18 KiB

Raw Blame History

BEV分割任务输入输出尺寸详细分析

配置: fusion-det-seg-swint-enhanced.yaml
任务: BEV Map Segmentation
类别数: 6类 (drivable_area, ped_crossing, walkway, stop_line, carpark_area, divider)

📐 完整数据流尺寸追踪

0. 原始输入数据

# 相机图像
images: (B, N, 3, H, W)
  B = 1 (batch size, 单GPU)
  N = 6 (相机数量)
  H = 256 (图像高度)
  W = 704 (图像宽度)
形状: (1, 6, 3, 256, 704)

# LiDAR点云
points: List[Tensor]
  每个sample: (N_points, 5)  # x, y, z, intensity, timestamp
  范围: [-54m, 54m] × [-54m, 54m] × [-5m, 3m]

1. Camera Encoder输出 → BEV特征

1.1 Backbone (SwinTransformer)

Input: (1, 6, 3, 256, 704)
  ↓
SwinT Backbone (3个输出尺度)
  ├─ Stage1: (1, 6, 192, 64, 176)   # H/4, W/4
  ├─ Stage2: (1, 6, 384, 32, 88)    # H/8, W/8
  └─ Stage3: (1, 6, 768, 16, 44)    # H/16, W/16

1.2 Neck (GeneralizedLSSFPN)

Input: 3个尺度 [192, 384, 768]通道
  ↓
FPN处理
  ↓
Output: (1, 6, 256, 32, 88)  # 统一到32×88尺寸，256通道

1.3 View Transform (DepthLSSTransform)

Input: (1, 6, 256, 32, 88)
  ↓
DepthNet: 256 → 199 (119 depth + 80 context)
  ↓
3D Volume: (1, 6, 80, 119, 32, 88)
  ↓
BEV Pooling (投影到BEV平面)
  ↓
Camera BEV: (1, 80, 360, 360)  # 80通道
  
计算:
  xbound: [-54, 54, 0.3] → 108m / 0.3m = 360 grids
  ybound: [-54, 54, 0.3] → 108m / 0.3m = 360 grids

2. LiDAR Encoder输出 → BEV特征

2.1 Voxelization

Input: Points (N_points, 5)
  ↓
Voxelization
  voxel_size: [0.075m, 0.075m, 0.2m]
  point_range: [-54m, 54m] × [-54m, 54m] × [-5m, 3m]
  ↓
Voxels: (N_voxels, 10, 5)  # 每voxel最多10个点
  
Sparse Shape:
  X: 108m / 0.075m = 1440 grids
  Y: 108m / 0.075m = 1440 grids
  Z: 8m / 0.2m = 40 grids
  → (1440, 1440, 40)

2.2 Sparse Encoder

Input: Sparse Voxels (1440, 1440, 40)
  ↓
SparseEncoder (4个stage)
  ↓
Output: Dense BEV (1, 256, 360, 360)
  
计算:
  Sparse (1440, 1440) → Dense (360, 360)
  降采样倍数: 1440 / 360 = 4x

3. Fuser输出 → 融合BEV特征

Camera BEV: (1, 80, 360, 360)
LiDAR BEV:  (1, 256, 360, 360)
  ↓
ConvFuser (Camera 80→256, 然后相加)
  ↓
Fused BEV: (1, 256, 360, 360)

4. Decoder输出 → 多尺度特征

4.1 SECOND Backbone

Input: (1, 256, 360, 360)
  ↓
SECOND (2个stage)
  ├─ Stage1: (1, 128, 360, 360)  # stride=1
  └─ Stage2: (1, 256, 180, 180)  # stride=2, 降采样

4.2 SECONDFPN Neck

Input: 
  ├─ Stage1: (1, 128, 360, 360)
  └─ Stage2: (1, 256, 180, 180)
  ↓
FPN处理
  ├─ Feature1: (1, 256, 360, 360)  # Stage1 → 256通道
  └─ Feature2: (1, 256, 360, 360)  # Stage2上采样2倍 → 256通道
  ↓
Concat
  ↓
Output: (1, 512, 360, 360)  # 256×2 = 512通道

关键: Decoder输出是512通道，360×360空间尺寸

🎯 5. 分割头详细尺寸分析

配置参数

map:
  in_channels: 512  # Decoder输出
  grid_transform:
    input_scope: [[-54.0, 54.0, 0.75], [-54.0, 54.0, 0.75]]
    output_scope: [[-50, 50, 0.5], [-50, 50, 0.5]]

计算:

# Input scope计算
input_x_size = (54.0 - (-54.0)) / 0.75 = 108 / 0.75 = 144 grids
input_y_size = (54.0 - (-54.0)) / 0.75 = 108 / 0.75 = 144 grids

# Output scope计算
output_x_size = (50 - (-50)) / 0.5 = 100 / 0.5 = 200 grids
output_y_size = (50 - (-50)) / 0.5 = 100 / 0.5 = 200 grids

5.1 原始BEVSegmentationHead尺寸流

输入 (从Decoder):
  Shape: (B, 512, 360, 360)
  Size: 1 × 512 × 360 × 360
  
  ↓ Step 1: BEVGridTransform
  
# Grid Transform详细过程:
# 1. 从360×360 resample到144×144 (input_scope)
# 2. 生成grid坐标
#    范围: [-54, 54] → 144个grid点，步长0.75m
# 3. Grid sample插值到200×200 (output_scope)
#    范围: [-50, 50] → 200个grid点，步长0.5m

BEV Grid Transform:
  Input:  (B, 512, 360, 360)
  Output: (B, 512, 200, 200)
  
说明: 
  - Decoder输出360×360，但分割只关注中心区域
  - 从360×360裁剪/插值到200×200
  - 空间范围从±54m缩小到±50m

  ↓ Step 2: Classifier Layer 1
  
Conv2d(512, 512, 3, padding=1) + BN + ReLU
  Input:  (B, 512, 200, 200)
  Output: (B, 512, 200, 200)

  ↓ Step 3: Classifier Layer 2
  
Conv2d(512, 512, 3, padding=1) + BN + ReLU
  Input:  (B, 512, 200, 200)
  Output: (B, 512, 200, 200)

  ↓ Step 4: Final Classifier
  
Conv2d(512, 6, 1)  # 6类
  Input:  (B, 512, 200, 200)
  Output: (B, 6, 200, 200)  # Logits

  ↓ Step 5 (推理时): Sigmoid激活
  
torch.sigmoid(logits)
  Output: (B, 6, 200, 200)  # 概率值 [0, 1]

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

最终输出:
  Shape: (B, 6, 200, 200)
  Batch: B = 1 (单GPU)
  Classes: 6 (每个类别一个通道)
  Spatial: 200 × 200 (空间分辨率)
  Range: ±50m × ±50m (实际覆盖范围)
  Resolution: 0.5m per grid (每格0.5米)

5.2 增强EnhancedBEVSegmentationHead尺寸流

输入 (从Decoder):
  Shape: (B, 512, 360, 360)
  
  ↓ Step 1: BEV Grid Transform
  
BEVGridTransform:
  Input:  (B, 512, 360, 360)
  Output: (B, 512, 200, 200)

  ↓ Step 2: ASPP 多尺度特征提取
  
ASPP (5个分支):
  Branch 1 (1×1):      (B, 512, 200, 200) → (B, 256, 200, 200)
  Branch 2 (3×3@d6):   (B, 512, 200, 200) → (B, 256, 200, 200)
  Branch 3 (3×3@d12):  (B, 512, 200, 200) → (B, 256, 200, 200)
  Branch 4 (3×3@d18):  (B, 512, 200, 200) → (B, 256, 200, 200)
  Branch 5 (Global):   (B, 512, 200, 200) → (B, 256, 200, 200)
  ↓
Concat: (B, 1280, 200, 200)  # 256 × 5
  ↓
Project Conv 1×1: (B, 1280, 200, 200) → (B, 256, 200, 200)

  ↓ Step 3: Channel Attention
  
ChannelAttention:
  Input:  (B, 256, 200, 200)
  Output: (B, 256, 200, 200)  # 通道加权

  ↓ Step 4: Spatial Attention
  
SpatialAttention:
  Input:  (B, 256, 200, 200)
  Output: (B, 256, 200, 200)  # 空间加权

  ↓ Step 5: Auxiliary Classifier (Deep Supervision)
  
Conv2d(256, 6, 1) [仅训练时]
  Input:  (B, 256, 200, 200)
  Output: (B, 6, 200, 200)  # 辅助监督

  ↓ Step 6: Deep Decoder (4层)
  
Layer 1: Conv(256, 256, 3) + BN + ReLU + Dropout
  Input:  (B, 256, 200, 200)
  Output: (B, 256, 200, 200)

Layer 2: Conv(256, 128, 3) + BN + ReLU + Dropout
  Input:  (B, 256, 200, 200)
  Output: (B, 128, 200, 200)

Layer 3: Conv(128, 128, 3) + BN + ReLU + Dropout
  Input:  (B, 128, 200, 200)
  Output: (B, 128, 200, 200)

  ↓ Step 7: Per-class Classifiers (6个独立分类器)
  
For each class (×6):
  Conv(128, 64, 3) + BN + ReLU
    Input:  (B, 128, 200, 200)
    Output: (B, 64, 200, 200)
  Conv(64, 1, 1)
    Input:  (B, 64, 200, 200)
    Output: (B, 1, 200, 200)

Concat 6个输出:
  Output: (B, 6, 200, 200)  # Logits

  ↓ Step 8 (推理时): Sigmoid
  
torch.sigmoid(logits)
  Output: (B, 6, 200, 200)  # 概率 [0, 1]

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

最终输出:
  Shape: (B, 6, 200, 200)
  尺寸: 1 × 6 × 200 × 200 = 240,000 个值
  内存: 240,000 × 4 bytes (float32) = 960 KB

📊 关键尺寸总结

输入尺寸

层级	名称	形状	空间尺寸	通道数
Decoder输出	Decoder Neck输出	(B, 512, 360, 360)	360×360	512
Grid Transform后	BEV网格变换	(B, 512, 200, 200)	200×200	512

中间尺寸 (增强版)

层级	名称	形状	通道数
ASPP输出	多尺度特征	(B, 256, 200, 200)	256
注意力后	特征增强	(B, 256, 200, 200)	256
Decoder Layer 1	深层解码	(B, 256, 200, 200)	256
Decoder Layer 2	深层解码	(B, 128, 200, 200)	128
Decoder Layer 3	深层解码	(B, 128, 200, 200)	128

输出尺寸

层级	名称	形状	说明
分类器输出	Logits	(B, 6, 200, 200)	6类，未归一化
最终输出	Probabilities	(B, 6, 200, 200)	Sigmoid后，[0,1]

🗺️ 空间范围详解

BEV网格配置

grid_transform:
  input_scope: [[-54.0, 54.0, 0.75], [-54.0, 54.0, 0.75]]
  output_scope: [[-50, 50, 0.5], [-50, 50, 0.5]]

详细计算:

Input Scope (Decoder输出空间)

范围: [-54m, 54m] × [-54m, 54m]
分辨率: 0.75m per grid

网格数量:
  X轴: (54 - (-54)) / 0.75 = 108 / 0.75 = 144 grids
  Y轴: (54 - (-54)) / 0.75 = 108 / 0.75 = 144 grids

实际Decoder输出: 360×360
Grid Transform处理: 360×360 → 144×144 (下采样)

问题: Decoder实际输出360×360，但input_scope期望144×144

解释: BEVGridTransform通过grid_sample插值处理尺寸不匹配

# grid_sample会自动处理
# 从360×360采样到144×144，然后插值到200×200
F.grid_sample(
    x,  # (B, 512, 360, 360)
    grid,  # 200×200个采样坐标，范围对应到360×360
    mode='bilinear',
)
# Output: (B, 512, 200, 200)

Output Scope (分割输出空间)

范围: [-50m, 50m] × [-50m, 50m]
分辨率: 0.5m per grid

网格数量:
  X轴: (50 - (-50)) / 0.5 = 100 / 0.5 = 200 grids
  Y轴: (50 - (-50)) / 0.5 = 100 / 0.5 = 200 grids

最终输出: 200×200 BEV grid

📐 尺寸变化可视化

完整Pipeline尺寸流:

原始图像: (1, 6, 3, 256, 704)
  ↓
SwinT → FPN
  ↓ (1, 6, 256, 32, 88)
  
DepthLSS → BEV Pooling
  ↓ Camera BEV: (1, 80, 360, 360)

LiDAR Sparse Encoder
  ↓ LiDAR BEV: (1, 256, 360, 360)

ConvFuser (融合)
  ↓ Fused BEV: (1, 256, 360, 360)

SECOND Backbone
  ↓ (1, 128, 360, 360) + (1, 256, 180, 180)

SECONDFPN Neck
  ↓ (1, 512, 360, 360)  ← 分割头输入

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

分割头处理:

BEVGridTransform
  Input:  (1, 512, 360, 360)
  Output: (1, 512, 200, 200)  ← 空间降采样

ASPP (增强版)
  Output: (1, 256, 200, 200)  ← 通道降维

双注意力
  Output: (1, 256, 200, 200)

Deep Decoder (4层)
  Output: (1, 128, 200, 200)  ← 通道进一步降维

Per-class Classifiers
  Output: (1, 6, 200, 200)    ← 最终分割mask

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

🎯 核心尺寸总结

输入尺寸

分割头输入:
  形状: (B, 512, 360, 360)
  批次: B = 1 (单GPU)
  通道: 512 (来自SECONDFPN concat)
  空间: 360 × 360 grids
  分辨率: 0.3m per grid
  范围: ±54m × ±54m
  内存: 1 × 512 × 360 × 360 × 4 bytes = 264 MB

输出尺寸

分割头输出:
  形状: (B, 6, 200, 200)
  批次: B = 1
  类别: 6 (每类一个通道)
  空间: 200 × 200 grids
  分辨率: 0.5m per grid
  范围: ±50m × ±50m (100m × 100m = 10,000平方米)
  内存: 1 × 6 × 200 × 200 × 4 bytes = 960 KB

🔍 各类别输出详解

# 最终输出
output: (B, 6, 200, 200)

# 按类别拆分
output[0, 0, :, :] → (200, 200) drivable_area
output[0, 1, :, :] → (200, 200) ped_crossing
output[0, 2, :, :] → (200, 200) walkway
output[0, 3, :, :] → (200, 200) stop_line
output[0, 4, :, :] → (200, 200) carpark_area
output[0, 5, :, :] → (200, 200) divider

# 每个类别
每个像素值: 0.0 ~ 1.0 (概率)
  > 0.5 → 该像素属于此类别
  < 0.5 → 该像素不属于此类别

# 空间对应
grid[0, 0] → 实际位置 (-50m, -50m)
grid[100, 100] → 实际位置 (0m, 0m) - 车辆中心
grid[199, 199] → 实际位置 (+50m, +50m)

📊 不同配置的输出尺寸对比

官方单分割

grid_transform:
  input_scope: [[-51.2, 51.2, 0.8], [-51.2, 51.2, 0.8]]
  output_scope: [[-50, 50, 0.5], [-50, 50, 0.5]]

计算:
  Input: 102.4m / 0.8m = 128 × 128
  Output: 100m / 0.5m = 200 × 200

输出: (B, 6, 200, 200)

我们的双任务

grid_transform:
  input_scope: [[-54.0, 54.0, 0.75], [-54.0, 54.0, 0.75]]
  output_scope: [[-50, 50, 0.5], [-50, 50, 0.5]]

计算:
  Input: 108m / 0.75m = 144 × 144
  Output: 100m / 0.5m = 200 × 200

输出: (B, 6, 200, 200)

结论: 最终输出尺寸相同，都是 (B, 6, 200, 200)

💾 内存占用分析

分割头内存占用 (单样本)

# 前向传播中间tensor

BEV Grid Transform输出:
  (1, 512, 200, 200) = 40.96 MB

ASPP中间态:
  5个分支concat: (1, 1280, 200, 200) = 102.4 MB
  Project后: (1, 256, 200, 200) = 20.48 MB

注意力模块:
  Channel attention: (1, 256, 200, 200) = 20.48 MB
  Spatial attention: (1, 256, 200, 200) = 20.48 MB

Decoder中间态:
  Layer 1: (1, 256, 200, 200) = 20.48 MB
  Layer 2: (1, 128, 200, 200) = 10.24 MB
  Layer 3: (1, 128, 200, 200) = 10.24 MB

Per-class分类:
  每个class: (1, 64, 200, 200) = 5.12 MB × 6 = 30.72 MB

最终输出:
  (1, 6, 200, 200) = 0.96 MB

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

峰值内存 (ASPP concat时): ~102 MB (单样本)
总显存占用 (含梯度): ~19 GB (8 GPUs, 完整模型)

🎯 实际应用中的尺寸

物理空间覆盖

输出: (B, 6, 200, 200)

物理空间:
  范围: ±50m × ±50m
  面积: 100m × 100m = 10,000 平方米
  分辨率: 0.5m per grid
  
网格尺寸:
  每个grid: 0.5m × 0.5m = 0.25平方米
  总grid数: 200 × 200 = 40,000 grids
  总覆盖: 40,000 × 0.25 = 10,000 平方米 ✅

空间精度

每个grid: 0.5m × 0.5m

对于不同对象:
├─ 车辆 (4m × 2m): 约 8×4 = 32 grids ✅ 足够精确
├─ 人行道 (1.5m宽): 约 3 grids ✅ 可识别
├─ 车道线 (0.15m宽): 约 0.3 grids ⚠️ 亚像素级，困难
└─ 停止线 (0.3m宽): 约 0.6 grids ⚠️ 难以精确识别

说明: 这就是为什么stop_line和divider性能低的原因之一！

🔬 分辨率影响分析

如果提升输出分辨率

选项1: 提高到250×250

output_scope: [[-50, 50, 0.4], [-50, 50, 0.4]]

计算:
  100m / 0.4m = 250 × 250 grids
  
影响:
  ✅ 车道线识别更准确 (0.15m → 0.4 grids)
  ⚠️ 计算量增加 56% (200² → 250²)
  ⚠️ 显存增加 ~3GB

选项2: 提高到400×400

output_scope: [[-50, 50, 0.25], [-50, 50, 0.25]]

计算:
  100m / 0.25m = 400 × 400 grids
  
影响:
  ✅ 车道线识别显著提升 (0.15m → 0.6 grids)
  ❌ 计算量增加 4倍
  ❌ 显存爆炸 (+8GB)
  ❌ 不推荐

建议: 保持200×200，通过增强网络架构提升性能

📈 尺寸选择的权衡

为什么选择200×200?

优势:

✅ 计算量适中 (200² = 40K pixels)
✅ 显存占用合理
✅ 对大目标(车道、停车区)足够精确
✅ 与官方benchmark一致

劣势:

⚠️ 对线性小目标(车道线0.15m)精度有限
⚠️ 亚像素级特征难以捕获

解决方案:

不提高分辨率(成本太高)
用更强的网络架构(ASPP, 注意力)
用Dice Loss优化小目标
用类别权重强化学习

🎯 与检测输出对比

检测头输出

Detection Head输出:
  boxes_3d: (N_objects, 9)  # N_objects个3D框
    每个框: [x, y, z, l, w, h, yaw, vx, vy]
  scores_3d: (N_objects,)  # 置信度
  labels_3d: (N_objects,)  # 类别
  
特点:
  - 稀疏输出 (只有检测到的对象)
  - 可变数量 (N_objects通常10-50)
  - 每个对象9维信息

分割头输出

Segmentation Head输出:
  masks_bev: (B, 6, 200, 200)  # 密集输出
  
特点:
  - 密集输出 (每个grid都有预测)
  - 固定尺寸 (200×200)
  - 每个位置6类概率
  - 总计: 240,000个预测值

对比:

检测: 稀疏、动态数量、高维表示
分割: 密集、固定尺寸、2D平面

🔢 详细尺寸计算表

完整流程尺寸

步骤	模块	输入形状	输出形状	空间尺寸
1	原始图像	-	(1, 6, 3, 256, 704)	256×704
2	SwinT	(1, 6, 3, 256, 704)	(1, 6, 768, 16, 44)	16×44
3	FPN	(1, 6, 768, 16, 44)	(1, 6, 256, 32, 88)	32×88
4	DepthLSS	(1, 6, 256, 32, 88)	(1, 80, 360, 360)	360×360
5	LiDAR Encoder	Points	(1, 256, 360, 360)	360×360
6	ConvFuser	2个BEV	(1, 256, 360, 360)	360×360
7	SECOND	(1, 256, 360, 360)	(1, 128, 360, 360)	360×360
8	SECONDFPN	2个尺度	(1, 512, 360, 360)	360×360
9	Grid Transform	(1, 512, 360, 360)	(1, 512, 200, 200)	200×200 ← 降采样
10	ASPP	(1, 512, 200, 200)	(1, 256, 200, 200)	200×200
11	注意力	(1, 256, 200, 200)	(1, 256, 200, 200)	200×200
12	Decoder	(1, 256, 200, 200)	(1, 128, 200, 200)	200×200
13	Classifiers	(1, 128, 200, 200)	(1, 6, 200, 200)	200×200

📊 快速参考

关键尺寸速查

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

分割头输入:
  ✓ 形状: (1, 512, 360, 360)
  ✓ 通道: 512
  ✓ 空间: 360×360 grids
  ✓ 分辨率: 0.3m/grid
  ✓ 范围: ±54m

分割头输出:
  ✓ 形状: (1, 6, 200, 200)
  ✓ 类别: 6
  ✓ 空间: 200×200 grids
  ✓ 分辨率: 0.5m/grid
  ✓ 范围: ±50m
  ✓ 总面积: 10,000平方米

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

💡 设计考虑

为什么360×360 → 200×200?

原因:

计算效率:
- 360×360太大，分割头计算量爆炸
- 200×200是性能和效率的平衡点
感兴趣区域:
- ±54m太远，分割精度低
- ±50m是自动驾驶关注的主要区域
标注精度:
- nuScenes标注范围主要在±50m内
- 远距离区域标注可能不准确
与官方一致:
- 官方benchmark都用200×200输出
- 便于性能对比

🎓 总结

核心尺寸

输入: (1, 512, 360, 360)  - 512通道, 360×360空间
       ↓
      Grid Transform (360×360 → 200×200)
       ↓
输出: (1, 6, 200, 200)    - 6类别, 200×200空间

空间范围: ±50m × ±50m = 10,000平方米
空间分辨率: 0.5m per grid (50cm)

生成时间: 2025-10-19
文档版本: 1.0

18 KiB Raw Blame History Unescape Escape

BEV分割任务输入输出尺寸详细分析

📐 完整数据流尺寸追踪

0. 原始输入数据

1. Camera Encoder输出 → BEV特征

1.1 Backbone (SwinTransformer)

1.2 Neck (GeneralizedLSSFPN)

1.3 View Transform (DepthLSSTransform)

2. LiDAR Encoder输出 → BEV特征

2.1 Voxelization

2.2 Sparse Encoder

3. Fuser输出 → 融合BEV特征

4. Decoder输出 → 多尺度特征

4.1 SECOND Backbone

4.2 SECONDFPN Neck

🎯 5. 分割头详细尺寸分析

配置参数

5.1 原始BEVSegmentationHead尺寸流

5.2 增强EnhancedBEVSegmentationHead尺寸流

📊 关键尺寸总结

输入尺寸

中间尺寸 (增强版)

输出尺寸

🗺️ 空间范围详解

BEV网格配置

Input Scope (Decoder输出空间)

Output Scope (分割输出空间)

📐 尺寸变化可视化

🎯 核心尺寸总结

输入尺寸

输出尺寸

🔍 各类别输出详解

📊 不同配置的输出尺寸对比

官方单分割

我们的双任务

💾 内存占用分析

分割头内存占用 (单样本)

🎯 实际应用中的尺寸

物理空间覆盖

空间精度

🔬 分辨率影响分析

如果提升输出分辨率

📈 尺寸选择的权衡

为什么选择200×200?

🎯 与检测输出对比

检测头输出

分割头输出

🔢 详细尺寸计算表

完整流程尺寸

📊 快速参考

关键尺寸速查

💡 设计考虑

为什么360×360 → 200×200?

🎓 总结

核心尺寸

18 KiB

Raw Blame History