文章目录

    • 一、DepGraph剪枝
      • （1）项目准备
        • 1）剪枝基础知识
        • 2）DepGraph剪枝论文解读1
        • 2）DepGraph剪枝论文解读2
        • 3）YOLO目标检测系列发展史
        • 4）YOLO网络架构
      • （2）项目实战（YOLOv8应用DepGraph剪枝+finetune）
        • 1）安装软件环境（基础环境、Pytorch、YOLOv8）Windows
        • 1）安装软件环境（基础环境、Pytorch、YOLOv8）Linux（略）
        • 2）准备数据集和修改配置（YOLO版本8.1033）
        • 3）训练数据集、测试训练的网络测试和性能评估
        • 4）DepGraph剪枝训练YOLOv8
        • 5）剪枝训练后网络测试和性能评估
      • （3）代码解析
        • 1）Torch Pruning工具包介绍（安装、普通剪枝示例、扫描分组、根据通道剪枝的高级剪枝器、全局剪枝、依赖图中不必要的权重更新的稀疏训练、交互式剪枝、）
        • 2）yolov8_pruning脚本代码解析（代码针对yolov8 8.1.33）
        • 3）额外代码注释补充：
    • 二、Network Slimming剪枝
      • （1）项目准备
        • 1）Network Slimming剪枝原理
        • 2）YOLO目标检测系列发展史
        • 3）YOLOv8网络架构
      • （2）项目实战
        • 1）安装基础环境、安装Pytorch、安装YOLOv8
        • 2）准备数据集、修改配置文件、训练数据集
        • 3）测试训练处的网络和性能统计
        • 4）稀疏化训练
        • 5）网络剪枝
        • 6）剪枝后微调
      • （3）代码解析
        • 1）修改代码文件解析
        • 2）新增代码文件解析

一、DepGraph剪枝

（1）项目准备

  • 基础知识背景
    ①稀疏：在模型剪枝（Model Pruning）中，稀疏表示（Sparsity）是指通过某种方式使模型的参数或结构中出现大量的零值（或接近零的值），从而让模型的表示变得 “稀疏”
    ②为什么要剪枝而不是去训练小网络：因为彩票事件效应，去小网络是很难学习成功的
    彩票效应：大模型有很多小网络，如果有一个子网络训练成功则可以看做大模型训练成功
    在这里插入图片描述
    在这里插入图片描述
    把模型随机初始化后训练，剪枝后如果再次随机初始化权重是很难训练成功的，但是如果用原先第一次随机初始化的权重训练的话就成功，这就说明中奖了
1）剪枝基础知识

之前我有写过博客
CUDA与TensorRT学习四：模型部署基础知识、模型部署的几大误区、模型量化、模型剪枝、层融合

①剪枝分类
在这里插入图片描述
②粗粒度剪枝和细粒度剪枝对比
粗粒度
在这里插入图片描述

在这里插入图片描述
细粒度剪枝在这里插入图片描述

在这里插入图片描述
③基础知识
1）神经网络通常都是过度参数化，权重数很多都是多余的
2）剪枝颗粒度
（1）权重剪枝
权重剪枝，剪枝之后就变成非规则，缺点是难以实现，难以加速
在这里插入图片描述
（2）神经元剪枝
在这里插入图片描述

  • 补充
    还有不同颗粒度剪枝
    在这里插入图片描述
    ）element wise包括了权重和神经元剪枝，可能会导致非结构化剪枝，得不到GPU加速
    ）其他四个是结构化剪枝，能得到GPU加速是研究重点

在这里插入图片描述
channel：通道剪枝
filter：滤波器剪枝
shape：若干个高度和宽度的神经元剪枝
depth：某个深度方向的神经元都剪枝掉

2）DepGraph剪枝论文解读1

①论文截图
在这里插入图片描述

②网络架构中可按照不同层数分配在各个组中，按组来剪枝（同一组有依赖关系）
在这里插入图片描述
如图所示 CNNS、Transformer、RNNs、 GNNs都可以剪枝。在图中如果剪枝了CNNs的Con v2，那就必须删除同组中的{ Conv1、BN1、 BN2} ，从而引入了依赖图,明确依赖图来自动化剪枝

③算法核心:利用相邻层的局部依赖关系，递归地推导出需要的分组矩阵G
在这里插入图片描述
如下图，a是非结构化剪枝仅仅关注了权重的重要性，b学习结构稀疏层，但是w比w‘耦合权重更多是不稀疏的，也不考虑剪枝掉，唯有c组是学习组的一致结构稀疏，表示的是要剪枝掉的组里面w和w’都是稀疏的

在这里插入图片描述

④相关工具：基于DepGraph算法，作者开发Pytorch结构化剪枝框架Torch-Pruning，与torch.nn.utils.prune最大的差别在于：它会物理地移除参数，同时自动裁剪其他依赖层，而后者只能把参数置为0
④DepGraph剪枝+fine效果展示：
在这里插入图片描述
可以看到横轴往右随着剪枝越多，计算量MACs越低，pruned mAP掉点越跳跃，而fine-tune后的模型精度基本变化不大

1)MACs
MACs（Multiply - Accumulate Operations，乘累加操作次数 ）代表计算量。它用于衡量模型在推理过程中执行乘法和累加操作的总数，是评估模型计算复杂度的重要指标
2)pruned mAP
表示剪枝后的模型精度
3)recovered mAP
剪枝后的模型微调后的精度
2）DepGraph剪枝论文解读2

（1）问题点-现有的剪枝存在问题：算法实现和网络结构强绑定，需要为不同模型分别开发专用且复杂的剪枝程序
在这里插入图片描述

(2)解决方法-依赖图:自动方式去分组
在这里插入图片描述

（3）原理解析：利用相邻层的局部关系递归式分组

在这里插入图片描述
在这里插入图片描述

3）YOLO目标检测系列发展史

①重大分水岭在2012年，2012年之前是传统检测方法，2012年后是基于深度学习检测方法
②2012年后有两种发展方式：单阶段检测、双阶段检测，两者区别是双阶段检测器提出了候选框阶段然后得出物体的预测框
③单阶段检测框：yolo、SSD、Retina-Net，双阶段检测框：RCNN、SPPNet、Fast RCNN、Faster RCNN、Pyramid Networks
在这里插入图片描述
④yolo发展
在这里插入图片描述

4）YOLO网络架构
  • 网络架构简图
    在这里插入图片描述
    ①input：输入图片
    ②Backbone：骨干网络，深度学习的神经网络
    ③由于没有候选框，所以单阶段检测有密集的预测，而多阶段检测有候选框所以是稀疏的预测

在这里插入图片描述
④proposal-free表示没有候选框
⑤yolo主要思想：分框对落入其中的目标进行检测，一次性预测所有格子所含目标的边界框、定位置信度、以及所有类别概率向量
在这里插入图片描述
Non-max suppression：NMS，非极大抑制，比较多个预测框的IOU
在这里插入图片描述

⑥yolo基础思想：
1、划分网格
2、通过网格得到物体的边界框 bounding boxes+置信度得分 confidence + class probility map类别概率图
3、最终的检测结果
4、以下图的B表示有多少尺度边界框的预测，现在再看是有三个尺度的边界框，然后用FPN多尺度的融合划分预测（13x13\26x26\52x52）

在这里插入图片描述

在这里插入图片描述
5、Anchor锚框机制：预先设置边界框的大小，每个尺度上都可以有若干个Anchor（下图每种颜色有三个锚框）

在这里插入图片描述
6、不同anchor对比
在这里插入图片描述
在这里插入图片描述

（2）项目实战（YOLOv8应用DepGraph剪枝+finetune）

1）安装软件环境（基础环境、Pytorch、YOLOv8）Windows

①准备基础环境

基础环境
1)windows 10
2)cuda 11.8
3)cudnn 8.9
4)vs 2022
5)下载安装显卡驱动

2)下载cuda 11.8
在这里插入图片描述
在这里插入图片描述
安装cuda
在这里插入图片描述
在这里插入图片描述
3)cudnn 8.9 下载
在这里插入图片描述
在这里插入图片描述
安装cudnn
在这里插入图片描述
cuda安装测试
在这里插入图片描述
在这里插入图片描述

4)vs 2022安装
在这里插入图片描述
5)下载安装显卡驱动

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

②安装PyTorch
这里是用的Anaconda进行安装

1)安装Anaconda
2)安装pytorch

1)安装Anaconda

在这里插入图片描述
2)安装pytorch
在这里插入图片描述
在环境下面安装pytorch
在这里插入图片描述
再安装cudnn
在这里插入图片描述

③克隆和安装YOLOv8

1)克隆yolov8并安装
2)下载yolov8预训练权重文件
3)安全测速

1)克隆yolov8并安装
先安装git
在这里插入图片描述
安装git后克隆yolov8项目
在这里插入图片描述
2)下载yolov8预训练权重文件

在这里插入图片描述
这里选用的yolov8s，这里使用的训练集是coco，下图是coco数据集上性能的表现
在这里插入图片描述

3)安全测速
在这里插入图片描述
单次预测图片
在这里插入图片描述
打开文件夹
在这里插入图片描述
可以看到检测图片

在这里插入图片描述

摄像头实时动态预测：
在这里插入图片描述
在这里插入图片描述

预测文本的结果：命令如下
在这里插入图片描述
最左边：类别的编号–5是bug，0是person
后面四位小数：预测物体在图片上的位置（进行了归一化所以是小数）
在这里插入图片描述

1）安装软件环境（基础环境、Pytorch、YOLOv8）Linux（略）

①准备基础环境
②安装PyTorch
③克隆和安装YOLOv8

2）准备数据集和修改配置（YOLO版本8.1033）

在这里插入图片描述
①进入ultraiyics解压目录输入 ，安装好后进入上面安装测试的步骤

pip install -e .

在这里插入图片描述

①testfile下面的图片是测试图片
②VOC2007下面是图片和图片对应的标注信息和图片信息

在这里插入图片描述
执行这个脚本是划分数据集和验证集
TRAIN_RATIO表示80%划分到训练集，20%验证集

在这里插入图片描述

4）修改配置文件
在这里插入图片描述
①这里的目录images是相对路径，相当于vocdevkit目录下
②name下面是类别的名称

3）训练数据集、测试训练的网络测试和性能评估

1）训练数据集命令（利用预训练的权重来在自己的数据集上进行训练，也可称为微调）
在这里插入图片描述
断点续训练：因断电或其他原因导致的中断训练，可以接着训练
在这里插入图片描述

在这里插入图片描述
训练结果（train是训练中的变化，val是验证中的变化，metric是训练中的指标）
在这里插入图片描述
2）训练结果查看

在这里插入图片描述

  • 测试训练出的网络模型
    在这里插入图片描述
    性能统计
    在这里插入图片描述

conf：置信度阈值
iou：非极大抑制阈值

4）DepGraph剪枝训练YOLOv8

在这里插入图片描述
+参数说明
在这里插入图片描述
触发掉点20%才会终止迭代

  • 训练后 ultralytics/runs/detect文件夹下
    在这里插入图片描述
  • 结果
    在这里插入图片描述
5）剪枝训练后网络测试和性能评估

在这里插入图片描述

  • 验证安装onnx-runtime
    在这里插入图片描述

  • 注意
    非pytorch模型，batch在检测性能的时候会变成1
    在这里插入图片描述

  • 性能评估
    ①可以看到剪枝后mAP50为0.966，mAP(50~95)为0.775
    ②微调后的数据mAP50为0.985，mAP(50~95)为0.821，明显是比只剪枝精度高的
    在这里插入图片描述
    ③可以从图中看到，在剪枝比例50%附近掉点事最严重的，但是经过微调也能恢复到与刚开始mAP差不多的精度
    在这里插入图片描述
    ④linux下在做对比
    在这里插入图片描述

1）从图片可以看到只剪枝后对比只微调精度在mAP指标上有下降，从0.983下降到0.879大概掉点11%
2）接下来的步骤是先剪枝，结果保存在step_0_pre_val
3）再继续进行30个epoch的微调(可以30以上的epoch效果会更好)，再查看精度(在最好的权重文件best.pt里面)，结果保存在step_post_val
在这里插入图片描述

4）再做一次pruning剪枝，然后在做30个epoch的微调

在这里插入图片描述

可以看到再次微调后mAP只跌到0.78，而mAP(50~95)还是0.96附近
在这里插入图片描述
5）打开结果可以看到第二次剪枝后微调，mAP50在30个epoch后还在持续上升
在这里插入图片描述

（3）代码解析

1）Torch Pruning工具包介绍（安装、普通剪枝示例、扫描分组、根据通道剪枝的高级剪枝器、全局剪枝、依赖图中不必要的权重更新的稀疏训练、交互式剪枝、）

①可以给很多网络剪枝
在这里插入图片描述
②安装步骤
在这里插入图片描述
③演示DepGraph进行基本修剪流程，目标层是resnet.conv1，找出与conv1分为同一组的其他层，统一剪枝
在这里插入图片描述
④扫描模型所有的分组
在这里插入图片描述
⑤高级剪枝器：通过指定所需的通道修剪比例，修剪器将扫描所有可修剪的组并预估重要性从而修剪整个模型，并使用自己的训练代码进行微调
代码备注：分类层别剪枝，分类层是跟类别数相关的
在这里插入图片描述
在这里插入图片描述
⑥全局剪枝：根据各层的全局重要性分配自适应稀疏性，但会存在过度剪枝风险
在这里插入图片描述
⑦稀疏训练：减少依赖图中不必要的权重更新
在这里插入图片描述
⑧交互类剪枝：要求了解那些层可以拿来剪枝，要求非常了解网络架构

在这里插入图片描述
⑨软剪枝：将参数归零而不是移除
在这里插入图片描述

⑩组级剪枝
在这里插入图片描述
十一、低级剪枝功能：指定那些层来剪枝

在这里插入图片描述

2）yolov8_pruning脚本代码解析（代码针对yolov8 8.1.33）

  • 主体思想
    函数中使用了 torch-pruning（tp）库进行剪枝操作，通过 GroupNormPruner 对象基于 L2 范数的重要性对模型的卷积层进行剪枝。剪枝后，通过微调训练来恢复模型的性能。在每次迭代中，函数记录了剪枝前后的 MACs、参数数量和 mAP，并绘制性能图表，以便观察剪枝对模型性能的影响。如果 mAP 下降超过指定阈值，函数会提前停止剪枝过程。最后，函数将剪枝后的模型导出为 ONNX 格式，并将最终的剪枝和微调后的模型保存为 .pt 文件，以便后续使用。

  • 注意点
    需要注意的是，该函数依赖于其他函数和类，如 train_v2 、 replace_c2f_with_c2f_v2 、initialize_weights 等，以及 torch-pruning 库的相关功能。

  • 代码步骤
    ①main函数设置读取配置规则：
    ②进行多次迭代的剪枝和微调：
    ③将剪枝后的模型导出为 ONNX 格式
    ④将最终的剪枝和微调后的模型保存为 .pt 文件

  • 具体
    ①main函数设置读取配置规则：
    创建一个 argparse.ArgumentParser 对象 parser ，用于定义和解析命令行参数

if __name__ == "__main__":parser = argparse.ArgumentParser()parser.add_argument('--model', default='D:/ultralytics/runs/detect/train/weights/best.pt', help='Pretrained pruning target model file')parser.add_argument('--cfg', default='default.yaml',help='Pruning config file.'' This file should have same format with ultralytics/ultralytics/cfg/default.yaml')parser.add_argument('--iterative-steps', default=16, type=int, help='Total pruning iteration step')parser.add_argument('--target-prune-rate', default=0.5, type=float, help='Target pruning rate')parser.add_argument('--max-map-drop', default=0.2, type=float, help='Allowed maximum map drop after fine-tuning')parser.add_argument('--data', type=str, default='VOC-ball.yaml',help='Path to the dataset configuration file')parser.add_argument('--epochs', type=int, default=30, help='Number of epochs for fine-tuning each pruning iteration step')args = parser.parse_args()prune(args)

这段代码是一个 Python 脚本的主程序部分，它使用 argparse 模块来解析命令行参数，并调用 prune 函数来
执行模型剪枝。
参数解释如下：
在这里插入图片描述
-》调用 parser.parse_args() 方法解析命令行参数，并将解析结果存储在 args 变量中
-》调用 prune 函数，并将 args 作为参数传递给该函数，开始执行模型剪枝过程
-》当用户在命令行中运行该脚本时，可以使用以下格式指定参数：

python yolov8_pruning.py --model last.pt --cfg default.yaml --iterative-steps 16 --
target-prune-rate 0.5 --max-map-drop 0.2 --data VOC-ball.yaml --epochs 30

②进行多次迭代的剪枝和微调：

for i in range(args

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/diannao/84520.shtml
繁体地址，请注明出处：http://hk.pswp.cn/diannao/84520.shtml
英文地址，请注明出处：http://en.pswp.cn/diannao/84520.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

MySQL：11_事务

MySQL：11_事务

事务 一.CURD不加控制，会有什么问题？ 二.什么是事务？ 事务就是一组DML语句组成，这些语句在逻辑上存在相关性，这一组DML语句要么全部成功，要么全部失败，是一个整体。MySQL提供一种机制&#xf…
阅读更多...
【notepad++如何设置成中文界面呢？】

【notepad++如何设置成中文界面呢？】

“Notepad”是一款非常强大的文本编辑软件，将其界面设置成中文的方法如下： 一、工具／原料： 华为 Matebook 15、Windows 10、Notepad 8.4.6。 二 、具体步骤： 1、找到任意一个文本文件，比如 txt 格式的文…
阅读更多...
职坐标嵌入式MCU/DSP与RTOS开发精讲

职坐标嵌入式MCU/DSP与RTOS开发精讲

嵌入式系统开发作为现代智能设备与工业控制的核心技术领域，其架构设计与实现逻辑直接影响系统性能与可靠性。本课程以嵌入式系统架构为切入点，系统化梳理从硬件选型到软件调度的全链路知识体系，重点聚焦微控制器（MCU）与…
阅读更多...
双深度Q网络（Double DQN）基础解析与python实例：训练稳定倒立摆

双深度Q网络（Double DQN）基础解析与python实例：训练稳定倒立摆

目录 1. 前言 2. Double DQN的核心思想 3. Double DQN 实例：倒立摆 4. Double DQN的关键改进点 5. 双重网络更新策略 6. 总结 1. 前言 在强化学习领域，深度Q网络（DQN）开启了利用深度学习解决复杂决策问题的新篇章。然而&am…
阅读更多...
使用KubeKey快速部署k8s v1.31.8集群

使用KubeKey快速部署k8s v1.31.8集群

实战环境涉及软件版本信息： 使用kubekey部署k8s 1. 操作系统基础配置 设置主机名、DNS解析、时钟同步、防火墙关闭、ssh免密登录等等系统基本设置 dnf install -y curl socat conntrack ebtables ipset ipvsadm 2. 安装部署 K8s 2.1 下载 KubeKey ###地址 https…
阅读更多...
SQL：窗口函数（Window Functions）

SQL：窗口函数（Window Functions）

目录 什么是窗口函数？ 基本语法结构 为什么要用窗口函数？ 常见的窗口函数分类 1️⃣ 排名类函数 2️⃣ 聚合类函数（不影响原始行） 3️⃣ 值访问函数 窗口范围说明（ROWS / RANGE） 什么是窗口函数&a…
阅读更多...
相机内参 opencv

相机内参 opencv

视场角定相机内参 import numpy as np import cv2 import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3Ddef calculate_camera_intrinsics(image_width640, image_height480, fov55, is_horizontalTrue):"""计算相机内参矩阵参数:image_w…
阅读更多...
MATLAB 各个工具箱 功能说明

MATLAB 各个工具箱 功能说明

​ 想必大家在安装MATLAB时，或多或少会疑惑应该安装哪些工具箱。笔者遇到了两种情况——只安装了MATLAB主程序，老师让用MATLAB的时候却发现没有安装对应安装包；第二次安装学聪明了，全选安装，嗯……占用了20多个G。 ​…
阅读更多...
学习日记-day14-5.23

学习日记-day14-5.23

完成目标： 学习java下半段课程 知识点： 1.多态转型 知识点 核心内容 重点 多态转型 向上转型（父类引用指向子类对象） 与向下转型（强制类型转换）的机制与区别 向上转型自动完成，向下转型需…
阅读更多...
【编程语言】【Java】一篇文章学习java，复习完善知识体系

【编程语言】【Java】一篇文章学习java，复习完善知识体系

第一章 Java基础 1.1 变量与数据类型 1.1.1 基本数据类型 1.1.1.1 整数类型（byte、short、int、long） 在 Java 中，整数类型用于表示没有小数部分的数字，不同的整数类型有不同的取值范围和占用的存储空间： byte&am…
阅读更多...
汇量科技前端面试题及参考答案

汇量科技前端面试题及参考答案

数组去重的方法有哪些？ 在 JavaScript 中，数组去重是一个常见的操作，有多种方法可以实现这一目标。每种方法都有其适用场景和性能特点，下面将详细介绍几种主要的去重方法。 使用 Set 数据结构 Set 是 ES6 引入的一种新数据结构&a…
阅读更多...
Git实战演练，模拟日常使用，快速掌握命令

Git实战演练，模拟日常使用，快速掌握命令

01 引言 上一期借助Idea，完成了Git仓库的建立、配置、代码提交等操作，初步入门了Git的使用。然而日常开发中经常面临各种各样的问题，入门级的命令远远不够使用。 这一期，我们将展开介绍Git的日常处理命令，解决日常问…
阅读更多...
wordpress主题开发中常用的12个模板文件

wordpress主题开发中常用的12个模板文件

在WordPress主题开发中，有多种常用的模板文件，它们负责控制网站不同部分的显示内容和布局，以下是一些常见的模板文件： 1.index.php 这是WordPress主题的核心模板文件。当没有其他更具体的模板文件匹配当前页面时，Wor…
阅读更多...
数据库blog5_数据库软件架构介绍（以Mysql为例）

数据库blog5_数据库软件架构介绍（以Mysql为例）

🌿软件的架构 🍂分类 软件架构总结为两种主要类型：一体式架构和分布式架构 ● 一体化架构 一体式架构是一种将所有功能集成到一个单一的、不可分割的应用程序中的架构模式。这种架构通常是一个大型的、复杂的单一应用程序，包含所…
阅读更多...
离线服务器算法部署环境配置

离线服务器算法部署环境配置

本文将详细记录我如何为一台全新的离线服务器配置必要的运行环境，包括基础编译工具、NVIDIA显卡驱动以及NVIDIA-Docker，以便顺利部署深度学习算法。 前提条件： 目标离线服务器已安装操作系统（本文以Ubuntu 18.04为例&#xff09…
阅读更多...
chromedp -—— 基于 go 的自动化操作浏览器库

chromedp -—— 基于 go 的自动化操作浏览器库

chromedp chromedp 是一个用于 Chrome 浏览器的自动化测试工具，基于 Go 语言开发，专门用于控制和操作 Chrome 浏览器实例。 chromedp 安装 go get -u github.com/chromedp/chromedp基于chromedp 实现的的简易学习通刷课系统 目前实现的功能&#xff…
阅读更多...
高级特性实战：死信队列、延迟队列与优先级队列（三）

高级特性实战：死信队列、延迟队列与优先级队列（三）

四、优先级队列：优先处理重要任务 4.1 优先级队列概念解析 优先级队列（Priority Queue）是一种特殊的队列数据结构，它与普通队列的主要区别在于，普通队列遵循先进先出（FIFO）的原则，…
阅读更多...
python打卡day34

python打卡day34

GPU训练及类的call方法 知识点回归： CPU性能的查看：看架构代际、核心数、线程数GPU性能的查看：看显存、看级别、看架构代际GPU训练的方法：数据和模型移动到GPU device上类的call方法：为什么定义前向传播时可以直接写作…
阅读更多...
Newtonsoft Json序列化数据不序列化默认数据

Newtonsoft Json序列化数据不序列化默认数据

问题描述 数据在序列号为json时，一些默认值也序列化了，像旋转rot都是0、缩放scal都是1，这样的默认值完全可以去掉，减少和服务器通信数据量 核心代码 数据结构字段增加[DefaultValue(1.0)]属性，缩放的默认值为1 public class Vec3DataOne{[DefaultValue(1.0)] public flo…
阅读更多...
可增添功能的鼠标右键优化工具

可增添功能的鼠标右键优化工具

软件介绍 本文介绍一款能优化Windows电脑的软件，它可以让鼠标右键菜单添加多种功能。 软件基本信息 这款名为Easy Context Menu的鼠标右键菜单工具非常小巧，软件大小仅1.14MB，打开即可直接使用，无需进行安装。 添加功能列举 它…
阅读更多...
最新文章

Copyright @ 2022~2023