简介本资源是一套面向深度学习初学者与计算机视觉开发者的实战型人脸识别学习包聚焦YoloV5目标检测、ArcFace特征提取与活体检测三大核心技术的协同实现解决真实场景中人脸定位、身份识别与防伪验证的一体化工程问题。压缩包共54个文件含26个Python源码覆盖数据预处理、模型训练/推理、活体判别等核心逻辑、7个YAML配置文件定义网络结构与训练参数、4张示例人脸图像及2个预训练权重.pth文件辅以README.md和说明文档整体3.4MB轻量易上手。已有174人下载学习适合希望从零搭建端到端人脸识别系统的开发者。资源提供完整项目架构与可运行代码包含yoloV5-face定制化检测模块、ArcFace特征嵌入层集成、MiniFASNet活体检测模型及predict_net.py统一推理接口所有模块均按功能分目录组织便于理解流程、调试关键节点与二次开发。1. 为什么把 YOLOv5 和 ArcFace 塞进同一个 zip 包——这不是拼凑而是工业级人脸系统落地的最小闭环你下载的这个人脸识别_YoloV5_ArcFace_活体检测_学习实践_1741771726.zip表面看是四个技术名词堆砌的“大杂烩”但实际它精准对应了当前边缘端人脸识别系统最硬核、也最容易翻车的三段式链路检测 → 活体判别 → 特征比对。不是学术 Demo而是门禁机、考勤终端、访客系统里真正在跑的逻辑——YOLOv5 负责在 320×240 的低分辨率画面里快速框出人脸不漏人、不抖框ArcFace 不是拿来直接当分类器用的它是把框出来的人脸抠图后编码成 512 维高区分度向量让“张三”和“李四”的向量距离远大于“张三白天/晚上/戴眼镜”的向量距离活体检测模块则插在检测之后、特征提取之前专治照片、视频、面具攻击——这三者缺一不可少一个系统就从“安防设备”退化成“电子相框”。这个包的价值不在于代码多炫酷而在于它把三者耦合时最痛的缝合点全暴露出来了YOLOv5 输出的 bbox 怎么喂给活体模型才不丢精度ArcFace 输入要求 112×112 归一化图像但活体检测又需要原始尺度下的纹理细节怎么协调训练时活体数据极少正样本难采集YOLOv5 检测头却要兼顾小脸、侧脸、遮挡超参数怎么调才不崩它不是教你怎么从零写 YOLOv5而是给你一个能立刻在树莓派4B 或 RK3568 上跑通、能接 USB 摄像头、能输出“张三活体通过相似度 0.872”的可调试基线。适合两类人刚学完 PyTorch 想做项目的新手别再只跑 MNIST 了以及被甲方临时加需求“加个活体防假脸”的嵌入式工程师别再临时百度‘怎么在 yolov5 里插活体’了。2. 从 zip 解压到摄像头实时推理五步走通最小可行链路这个包不是解压即用但也不需要你重写 backbone。核心是理解它如何把三个独立模型拧成一股绳。下面步骤基于 Ubuntu 20.04 Python 3.8 CUDA 11.3 环境实测所有命令均可复制粘贴路径以解压后根目录为起点假设为./face_system/。2.1 解压与环境初始化避开 torch/torchvision 版本地狱提示该包依赖torch1.10.2cu113和torchvision0.11.3cu113这是关键。用pip install torch默认装最新版会直接导致 ArcFace 的F.linear层报mat1 and mat2 shapes cannot be multiplied错误——因为新版 torch 对 weight shape 校验更严。# 进入解压目录 cd ./face_system/ # 创建干净虚拟环境强烈建议 python3 -m venv venv_face source venv_face/bin/activate # 必须按包内 requirements.txt 的指定版本安装注意 cuda 后缀 pip install torch1.10.2cu113 torchvision0.11.3cu113 --extra-index-url https://download.pytorch.org/whl/cu113 # 安装其余依赖opencv-python-headless 是重点避免 GUI 冲突 pip install -r requirements.txt # 此时应包含numpy1.21.6, opencv-python-headless4.5.5.64, onnx1.11.0, onnxruntime-gpu1.10.0为什么强调opencv-python-headless因为该包默认使用cv2.VideoCapture(0)读取 USB 摄像头若装了带 GUI 的opencv-python在无桌面环境如树莓派 CLI 模式、Docker 容器下会因找不到 X11 报libGL error: unable to load driver并卡死。headless版本剥离了所有 GUI 依赖纯 CPU 图像处理兼容性拉满。2.2 模型权重与配置文件校验三个模型各司何职解压后你会看到三个核心子目录目录作用关键文件验证方式yolov5/人脸检测weights/best.ptYOLOv5s 改版、data/face.yaml运行python yolov5/detect.py --weights weights/best.pt --source data/test.jpg检查输出 bbox 是否紧贴人脸轮廓arcface/特征提取backbone.pthIR-SE50 结构、model_zoo/下预训练权重运行python arcface/test_arcface.py --img_path data/test_face.jpg输出 512 维向量且 norm≈1.0liveness/活体二分类models/liveness.onnxONNX 格式轻量模型、config/liveness_config.yaml用onnxruntime.InferenceSession()加载输入(1,3,224,224)随机噪声确认session.run()不报错注意best.pt并非官方 YOLOv5 权重而是作者在 WIDER FACE 自建小规模侧脸数据上微调过的版本face.yaml中nc: 1表明它只识别“人脸”一个类别非 COCO 的 80 类anchors已针对人脸长宽比约 1:1.2重聚类——这是检测小脸、侧脸不漏检的关键别直接替换成yolov5s.pt。2.3 启动主推理脚本看清数据流如何穿起三个模型主入口是run_inference.py它不是简单串联而是有状态管理的流水线# run_inference.py 核心逻辑节选已加注释 def main(): # 1. 初始化三个模型单例模式避免重复加载 detector YOLOv5Detector(weightsyolov5/weights/best.pt) liveness_model ONNXLivenessModel(model_pathliveness/models/liveness.onnx) arcface_model ArcFaceModel(backbone_patharcface/backbone.pth) cap cv2.VideoCapture(0) while True: ret, frame cap.read() if not ret: break # 2. YOLOv5 检测返回 [x1,y1,x2,y2,conf] 格式 bbox 列表 bboxes detector.detect(frame) # frame 是 BGR 格式原始帧 for bbox in bboxes: x1, y1, x2, y2, conf bbox # 3. 关键裁剪用原始 frame 裁出人脸区域保留纹理细节供活体判断 face_roi frame[y1:y2, x1:x2] # 注意此处是原始尺度非归一化 # 4. 活体检测输入必须是 224x224且需 RGB 归一化均值[0.5,0.5,0.5]方差[0.5,0.5,0.5] liveness_input preprocess_liveness(face_roi) # 内部做 resize cvtColor normalize is_live liveness_model.predict(liveness_input) # 返回 True/False if is_live: # 5. ArcFace 特征提取输入必须是 112x112且需 RGB 归一化均值[0.5,0.5,0.5]方差[0.5,0.5,0.5] arcface_input preprocess_arcface(face_roi) # 内部做 resize cvtColor normalize feature_vec arcface_model.extract(arcface_input) # 返回 (1,512) numpy array # 6. 与注册库比对示例用 cosine similarity sim_score cosine_similarity(feature_vec, registered_features) if sim_score 0.65: name find_name_by_score(sim_score) draw_label(frame, f{name}: {sim_score:.3f}, (x1,y1-10)) cv2.imshow(Face System, frame) if cv2.waitKey(1) ord(q): break关键洞察face_roi被用了两次——一次喂给活体模型224×224一次喂给 ArcFace112×112。但两次预处理的归一化参数完全一致均值/方差都是 0.5这是作者刻意为之让两个模型对同一张图的像素分布感知一致避免因预处理差异导致活体通过但特征失真。如果你自己换模型务必统一preprocess_*函数中的mean/std。2.4 接入 USB 摄像头的实操细节解决常见黑屏、延迟、分辨率问题很多新手卡在cv2.VideoCapture(0)打不开。这不是代码问题是硬件握手问题# 1. 先确认摄像头被系统识别 ls /dev/video* # 应输出 /dev/video0 /dev/video1 等 # 2. 查看摄像头支持的格式和分辨率重点 v4l2-ctl -d /dev/video0 --list-formats-ext # 输出中找Size: Discrete 640x480 / 1280x720 / 1920x1080Pixel Format: MJPG or YUYV # 3. 修改 run_inference.py 中的 cap.set() 参数必须匹配上一步结果 cap cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) # 设为摄像头支持的最大宽度 cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720) cap.set(cv2.CAP_PROP_FOURCC, cv2.VideoWriter_fourcc(M, J, P, G)) # 强制 MJPG 格式压缩率高延迟低 cap.set(cv2.CAP_PROP_BUFFERSIZE, 1) # 关键设为 1 可减少缓冲区延迟为什么 MJPG 比 YUYV 好USB 摄像头传输带宽有限。YUYV 是未压缩的原始 YUV 数据1280×720 分辨率下每帧约 1.8MBUSB2.0 带宽吃紧易丢帧MJPG 是 JPEG 压缩同分辨率下每帧仅 100~300KBCPU 解压开销远小于传输瓶颈实测帧率从 8fps 提升至 22fps。3. YOLOv5 检测头调优让小脸、侧脸、遮挡脸不再“人间蒸发”YOLOv5 在通用目标检测上很强但人脸有其特殊性尺寸变化极大0.5%~15% 画面面积、长宽比固定、常有遮挡口罩、眼镜、头发。原版yolov5s.yaml的 anchor 和 stride 设置在人脸场景下召回率暴跌。这个包里的yolov5/data/face.yaml和yolov5/models/yolov5s_face.yaml就是针对性改造。3.1 Anchor 重聚类用你的数据生成专属先验框WIDER FACE 数据集虽大但侧脸、低头、戴口罩样本不足。作者提供了tools/anchor_kmeans.py教你用自建数据生成 anchor# tools/anchor_kmeans.py 核心逻辑 def kmeans_anchors(dataset_path, n_clusters9, img_size640): # 1. 读取所有标注文件YOLO 格式class x_center y_center width height boxes [] for label_file in glob.glob(f{dataset_path}/labels/*.txt): with open(label_file) as f: for line in f: cls, cx, cy, w, h map(float, line.strip().split()) # 转换为绝对像素尺寸需知道对应图片宽高 img_w, img_h get_img_size(label_file.replace(labels, images).replace(.txt, .jpg)) abs_w, abs_h w * img_w, h * img_h boxes.append([abs_w, abs_h]) # 2. K-means 聚类使用 IOU 距离而非欧氏距离 anchors kmeans(np.array(boxes), kn_clusters, dist_methodIOU_distance) return anchors if __name__ __main__: # 示例用你收集的 200 张侧脸口罩图生成 anchor anchors kmeans_anchors(./my_face_dataset/, n_clusters6) # 人脸检测通常 3~6 个 anchor 足够 print(New anchors:, anchors.round(2)) # 输出类似[[24.3, 31.7], [42.1, 58.9], [67.5, 92.4], [98.2, 135.6], [142.8, 196.3], [215.7, 298.1]]为什么用 IOU 距离因为 anchor 的目标是最大化与真实 bbox 的 IOU而非最小化宽高的欧氏距离。例如[100,100]和[100,200]欧氏距离小但 IOU 可能极低一个方一个瘦IOU 距离能确保聚类出的 anchor 更贴合真实人脸比例。3.2 检测头结构微调增加小目标分支降低 stride标准 YOLOv5s 有 3 个检测头对应 stride8,16,32。但人脸在 640×480 画面中小脸可能仅 30×40 像素经 stride32 下采样后只剩 1×1 特征点信息严重丢失。yolov5/models/yolov5s_face.yaml做了两处关键修改新增 stride4 分支在backbone最后一层后插入Conv(c1512, c2256, k1)Upsample(scale_factor2)再接C3(c1512, c2256)最后输出 stride4 的检测头调整 anchor 分配将anchors:改为 4 组分别对应 stride4,8,16,32并按尺寸从小到大分配小 anchor 给小 stride 头。# yolov5/models/yolov5s_face.yaml 关键片段 # 新增的 stride4 检测头 - [-1, 1, Conv, [256, 1, 1]] # 降维 - [-1, 1, nn.Upsample, [None, 2, nearest]] # 上采样 - [[-1, 6], 1, C3, [256, False]] # 与 backbone 第6层 concat - [-1, 1, Detect, [nc, anchors]] # Detect 层自动适配新 anchor效果对比实测在自建的 50 张戴口罩测试集上原版 YOLOv5s 召回率 68.2%修改后达 92.7%。代价是参数量增加 12%但树莓派4B 上推理耗时仅从 42ms 增至 48ms可接受。3.3 训练超参数调优聚焦 recall0.5而非 mAP人脸检测的终极指标不是 mAP而是recall0.5IOU≥0.5 即算检出。train.py的默认超参数hyp.scratch-low.yaml为通用目标设计需调整超参数原值人脸场景推荐值原因lr00.010.005人脸特征细微过大学习率易震荡收敛慢lrf0.10.05末期学习率衰减更缓利于精细调整 bbox 回归momentum0.9370.95更高动量加速收敛对抗小样本噪声weight_decay0.00050.0001人脸特征权重稀疏过强正则化抑制细节box0.050.07bbox 回归损失权重提高强制模型更准cls0.50.3分类损失权重降低因人脸只有 1 类重点在定位# 使用自定义超参训练假设数据在 ./data/face/ python yolov5/train.py \ --data ./yolov5/data/face.yaml \ --cfg ./yolov5/models/yolov5s_face.yaml \ --hyp ./yolov5/data/hyp.face.yaml \ # 用上面调整后的超参文件 --weights \ # 从头训练或 --weights yolov5s.pt 微调 --batch-size 32 \ --epochs 100 \ --project ./runs/train_face \ --name exp1血泪经验别迷信--weights yolov5s.pt迁移学习。人脸和通用目标分布差异太大从头训yolov5s_face.yaml 你自己的 anchor效果往往更好且避免了 backbone 特征图通道数不匹配的玄学报错。4. ArcFace 特征空间对齐为什么你的 512 维向量总和别人不兼容ArcFace 的核心是Additive Angular Margin Loss它让同类样本在超球面上聚拢异类样本分离。但很多人忽略一点特征向量的模长norm必须恒为 1.0否则 cosine similarity 失效。这个包的arcface/model.py中ArcFaceModel类明确做了F.normalize(output, dim1)但如果你自己加载权重极易漏掉这步。4.1 特征提取全流程验证从图像到向量的每一步# arcface/test_arcface.py 完整流程可直接运行 import torch import cv2 import numpy as np from arcface.model import ArcFaceModel def test_feature_pipeline(): model ArcFaceModel(backbone_patharcface/backbone.pth) model.eval() # 1. 读取原始图像BGR img_bgr cv2.imread(data/test_face.jpg) # 2. 转 RGB 缩放至 112x112 img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) img_resized cv2.resize(img_rgb, (112, 112)) # 注意双线性插值非最近邻 # 3. 归一化(pixel - 127.5) / 128.0 → [-1.0, 1.0]注意不是除以 255 img_norm (img_resized.astype(np.float32) - 127.5) / 128.0 # 4. 增加 batch 维度并转 tensor img_tensor torch.from_numpy(img_norm.transpose(2,0,1)).unsqueeze(0) # (1,3,112,112) # 5. 前向推理 with torch.no_grad(): feature model(img_tensor) # (1,512) # 6. 关键验证模长是否为 1.0 norm torch.norm(feature, dim1).item() print(fFeature norm: {norm:.6f}) # 必须 ≈ 1.000000 # 7. 余弦相似度计算与自身比应为 1.0 sim_self torch.nn.functional.cosine_similarity(feature, feature).item() print(fCosine similarity with self: {sim_self:.6f}) # 必须 ≈ 1.000000 if __name__ __main__: test_feature_pipeline()为什么归一化用(x-127.5)/128.0这是 IR-SE50 backbone 训练时的标准预处理源自 InsightFace 开源实现。用(x/255.0)会导致特征向量 norm≈0.85cosine similarity 计算结果整体偏低阈值需从 0.65 调至 0.55且跨模型比对失效。4.2 注册库构建如何存 1000 个人的特征而不爆内存ArcFace 输出 512 维 float32 向量1 人 2KB。1000 人 2MB看似不大但若用 Python dict 存实际内存占用可达 20MBdict 开销大。arcface/register_db.py提供高效方案# arcface/register_db.py 核心用 numpy memmap sqlite 索引 import numpy as np import sqlite3 class FeatureDB: def __init__(self, db_pathregister.db, feat_dim512): self.db_path db_path self.feat_dim feat_dim self._init_db() # 创建内存映射文件存所有特征向量二进制 self.feat_file f{db_path}.features self.feat_memmap np.memmap(self.feat_file, dtypefloat32, modew, shape(0, feat_dim)) def add_feature(self, name: str, feature: np.ndarray): # 1. 插入 sqlite 记录name - offset conn sqlite3.connect(self.db_path) c conn.cursor() c.execute(INSERT INTO features (name, offset) VALUES (?, ?), (name, self.feat_memmap.shape[0])) conn.commit() # 2. 追加特征到 memmap避免频繁 resize new_shape (self.feat_memmap.shape[0] 1, self.feat_dim) self.feat_memmap np.memmap(self.feat_file, dtypefloat32, moder, shapenew_shape) self.feat_memmap[-1] feature # 写入最后一行 def get_all_features(self) - np.ndarray: # 一次性加载所有特征用于批量比对 return np.array(self.feat_memmap) # 使用示例 db FeatureDB() db.add_feature(zhangsan, feature_vec_zs) # feature_vec_zs 是 (1,512) numpy array db.add_feature(lisi, feature_vec_ls) all_feats db.get_all_features() # (2,512) numpy array内存友好优势memmap文件可超大TB 级不占 RAMsqlite 索引极快百万级 name 查询 1msget_all_features()返回普通 numpy array可直接用于scipy.spatial.distance.cdist(all_feats, query_feat, cosine)批量计算。4.3 特征比对阈值设定0.65 不是魔法数字而是你的数据决定的阈值0.65是作者在 LFW 数据集上测试的推荐值但你的场景室内/室外、光照、摄像头质量不同必须重新标定# tools/threshold_calibrate.py用你的测试集找最优阈值 from sklearn.metrics import roc_curve, auc import numpy as np def calibrate_threshold(pos_scores, neg_scores): # pos_scores: 同一人多次采集的相似度列表如 100 对 # neg_scores: 不同人之间的相似度列表如 1000 对 y_true [1]*len(pos_scores) [0]*len(neg_scores) y_score pos_scores neg_scores fpr, tpr, thresholds roc_curve(y_true, y_score) roc_auc auc(fpr, tpr) # 找平衡点tpr0.95 时的阈值95% 召回率 idx np.argmin(np.abs(tpr - 0.95)) best_thresh thresholds[idx] print(fAUC: {roc_auc:.4f}) print(fThreshold TPR0.95: {best_thresh:.4f}) return best_thresh # 示例用你拍的 50 张张三照片不同角度和 500 张其他人照片计算 pos_scores [0.82, 0.79, 0.85, ...] # 50 个值 neg_scores [0.32, 0.41, 0.28, ...] # 500 个值 optimal_thresh calibrate_threshold(pos_scores, neg_scores)玄学提示如果tpr0.95对应的阈值低于0.55说明你的 ArcFace 模型或预处理有问题特征区分度不足别硬调阈值回头检查preprocess_arcface()是否用了正确归一化。5. 活体检测模块避坑指南照片、视频、面具攻击的识别盲区在哪活体检测是整个链路最脆弱的一环。liveness/目录下的liveness.onnx是一个轻量 CNN类似 MobileNetV2 结构但它在特定场景下会集体失效。以下是实测踩过的 5 个坑每个都附带现象、原因和解决方案。5.1 现象手机屏幕播放真人视频活体检测 100% 通过原因模型训练数据以静态照片为主缺乏高质量视频帧序列。视频帧存在运动模糊、压缩伪影特征与静态照片分布偏移。解决在liveness/config/liveness_config.yaml中启用use_video_temporal: True修改liveness/model.py在输入前增加光流法提取运动特征# 伪代码用前一帧计算光流拼接 RGB光流图作为 4 通道输入 prev_gray cv2.cvtColor(prev_frame, cv2.COLOR_BGR2GRAY) curr_gray cv2.cvtColor(curr_frame, cv2.COLOR_BGR2GRAY) flow cv2.calcOpticalFlowFarneback(prev_gray, curr_gray, None, 0.5, 3, 15, 3, 5, 1.2, 0) # flow 是 (h,w,2)取 magnitude 作为 motion channel motion_map np.sqrt(flow[:,:,0]**2 flow[:,:,1]**2) input_4ch np.dstack([rgb_img, motion_map]) # (h,w,4)5.2 现象戴深色墨镜时活体检测随机失败有时过有时不过原因墨镜区域纹理缺失模型误判为“打印纸”反射特征。原模型输入是 224×224但墨镜只占中心小区域全局平均池化后信息淹没。解决修改模型结构在 backbone 最后一层添加Region-of-Interest Pooling强制关注眼睛区域x10.4w, y10.3h, x20.6w, y20.5h或更简单在preprocess_liveness()中对输入图像做直方图均衡化CLAHE增强墨镜边缘对比度clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) lab cv2.cvtColor(img_rgb, cv2.COLOR_RGB2LAB) lab[:,:,0] clahe.apply(lab[:,:,0]) enhanced cv2.cvtColor(lab, cv2.COLOR_LAB2RGB)5.3 现象阴天室外所有人脸都被判为“非活体”原因模型在室内均匀光源下训练对低照度、高噪声图像鲁棒性差。输入归一化mean[0.5,0.5,0.5]在暗图下导致大量像素值接近 0特征图激活不足。解决在preprocess_liveness()中加入自适应 gamma 校正def adaptive_gamma(img): # 计算图像平均亮度 mean_val np.mean(img) # 若太暗80提升 gamma若太亮180降低 gamma if mean_val 80: gamma 0.7 elif mean_val 180: gamma 1.3 else: gamma 1.0 invGamma 1.0 / gamma table np.array([((i / 255.0) ** invGamma) * 255 for i in np.arange(0, 256)]).astype(uint8) return cv2.LUT(img, table) enhanced adaptive_gamma(img_rgb)5.4 现象模型在树莓派4B 上运行 10 分钟后活体检测准确率从 98% 降至 72%原因树莓派发热导致 CPU 频率降频ONNX Runtime 的InferenceSession在低频下数值计算精度漂移尤其 BatchNorm 层。解决强制树莓派性能模式echo performance | sudo tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor # 并禁用动态频率调节 sudo systemctl disable thermald在liveness/model.py中将 ONNX session 的providers显式设为[CPUExecutionProvider]禁用 OpenVINO 加速因其在树莓派上不稳定self.session ort.InferenceSession(model_path, providers[CPUExecutionProvider])5.5 现象用 iPhone 14 Pro 拍摄的照片攻击成功但华为 P50 失败原因不同手机的 JPEG 压缩算法量化表不同iPhone 的压缩伪影如块效应恰好被模型学成了“活体”特征。这是典型的域偏移Domain Shift。解决数据增强时必须加入多品牌手机 JPEG 压缩模拟# 在训练数据增强 pipeline 中加入 import PIL.ImageOps from PIL import Image, ImageEnhance def jpeg_artifact_aug(img_pil): # 随机选择压缩质量模拟不同手机 quality np.random.choice([60, 70, 80, 90]) # 保存为 JPEG 再读回引入真实压缩伪影 buffer io.BytesIO() img_pil.save(buffer, formatJPEG, qualityquality) return Image.open(buffer)6. 树莓派4B 部署实战从 22fps 到 8fps 的取舍与优化这个包的终极价值是让你在树莓派4B4GB RAM上跑通整套流程。但“跑通”不等于“可用”——实时性、功耗、稳定性必须兼顾。我花了两周时间在树莓派上反复测试总结出一套可落地的优化组合拳。6.1 硬件层散热与供电是性能基石树莓派4B 的 BCM2711 SoC 在 80℃ 以上会强制降频。实测无散热片时连续运行 3 分钟后 CPU 频率从 1.5GHz 降至 600MHzYOLOv5 推理从 22ms 增至 85ms。必须做两件事物理散热购买带铜柱的铝合金散热片非塑料硅脂确保 SoC 与散热片完全接触加装 5V PWM 风扇接 GPIO 12/13并设置温控# /etc/rc.local 中添加 echo echo 1 /sys/class/gpio/gpio12/value /etc/rc.local # 编写 Python 脚本监控温度65℃ 启动风扇50℃ 停止供电保障使用官方 5.1V/3A 电源非杂牌充电宝电压低于 4.65V 时 USB本文还有配套的精品资源点击获取