容复杂度浮动但量级关系是稳定的。模型组合显存需求单张耗时参考适合场景Grounding DINO Tiny MobileSAM4GB 左右0.8~1.5 秒显存有限、大规模初筛Grounding DINO Swin-B SAM ViT-B10GB 左右2~4 秒质量优先的常规标注Grounding DINO Swin-B SAM ViT-H16GB 以上5 秒以上极度追求 mask 细节这里要额外提醒一句如果你的图片实际长边超过 2000 像素显存占用和耗时都会明显上升。我的处理习惯是先把原始图缩放到长边不超过 1536 再做标注标注结果再映射回原图分辨率映射关系就在代码里记录一次就行。很多标注工具都内置了缩放预览但 autodistill 这种全自动脚本方式需要你自己控制输入尺寸。权重下载是另一个容易卡住的地方。SAM 的权重可以从官方地址直接拉几百 MB 到 2GB 不等。Grounding DINO 的权重通常在 600MB 左右。X-AnyLabeling 首次运行某个内置模型时会从远端下载权重到本地缓存目录网络不稳定时很容易半路断掉。我的经验是手动把权重文件下载好放进对应的缓存目录或模型目录再启动程序比反复让它自动下载省心得多。2.4 第一次启动前的验证脚本环境搭好之后我强烈建议先用一张图跑一次最小验证而不是直接上全量数据。一张样本图能暴露大部分环境问题模型能不能加载、显存够不够、prompt 解析对不对。import torch from transformers import AutoProcessor, AutoModelForZeroShotObjectDetection device cuda if torch.cuda.is_available() else cpu processor AutoProcessor.from_pretrained(IDEA-Research/grounding-dino-tiny) model AutoModelForZeroShotObjectDetection.from_pretrained(IDEA-Research/grounding-dino-tiny).to(device) image_path test.jpg text person. car. image processor.image_processor.load_image(image_path) inputs processor(imagesimage, texttext, return_tensorspt).to(device) with torch.no_grad(): outputs model(**inputs) results processor.post_process_grounded_object_detection( outputs, inputs.input_ids, box_threshold0.3, text_threshold0.25, target_sizes[image.size[::-1]] ) print(results)如果这段代码能顺利打印出检测框坐标说明 Grounding DINO 这条链路通了。之后再去接 SAM 或者直接交给 autodistill都是下游事情。我在多个环境里踩过的最普遍问题反而是 torch 版本和 CUDA 不匹配导致的静默崩溃很多情况下不报错但结果全是空的建议先python -c import torch;print(torch.cuda.is_available())确认设备可用。3. 路线 AX-AnyLabeling 半自动标注工作流如果你数据量只有两三千张且类别定义还在不断调整我建议先走 X-AnyLabeling 这条线。它最大的好处是你随时能看到模型生成的标注长什么样能即时修正不会像全自动流水线那样等跑完几千张才发现某个类别的提示词写歪了。3.1 在界面里加载 Grounding DINO 或 SAM 模型打开 X-AnyLabeling 之后右侧会有模型面板。你要做的是在模型列表里找到当前需要的模型比如选择GroundingDINO或SAM相关的选项点击加载。首次加载会下载权重进度条走完之前不建议切页面。这里有一个小技巧如果你只想标框选 Grounding DINO 就够速度快、操作简单如果你需要的是分割 mask那就选带 SAM 的组合型模型它会在检测框的基础上自动生成 mask你后续的人工修正是改 mask 边界而不是重新描边。我在实际项目中的经验是纯框标注在绝大多数目标检测场景已经够用mask 标注主要用于实例分割或对边界精度特别高的场景。先想清楚最终模型输出什么再决定要不要多花时间去修 mask别盲目追求高级。3.2 用自然语言批量生成预标注模型加载好之后在图片上画框之前先找到文本标注输入框。输入类似这样的提示词person. safety helmet. reflective vest.然后点击执行模型会在当前图像上自动生成检测框。X-AnyLabeling 会把框和类别名直接叠加在图上你可以逐张检查。这里的关键技巧是提示词要写成用英文句号分隔的形式而不是逗号或自然语言长句。Grounding DINO 对person. safety helmet. reflective vest.这种短词列表的解析率远高于a person wearing a safety helmet and a reflective vest这种长句描述。如果你要标的类别有同义词比如汽车有 car、automobile、vehicle建议先统一成你最终训练时想要的那个类别名否则后面合并类别要花很大力气。图片不大的话可以整目录导入 X-AnyLabeling然后批量执行标注。每张图生成预标注的速度取决于你选的是哪个模型GPU 环境下 Tiny 模型一般一秒内出结果Swin-B 模型会慢不少。3.3 人工修正闭环改错比画框快得多自动标注出来的结果质量取决于提示词写得好不好。理论上你要做的只是删掉误检、补上漏检、纠正类别名三个动作。实际体验下来这句话要分场景看在类别与背景区分明显的场景比如工地人员着装识别预标注准确率能到 90% 以上人工只剩微调但在物体堆叠严重、小目标成群的场景比如货架商品识别漏检会很多人工修正的工作量会大一些。即便如此修正也比从零画框快很多因为你不需要重新决策框的边界在哪里只需要判断有没有、是不是。X-AnyLabeling 的快捷键设计得比较合理按 D 切换下一张图按 CtrlS 保存按住画布可以直接调整框顶点。我的工作流是先把自动标注跑完然后从头到尾过一遍图只处理那些一眼就有问题的框。一次修正完成之后立刻导出防止中途崩溃丢失进度。3.4 把自定义 YOLO 模型导入当预标注器这是 X-AnyLabeling 一个非常实用的进阶玩法。假设你已经用上一轮数据训练了一个 YOLOv8 模型可以让它成为你的预标注器。把训练好的权重导出为 ONNX 或者直接在软件内加载 PyTorch 权重X-AnyLabeling 支持导入自定义模型。导入之后新来的图片就可以先用这个模型跑一遍预标注再人工修正。这个做法看起来简单实际价值是巨大的因为它是数据飞轮里最自然的闭环模型越标越准标注越准模型越强。我自己的一个工业场景项目就是用这个方式迭代的。第一轮用 Grounding DINO 粗标训练出 YOLOv8n第二轮把 YOLOv8n 放进 X-AnyLabeling 继续标新数据预标注准确率比第一轮 Grounding DINO 还高而且推理速度更快。从那之后那一类项目的标注基本告别了从零画框。4. 路线 Bautodistill Grounded-SAM 全自动批量标注与蒸馏当你确定类别不再大改、数据量上万张再让人一张张过 X-AnyLabeling 就太奢侈了。这时候走 autodistill 全自动流水线是正确选择。它要做的事情是让老师模型通宵跑标注第二天起来数据已经准备好了。4.1 环境与版本autodistill 的 API 一直在变autodistill 官方文档的示例代码在不同版本里多少有些出入特别是 Ontology 的定义方式。较新的版本里DetectionOntology 可以直接吃一个字符串列表比较接近直觉from autodistill.detection import DetectionOntology from autodistill_grounded_sam import GroundedSAM ontology DetectionOntology([ person, hard hat, safety vest ])在驾驶场景里类别名选择至关重要。DetectionOntology 的类别名会直接成为提示词传给 Grounding DINO所以每个类别的措辞都要仔细推敲。比如hard hat比helmet更稳定因为工地场景里 Grounding DINO 对helmet容易产生歧义。类别名一旦定了后面所有标注都会按这个名字输出。如果你想在正式跑全量之前评估老师模型的表现先抽 50 张图试跑人工看一遍结果觉得稳定了再放全量。4.2 用 Grounding DINO 作为老师批量生成预标注如果只是想快速获得框级别的标注直接用 autodistill 的 Grounding DINO 插件就够了。但如果目标是分割 mask需要用到 GroundedSAM 插件它内部是 Grounding DINO 和 MobileSAM 的组合显存占用比原版 SAM ViT-H 低很多更适合全自动跑大量图片。核心代码大致是这样的from autodistill.detection import DetectionOntology from autodistill_grounded_sam import GroundedSAM from autodistill_yolov8 import YOLOv8 ontology DetectionOntology([ person, hard hat, safety vest ]) base_model GroundedSAM(ontologyontology, box_threshold0.3, text_threshold0.25) # 输入图片文件夹输出标注数据集 dataset base_model.label(input_folderimages, output_folderlabeled_dataset) # 用标注结果直接训练小模型 target_model YOLOv8(yolov8n.pt) target_model.train(dataset, epochs50, imgsz640)这一步跑完之后labeled_dataset目录下会有一套组织好的数据集。你用训练脚本直接读它就行不用再自己拼 data.yaml。这在一次性处理上万张图时特别省心因为整套数据组织逻辑已经有人替你处理好了。4.3 训练目标模型前的参数控制训练一个小模型作为最终部署产物通常选择 YOLOv8n 或 YOLOv8s。别一上来就选 YOLOv8l 甚至 YOLOv8x全自动标注的数据本来就包含老师模型的偏差学生模型完全没必要用复杂的结构去拟合这些偏差。先用小模型跑出一个基线比如 YOLOv8n如果 mAP 不够再逐步扩大模型规模。imgsz 的选择也需要权衡默认 640 适用大多数场景。如果你的目标对象本身很小比如质检场景里的细小划痕可以尝试 imgsz1280代价是训练变慢。我通常先在 640 下看能不能跑通全链路确认之后再用 1280 训练最终模型避免一开始就陷入漫长的训练实验。5. 两条路线的数据交接与质量抽检不管走哪条线最终你手里都应该是 YOLO 格式或 COCO 格式的可训练数据集。但实际交接时最容易出问题的就是格式细节。5.1 YOLO 目录结构和类别顺序YOLO 格式标准的目录结构是这样的dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml类目顺序由 data.yaml 中的names列表决定而每张图片对应的 label 文件里每一行的第一个数字就是这个类别的索引。这里面最坑的地方在于如果两次标注的类别顺序不一致标签文件看起来还在但类别含义全错了。比如 X-AnyLabeling 导出时生成的 classes.txt 里person 是第 0 类hard hat 是第 1 类而 autodistill 处理另一批数据时person 是第 1 类hard hat 是第 0 类。你把两个数据集合在一起训练模型就会彻底混乱。我自己的处理方法是专门维护一个classes.txt或data.yaml文件每次开始批量标注前先检查类别顺序是否一致。这个检查只需要几秒钟但能避免几天的返工。5.2 从 X-AnyLabeling 导出的结果怎么喂给 autodistill 训练X-AnyLabeling 导出 YOLO 格式后你会得到 images、labels 和 classes.txt 三个部分。而 autodistill 训练接口需要的是它自己生成的目录结构。最快的方式是把 X-AnyLabeling 的结果直接整理成 YOLO 标准目录dataset/ ├── images/ │ └── train/ ├── labels/ │ └── train/ └── data.yaml然后改写 data.yaml 的类别列表让它和 classes.txt 保持一致。这里不需要走 autodistill 的接口因为它只负责生成标注训练逻辑直接用 Ultralytics 的 YOLO 接口调用即可。实际项目中我就是这样混合使用的autodistill 跑大专业的全自动标注时生成最干净的数据集而人工修正过的数据用来微调和验证。5.3 抽检按类别统计再翻原始图全自动标注完成后我强烈建议不要直接用而是先花一两个小时做抽检。具体做法分三步。第一步按类别统计标注框数量。import os from collections import Counter counter Counter() for f in os.listdir(labels/train): path os.path.join(labels/train, f) for line in open(path): counter[int(line.split()[0])] 1 print(counter)看数量分布是否符合直觉。比如 2000 张工地图片person 框出现 1.5 万次hard hat 只出现 100 次那大概率是提示词匹配偏差需要重新审视类别词。第二步随机抽 10% 的图片生成带标注可视化结果。可以用 supervision 库快速画框然后人工翻图。这个过程不需要非常精确目的是确认是否存在系统性错误。第三步针对高频误检和漏检的类别回到提示词层面做修正重新跑标注。全自动流水线的优势就在这里修正提示词之后重新跑一次几个小时就能得到一批新的高质量标注这在纯人工标注流程里是无法想象的。5.4 标注版本和类别字典管理标注数据也是有版本的。我见过不少团队标注文件到处乱放几轮迭代之后根本说不清当前训练集是哪个版本。我的习惯是每次全自动标注或人工批量修正之后给数据集打一个日期版本号并在数据集目录下放一个README.md记录当时的类别字典、使用的老师模型、prompt、阈值和大致数量。这个习惯在前中期没什么感觉但当项目进行到三个月后需要复现某个精度指标时它能帮你精确回溯到当时的标注配置价值非常大。6. 这半年来踩过的坑Grounded-SAM 批量标注问题清单最后这部分我把真正踩过的坑和曾经困扰我很久的问题集中列出来希望你不用再走一遍弯路。6.1 prompt 写得不好标注全歪我试用 Grounding DINO 的时候输入all objects这种万能提示词结果就是框出了各种乱七八糟的目标。Grounding DINO 不是万能的语义解析器它需要具体、简短、有区分度的词。比如你要标安全帽hard hat就比safety helmet稳定你要标汽车car就比vehicle精确得多。提示词的另一个经验是避免类别重叠。如果你同时写person和workerGrounding DINO 很可能把同一个人同时识别为两个类别导致标签文件里出现大量重叠框。处理重叠框最直接的办法是在标注生成后用脚本过滤 IoU 大于某个阈值的重复框保留置信度更高的那个。6.2 显存不够时怎么降级这是个高频问题。很多人拿着一块 6GB 显存的卡来跑 Grounded-SAM跑几张图就提示 CUDA out of memory。我的建议是按顺序降级先换成 Grounding DINO Tiny 加 MobileSAM 的组合显存占用能降到 4GB 左右如果还不行就把输入图片缩小长边改成 1024 甚至 768。注意改输入尺寸会影响小目标的检出率所以缩得太小之后要记得用抽检来确认漏检率是否还在可接受范围。如果你有 NVIDIA 卡但显存只有 4GB另一个思路是关掉批量推理逐张处理虽然慢但不会崩。autodistill 的 label 方法默认应该是有内置的循环机制但我还是建议在全量跑之前用小批量先验证一下内存增长曲线。6.3 小目标漏检和密集场景全自动标注在小目标和密集场景下的表现说实话还不够理想。Grounding DINO 对面积特别小或者目标彼此粘连的物体很容易漏。我处理这类问题有两个土办法。第一个是把大图切块。比如把 3000x3000 的大图切成 800x800 的小块每块单独跑标注然后再把坐标映射回原图。这个办法能明显提升小目标召回率代价是处理时长翻倍。第二个是调低 box_threshold从 0.3 调低到 0.2漏检会少一些但误检也会增多需要人工后处理的时间也会增加。这两条路都需要根据具体数据反复试没有统一的最优值。6.4 阈值调参和白话解释box_threshold 和 text_threshold 这两个参数是 Grounding DINO 标注质量的核心旋钮。box_threshold 是目标框的置信度门槛低于这个值的框会被丢弃text_threshold 是文本与图像内容的匹配度门槛低于这个值的文本匹配会被丢弃。直观理解就是box_threshold 控制这个位置像不像有目标text_threshold 控制这里的检测结果像不像你写的类别。默认值 0.3 和 0.25 相对宽松适合追求召回率的场景。如果你发现标注结果里误检很多把 box_threshold 调到 0.4如果漏检很多降到 0.2 试试。建议每次只动一个参数并且用同一小批验证图对比效果别同时调两个导致无法归因。6.5 最后说一下迭代心态这套工具链跑通之后我最大的感受是标注这件事的门槛被显著拉低了。以前做新项目最怕数据准备现在反而是先让老师模型跑一轮把能自动标的部分快速榨干再让人的精力集中在机器搞不定的那一小部分。这算是过去一年我最值得的投入之一也希望你按这套流程跑的时候能绕过我踩过的那些坑少走弯路。