企业官网建设流程全解析

简介：一份面向目标检测与抽烟检测场景的数据集介绍指南，适用于公共场所监控或室内监控场景下训练抽烟识别模型的开发者。数据集包含1000张真实与合成结合的高质量图片，覆盖街景抽烟、写字楼抽烟、办公室抽烟、楼道抽烟以及遮挡行人、严重遮挡行人抽烟等多种情况，场景层次丰富。包体为单个PDF文件，大小8.92MB，内含数据集基本情况介绍、缩略图、labelimg标注效果示意图及百度网盘获取方式；由于原图数据量较大，实际图片数据通过网盘交付。已有761人浏览学习。该数据集采用labelimg标注软件制作，提供VOC(xml)、COCO(json)、YOLO(txt)三种常见格式标签，可直接用于YOLO等算法训练；同时附赠YOLO11一键训练脚本，支持GPU(GPUs)、CPU、Mac(M芯片）三平台，并附带博主训练结果日志供参考，可帮助快速完成环境搭建与模型效果验证，适合作为监控场景抽烟检测项目的数据补充与训练入门资料。

1. 抽烟检测数据集：1000张图到底能不能训出一个可上线的YOLO11模型

做目标检测的同行应该都有过这种经历：接到一个“识别现场有没有人抽烟”的需求，第一反应不是先挑模型，而是先翻遍全网找数据集；找到的数据集要么是国外场景、要么标注乱七八糟，真正能从零开始跑通整个流程的少之又少。抽烟检测这个任务看起来只是单类别目标检测，比COCO的80类简单得多，但它有个天然难点——很多标注把“烟”和“人”分开标，导致模型学到的是“有手部区域就有烟”，而真正厂区、园区监控里的抽烟行为往往只有一两秒、目标很小，模型精度很容易虚高。

我最近在处理一个相似需求时用到的方案，就是以“抽烟检测数据集”为核心，配合1000张图、VOC/COCO/YOLO三种格式标签，再用YOLO11在GPU(GPUs)/CPU/Mac三平台上做一键训练。这个组合的好处是：数据集小但格式全，适合快速验证思路；YOLO11自带ultralytics库，训练脚本可以一套代码三平台跑。这篇文章就把整个落地路径拆开讲：三种标签格式怎么换算、YOLO11训练脚本怎么按平台调参、以及哪些坑是新手最容易踩的，目标是让你拿到类似数据集后一天内跑通训练并拿到能用的权重。

2. 三种标注格式的换算逻辑：VOC/COCO/YOLO到底在换什么

2.1 VOC是“人话版”标注，先看懂它的XML结构

VOC格式的核心是每个图片对应一个同名XML文件，里面用<object>标签框出每个目标。看一个典型结构：

<annotation> <folder>images</folder> <filename>smoking_001.jpg</filename> <size> <width>640</width> <height>480</height> <depth>3</depth> </size> <object> <name>smoking</name> <bndbox> <xmin>120</xmin> <ymin>200</ymin> <xmax>260</xmax> <ymax>340</ymax> </bndbox> </object> </annotation>

这里有个容易被忽略的点：<filename>只存文件名，不存路径，而<folder>是图片所在文件夹名。很多人做格式转换时直接把XML和图片放在同一个目录下就完事，但YOLO训练脚本读取数据时是按images和labels两个目录分开找的，如果XML里的filename和实际文件名对不上，转换出来的标注就会张冠李戴。我一般会在转换脚本里加一道校验：遍历XML时同时检查对应图片是否存在，如果不存在直接跳过并打印警告，而不是等到训练时报image not found才回头查。

VOC格式的数据集目录通常长这样：

dataset/ ├── annotations/ # 存放所有xml ├── images/ # 存放所有jpg └── ImageSets/ └── Main/ # 存放train.txt, val.txt

ImageSets/Main下的txt文件是关键，每行是一个不带扩展名的文件名，用来划分训练集和验证集。做转换的人只盯着XML解析，却忘了先把训练集和验证集划分好，结果就是整个数据集被YOLO一股脑全训了，val指标变成了“开卷考试”，精度虚高。

2.2 COCO格式是“数据库式”标注，一个JSON管所有图

COCO格式把所有标注塞进一个JSON文件，用images、annotations、categories三个数组来组织数据。它和VOC最大的区别是：VOC的每个类别名直接在XML里写死，而COCO的类别是用id关联的，categories里id: 1对应name: "smoking"，annotations里的category_id引用的就是这个id。

这段是COCO JSON的核心字段：

{ "images": [{"id": 1, "file_name": "smoking_001.jpg", "width": 640, "height": 480}], "annotations": [{ "id": 1, "image_id": 1, "category_id": 1, "bbox": [120, 200, 140, 140], "area": 19600, "iscrowd": 0 }], "categories": [{"id": 1, "name": "smoking", "supercategory": "none"}] }

注意COCO的bbox是[x, y, width, height]，不是VOC格式里的[xmin, ymin, xmax, ymax]。包括网上很多“COCO转YOLO”的脚本，如果没做这一步换算，训练出来的边界框会整体偏移，mAP直接掉到不能看。

还有一个iscrowd字段，多数人会把所有标注都填0。但如果你是从真实监控视频里截帧标注的，遇到一群人挤在一起抽烟的场景，iscrowd字段的正确处理会直接影响训练时是否把该标注当作“忽略区域”处理。在数据量只有1000张的情况下，这种细节比模型结构本身更影响最终效果。

2.3 YOLO格式是“归一化坐标”，txt文件里只有数字

YOLO格式是最“裸”的：每张图对应一个txt文件，文件每行代表一个目标，格式是class_index x_center y_center width height，所有数值都归一化到0到1之间，坐标要除以图片宽高，宽高要除以图片宽高。

一个抽烟检测的YOLO标注文件内容示例：

0 0.4375 0.5208 0.2188 0.2917 0 0.7188 0.6458 0.2031 0.2292

这里0是类别索引（如果只有“抽烟”一个类别，索引就是0），0.4375是x中心点除以640后的值，0.5208是y中心点除以480后的值。如果图上只有一个目标，txt里就只有一行。

很多人会问：那我下载的数据集只有一种格式，怎么用YOLO训练？答案是直接做格式换算。我常用的做法是：先把VOC的XML解析成Python dict，再从dict同时生成COCO JSON和YOLO txt。这样一份原始数据，转换出两种衍生格式，以后换框架都不用重新找数据集。换算脚本的核心逻辑，其实就是四行坐标换算公式：

# 关键是边界框的坐标体系换算，voc转yolo x_center = (xmin + xmax) / 2.0 / img_width y_center = (ymin + ymax) / 2.0 / img_height bbox_width = (xmax - xmin) / img_width bbox_height = (ymax - ymin) / img_height

这套公式看起来简单，但有三个隐含前提：图片读取要用cv2或者PIL拿到真实的宽高而不是从XML里读<size>；如果XML里的<size>和实际图片尺寸不一致，以实际图片为准；除以的是宽和高要分开除，不能写成一个变量。

2.4 三种格式的映射关系速查表

实际工程里最省事的做法是先从VOC出发，因为XML是人类可读的结构，出了错一眼能看出来；而COCO JSON嵌套层级深，解析时容易手抖漏字段；YOLO txt过于精简，出错后你根本不知道那个0.4375到底是哪个目标的坐标。

3. 跑通YOLO11一键训练：GPU/CPU/Mac三平台的命令差异

3.1 ultralytics库的安装与环境检查

YOLO11的训练脚本基于ultralytics库，这个库已经封装好了数据加载、模型定义、训练循环、验证评估的所有代码，所以你不需要自己写训练循环。有人听到“一键训练脚本”会怀疑是不是故弄玄虚，其实ultralytics的设计理念就是这样——一条yolo train命令搞定。

先做环境检查，三平台的命令基本一致，只是GPU设备名不同：

# 检查python版本，3.8-3.11均可 python --version # 安装ultralytics，注意会连带安装torch pip install ultralytics # 检查torch是否能看到GPU（Linux/Windows适用） python -c "import torch; print(torch.cuda.is_available())" # Mac用户检查MPS（Apple Silicon专用） python -c "import torch; print(torch.backends.mps.is_available())"

这里有个实际经验：如果你是0基础纯小白，装ultralytics最常翻车的地方是torch版本和CUDA版本不匹配。常见现象是import torch没问题，torch.cuda.is_available()返回False，但nvidia-smi明明能看到GPU。原因是torch的CUDA编译版本和显卡驱动版本不一致，解决方式是去PyTorch官网选对应CUDA版本的安装命令重新装torch，不要用pip install torch默认的CPU版本。

Mac用户则要注意：只有Apple Silicon（M1/M2/M3系列）的Mac才支持MPS加速，Intel芯片的Mac只能走CPU。如果你用的是老款Intel Mac，torch.backends.mps.is_available()会返回False，别慌，直接用CPU模式训练就行，1000张图的数据量CPU照样能跑完，只是时间会多花几倍。

3.2 数据集的YOLO目录结构：这部分决定了脚本能不能一键跑起来

训练脚本能“一键”跑的前提，是数据集已经按YOLO目录规范整理好了。常见的目录结构是这样的，注意图片和标签要分开放：

smoking_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集txt标签（与图片同名） │ └── val/ # 验证集txt标签 └── data.yaml # 数据集配置

这个结构里最容易被忽视的是data.yaml文件。它用来告诉YOLO训练脚本：类别名字是什么、类别数量是多少、训练集和验证集图片的路径在哪里。如果这个文件写错，后面的训练命令再怎么“一键”都会失败。

我的data.yaml长这样：

# 抽烟检测数据集配置 path: /Users/yourname/smoking_dataset # 数据集根目录，建议写绝对路径 train: images/train # 相对path的路径 val: images/val # 相对path的路径 # 类别定义，只有一个类别 nc: 1 names: 0: smoking

有一个非常隐蔽的坑：path字段如果用相对路径，脚本会以当前工作目录为基准找数据集。而你从网上下载的数据集往往放在Downloads文件夹或直接解压在桌面，不同机器解压位置不一样，导致训练时一直报错找不到图片。我一般会强制要求写绝对路径，并在训练脚本里先打印dataset_dir的值，确认数据集路径被正确识别后再开始训练。

3.3 三平台训练命令的差异点：device参数是唯一需要改的地方

ultralytics的设计让“一键训练脚本”变得比较简单——你只需要改两个参数：model（用哪个预训练权重）和device（用哪个设备跑）。下面是三平台的训练命令对比：

# GPU(GPUs)平台：Linux/Windows NVIDIA显卡 yolo train model=yolo11s.pt data=data.yaml epochs=100 imgsz=640 batch=16 device=0 # CPU平台：没有独立显卡的服务器或老电脑 yolo train model=yolo11s.pt data=data.yaml epochs=100 imgsz=640 batch=8 device=cpu # Mac平台：Apple Silicon用mps，Intel Mac用cpu yolo train model=yolo11s.pt data=data.yaml epochs=100 imgsz=640 batch=8 device=mps

参数说明：

• model=yolo11s.pt：指定预训练权重，s是small版本，尺寸适中、速度和精度平衡，适合1000张这种小数据集；如果显存吃紧可以换yolo11n.pt（nano版）。
• epochs=100：训练轮数。1000张图建议100轮起步，因为数据量小，模型容易快速收敛到过拟合状态，100轮加上早停机制比较稳。
• batch=16：每批次图片数。GPU显存足够就设16或32；CPU和Mac建议设8，批次太大会把内存吃满，触发OOM。
• device：唯一有平台差异的参数。多卡GPU时支持device=0,1，CPU就是cpu，Mac的Apple Silicon用mps。

这里有一个很实用的调参经验：数据量只有1000张时，imgsz=640就够了，不需要调成1280。更高分辨率确实对小目标（比如远处烟头）有增益，但训练时间会大幅拉长，而且抽烟检测里面的目标（烟头、手部区域）在监控画面里通常不是极小的目标，640输入下YOLO11的检测能力已经够用。

如果你的训练脚本是自己写的而不是用ultralytics命令行，那么核心训练代码也就这么几行：

from ultralytics import YOLO # 加载预训练模型，yolo11s比yolo11n精度高，比yolo11m速度快 model = YOLO("yolo11s.pt") # 开始训练 model.train( data="data.yaml", # 数据集配置 epochs=100, # 训练轮数 imgsz=640, # 输入分辨率 batch=16, # 批次大小 device="0" # 0表示第一张GPU卡；cpu或mps同理 )

训练完成后，runs/detect/train目录下会生成weights/best.pt和weights/last.pt。best.pt是在验证集上精度最高的权重文件，部署时优先用这个；last.pt是最后一轮保存的权重，一般只用来断点续训。

3.4 跨平台迁移时的三个必查项

有人说“我CPU上训出来的模型能不能放到GPU机器上推理？”答案是可以的，因为best.pt保存的是模型结构加权重参数，不绑定训练设备。但有个例外情况：如果你在Mac上训练时用了MPS，保存的权重拿到Windows GPU机器上加载，偶尔会遇到torch.load报错，原因是PyTorch版本差异导致的序列化兼容性问题，解决方式是加一行：

import torch model = torch.load("best.pt", map_location="cpu")

另外两个必查项是：第一，data.yaml里的路径如果在另一台机器上不存在，用yolo predict做推理时会报错，所以模型落地部署时建议直接传图片路径或摄像头ID，不要让推理代码依赖训练时的数据集配置；第二，如果三台机器的ultralytics版本不一致（比如一台是8.x，一台是9.x），建议统一在用pip install -U ultralytics升级到同一版本，不然会出现某种KeyError报错，网上搜半天也找不到原因，最后发现只是版本不一致。

4. 标签与训练实操避坑：格式转换和启动训练时的四个常见故障

4.1 类别索引从1开始导致mAP为0

现象：训练正常启动，loss不断下降，但验证集的mAP一直是0，而且预测结果框的位置完全不对。

原因：从VOC或COCO格式转YOLO时，把COCO里的category_id直接当成了YOLO的类别索引。COCO的类别id习惯从1开始，而YOLO的类别索引必须从0开始。如果你只有“smoking”一个类别且category_id为1，转换后的YOLO txt每行开头都是1，但YOLO的nc=1只允许索引0，训练时所有标注全部越界。

解决：转换时做一个索引映射，例如category_id - 1。多类别场景下要做一个字典，把原始类别名映射到0到nc-1的连续索引，而不是直接沿用COCO的id。

# 类别映射表，防止索引错位 category_map = {"smoking": 0} # 如果有多类继续加: "phone": 1 # 转换逻辑示例 yolo_line = f"{category_map[obj_name]} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}"

4.2 空标注文件和纯黑图导致loss变成NaN

现象：训练到一半loss突然变成nan，然后训练直接崩溃或者验证集精度归零。

原因：数据集中存在没有标注的图片（空txt文件），或者个别图片本身是纯黑/纯白图。纯色图在数据增强时（尤其是色彩抖动和随机裁剪后）可能计算出色度分量为0的情况，导致损失函数计算出现除零，最终输出NaN。

解决：在训练前加一个数据清洗脚本，扫描所有标签文件，把空文件和对应图片移出数据集目录，同时检查图片的像素方差：

import cv2 import numpy as np img = cv2.imread(image_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) variance = np.var(gray) if variance < 10: # 方差过小说明是纯色/暗图，剔除 print(f"Low variance image: {image_path}")

4.3 数据集划分不随机导致验证集全是相似场景

现象：训练时val_loss比train_loss低很多，看似模型很好，但一到现场检测就频繁漏检。

原因：数据集划分时用了简单的train_test_split没有做随机打乱，或者按文件名顺序切割前800做训练、后200做验证。如果这1000张图中前800张来自白天场景、后200张来自夜间场景，那么验证集包含的全是模型没见过的夜间风格图片，或者反过来训练集和验证集分布差异过大，导致模型泛化能力极差。

解决：划分时必须做随机打乱，而且要按图片源做分组——如果1000张图里有多个场景（不同监控点位、不同光照条件），建议同一个场景的图片只能同时出现在训练集或验证集中，不能同一场景的图两边都出现；否则模型只是“背下了”这个场景的画面，换场景就失灵。

4.4 训练脚本在Mac上卡死但CPU占用率只有30%

现象：yolo train在Mac上启动后，界面卡住没有任何输出，打开活动监视器看到Python进程只占了一小部分CPU。

原因：ultralytics在Mac上默认读取设备时优先尝试CUDA，导致它在不支持CUDA的Mac上反复尝试初始化设备驱动，等待超时后才回退到CPU或MPS。

解决：直接在训练命令里显式指定device=mps或device=cpu，不给它自动检测的机会；同时把workers=0，避免multiprocessing在Mac上因为spawn机制卡死。这也是“一键训练脚本”里最容易踩的Mac专属坑，Windows和Linux上很少遇到。

5. 用1000张训练集调出可用模型：从训练到验证的完整脚本

5.1 训练脚本的完整形态与关键参数

把前面几个部分的要点合并，我给你一个可以直接拿去用的训练脚本模板，它兼容GPU/CPU/Mac，核心就体现在device这个参数上：

# train_smoking.py from ultralytics import YOLO # 1. 加载模型 model = YOLO("yolo11s.pt") # 2. 开始训练 results = model.train( data="data.yaml", # 类别配置 epochs=200, # 数据量小，给足轮数 patience=30, # 30轮没提升就早停，防止过拟合 imgsz=640, batch=16, # 按显存调整，CPU建议8 device="0", # "0"=第一张GPU, "cpu"=CPU, "mps"=Mac workers=4, # Mac上改成0 optimizer="auto", # 让ultralytics自动选优化器 seed=42, # 固定随机种子，保证可复现 project="runs/smoking",# 输出目录 name="exp1", # 本次实验名 exist_ok=True, # 覆盖同名目录，否则会报错 )

参数说明里有两个容易被忽略的：patience和seed。patience=30是早停机制，训练了70轮发现val精度不再上涨，脚本会自动停止并保留最优权重，这比硬跑200轮省电也省时间，尤其对CPU和Mac用户来说，能少跑一个小时是一小时。seed=42则是固定随机种子，保证每次训练的数据增强、随机初始化都一致，这样你做对比实验时（比如对比yolo11n和yolo11s）才有说服力。

训练完成后你会看到runs/smoking/exp1/weights/best.pt这个文件，记住它的路径，后面验证和推理都要用到它。

5.2 验证脚本：训练完第一件事不是看loss，而是看单张图效果

训练结束后的验证分成三个层级，建议按顺序做：

第一层是看ultralytics自带的验证指标：

yolo val model=runs/smoking/exp1/weights/best.pt data=data.yaml

这个命令会对所有验证集图片做推理，然后计算mAP50、mAP50-95、precision、recall这些指标。对抽烟检测这个单类任务来说，主要看mAP50，这个值在0.9以上基本够用，mAP50-95在0.7以上就比较理想，如果mAP50只有0.8以下，先不要调模型结构，回头检查一下你的标注质量（有没有漏标、错标）和数据集划分是否随机。

第二层是抽检一批真实图片，用训练好的权重做可视化预测，肉眼判断效果：

yolo predict model=runs/smoking/exp1/weights/best.pt source=data/images/val save=True

source可以指向一个文件夹，save=True会把预测结果图保存到runs/detect/predict。这一步的目的是看模型的实际表现：有没有把雪茄、电子烟误检成普通香烟，有没有在强背光环境下漏检，有没有把手指误检成烟头。1000张图的模型这些问题都存在，关键是要知道哪些问题在你的数据分布下出现了。

第三层是验证脚本对单张图输出检测结果的信息量。我用的是这样的方式：

from ultralytics import YOLO model = YOLO("runs/smoking/exp1/weights/best.pt") results = model.predict("test_images/lobby_01.jpg", conf=0.5, device="0") # 打印检测结果 for r in results: for box in r.boxes: cls_id = int(box.cls[0]) conf = float(box.conf[0]) xyxy = box.xyxy[0].tolist() print(f"class={model.names[cls_id]}, confidence={conf:.2f}, box={xyxy}")

这段代码比直接看指标更贴近实际需求：它展示如何遍历检测结果并拿到每个目标的类别、置信度和边界框坐标，之后接业务逻辑（比如发告警、抓截图）就是在这个输出上做文章。

5.3 从1000张数据到落地部署的前后两步

数据只有1000张时的落地策略和通用目标检测不太一样。核心原则是：不要追求一次到位的高精度，先把模型放进现场跑起来，收集误报漏报的数据，形成第二批标注数据再做增量训练。

我一般会建议按这个节奏推进：第一批模型只追求mAP50达到0.8以上且没有严重的系统性误检（比如把所有白色物体检测成烟），然后在小范围试点场景部署；现场返回的误报截图每周清洗一次，挑出20到50张典型bad case，用同一个标注规范补充标注，混入原训练集重新训练一轮。第二轮训练通常就是20到30分钟，迭代三到五轮后模型基本能适应现场的光线、摄像头的角度、人的走动方式。

增量训练的做法也很简单，不需要从头训练，基于已有的best.pt继续train就行：

yolo train model=runs/smoking/exp1/weights/best.pt data=data.yaml epochs=50

注意这时候data.yaml要更新——补充的新图片要放到images/train里，对应的标注文件放到labels/train里，然后重跑一遍训练。epochs=50表示在此基础上再训练50轮，而不需要重新加载COCO预训练权重。这个方法对数据量小、业务场景固定的抽烟检测来说非常有效，比换更大模型收益更大。

6. 边界框后处理与推理加速：抽烟检测模型落地前的最后一道工序

模型训练完，权重文件也验证过了，接下来的工作是把模型用起来。很多人觉得训练完就结束了，结果在推理阶段发现速度不够快、结果不够准。我自己跑这类项目得到的经验是：模型落地前要处理两件事——边界框的后处理策略和推理脚本的封装方式。

先讲边界框后处理。YOLO11的默认输出已经带了NMS（非极大值抑制），所以框的重叠问题不太需要操心。但在抽烟检测场景里，有个特殊问题：同一帧里可能同时出现人嘴边的烟和手里的烟，模型会输出两个高度重叠的框，一个落在人脸附近，另一个落在于手附近。如果你直接拿原始输出做统计，会出现“一个人被算成两次抽烟”的误判。我一般会在后处理里加一个简单规则：两个检测框的IoU超过0.6且类别相同，就合并为一个框，confidence取两者中的最大值。

def merge_overlapping_boxes(boxes, iou_threshold=0.6): """ boxes: list of [x1, y1, x2, y2, conf] 合并重叠抽烟检测框，防止同一目标被多次计数 """ boxes.sort(key=lambda x: x[4], reverse=True) merged = [] while boxes: best = boxes.pop(0) keep = [] for box in boxes: # 计算IoU x1 = max(best[0], box[0]) y1 = max(best[1], box[1]) x2 = min(best[2], box[2]) y2 = min(best[3], box[3]) inter = max(0, x2 - x1) * max(0, y2 - y1) area_best = (best[2] - best[0]) * (best[3] - best[1]) area_box = (box[2] - box[0]) * (box[3] - box[1]) iou = inter / (area_best + area_box - inter + 1e-6) if iou < iou_threshold: keep.append(box) merged.append(best) boxes = keep return merged

这个后处理逻辑相当于是给模型加了一道“业务逻辑阀门”，训练阶段完全不用管，推理阶段加上它才能让输出结果跟业务预期对齐。还有一种情况是同一个目标在相邻多帧里反复出现，那是跟踪算法（ByteTrack之类）的范畴，这里不展开，但你至少要知道光靠单帧检测做抽烟行为统计会严重虚高。

再讲推理加速。如果你要把模型部署到CPU机器上做实时推理（比如厂区出入口的闸机一体机），YOLO11s在CPU上跑640分辨率差不多10到20 FPS，勉强够用，但如果你想在树莓派上跑，就建议做两件事：导出为ONNX格式并开启动态批处理。

from ultralytics import YOLO model = YOLO("runs/smoking/exp1/weights/best.pt") model.export(format="onnx", imgsz=640, dynamic=True)

导出的ONNX模型可以用onnxruntime做推理，不需要再装PyTorch，而且推理速度会有明显提升。如果你用的是GPU部署，还可以导出为tensorrt格式，在大分辨率视频流上的吞吐量能再翻倍。这块内容比较深，但方法是明确的：先用export命令导出一个中间格式，再用对应推理引擎加载，均不需要重写模型结构代码。

说说我的收官习惯：每次训完抽烟检测模型，我不会直接交付，而是先在现场视频上连续跑3个小时，统计每帧的检测框数量和置信度分布。如果置信度普遍在0.7以上但数量忽高忽低，多半是重叠框没合并；如果置信度集中在0.3到0.5之间，说明模型学到的特征不够稳，这时候回头补标注比调阈值有效得多。这也是我在多个项目里被反复验证的一条经验，希望帮到你后续的实际部署少走点弯路。

本文还有配套的精品资源，点击获取