【ffmpeg裁剪视频faster rcnn自动检测 via】全自动实现ffmpeg将视频切割为图片帧，再使用faster rcnn将图片中的人检测出来，最后将检测结果转化为via可识别的csv格式

- 日理万妓 2022-09-03 05:24 74阅读 0赞

### 目录 ###

*  [前言][Link 1]
 *  [一，ffmpeg 自动裁剪][ffmpeg]
 *   *  [1.1 目录结构][1.1]
     *  [1.2 cutVideoToImage.sh][]
     *  [1.2 myVideo][]
     *  [1.3 myVideo15mins][]
     *  [1.5 myFrames][]
     *  [1.6 运行][1.6]
     *  [1.7 查看结果][1.7]
 *  [二，detectron2中的faster rcnn检测][detectron2_faster rcnn]
 *   *  [2.1 img][]
     *  [2.2 myvia.py][]
     *  [2.3 运行][2.3]
     *  [2.4 结果展示][2.4]
 *  [三，via标注][via]
 *   *  [3.1 csv文件修改（去掉全部单引号）][3.1 csv]
     *  [3.2 在via中导入图片][3.2 _via]
     *  [3.2 导入csv文件][3.2 _csv]

# 前言 #

[B站讲解视频][B]

通过slowfast的官网可以知道，使用ffmpeg将视频先裁剪15分钟的视频，然后将15分钟的视频转化为图片帧。再使用detectron2的faster rcnn检测所有图片，再用python将检测结果整理为via（VGG Image Annotator）可是识别的csv文件。

# 一，ffmpeg 自动裁剪 #

我们需要将视频剪辑为15分钟的视频，这里和ava不同，ava要的是视频第15分钟到30分钟的，但是我们这里就不用了，直接裁剪0到15分钟的视频。

然后是将15分钟的视频切割成帧，我这里是每秒一帧。

## 1.1 目录结构 ##

首先创建四个文件夹  
`ffmpeg_code`:存放ffmpeg代码  
`myFrames`：存放视频裁剪后的图片帧  
`myVideo`：原始视频  
`myVideo15mins`：剪辑后的视频（15分钟）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70]

## 1.2 cutVideoToImage.sh ##

在`ffmpeg_code`下创建`cutVideoToImage.sh`  
![在这里插入图片描述][2021040514201489.png]

这个代码就是自动把视频裁剪，然后再裁剪图片

代码如下（有注释）：

#这个shell是将视频先剪辑为15分钟视频，然后再将15分钟的视频按照每秒1帧剪辑为图片
    
    #开始之前 先清除 myFrames下的内容
    rm -rf /home/lxn/yf_videos/myFrames
    
    #这里是剪辑视频，和ava官网不同，这里直接剪辑前15分钟的视频
    videoName="eight.mp4"
    ffmpeg -ss 0 -t 901 -i "../myVideo/${videoName}" "../myVideo15mins/${videoName}"
    
    #切割图片，每秒1帧
    IN_DATA_DIR="../myVideo15mins"
    OUT_DATA_DIR="../myFrames"
    
    if [[ ! -d "${OUT_DATA_DIR}" ]]; then
      echo "${OUT_DATA_DIR} doesn't exist. Creating it.";
      mkdir -p ${OUT_DATA_DIR}
    fi
    
    for video in $(ls -A1 -U ${IN_DATA_DIR}/*)
    do
      video_name=${video##*/}
    
      if [[ $video_name = *".webm" ]]; then
        video_name=${video_name::-5}
      else
        video_name=${video_name::-4}
      fi
    
      out_video_dir=${OUT_DATA_DIR}/${video_name}/
      mkdir -p "${out_video_dir}"
    
      out_name="${out_video_dir}/${video_name}_%06d.jpg"
    
      ffmpeg -i "${video}" -r 1 -q:v 1 "${out_name}"
    done
    
    #需要裁剪的图片移动到指定文件夹，用于faster rcnn自动框人
    #首先清理指定文件夹里存在的图片
    rm -rf /home/lxn/0yangfan/detectron2_repo/img/original
    #存放检测结果的文件也需要清空
    #rm -rf /home/lxn/0yangfan/detectron2_repo/img/detection
    
    if [[ videoName = *".webm" ]]; then
      videoName=${videoName::-5}
    else
      videoName=${videoName::-4}
      fi
    cp -r "../myFrames/${videoName}" /home/lxn/0yangfan/detectron2_repo/img/original

在代码的最后一句：

cp -r "../myFrames/${videoName}" /home/lxn/0yangfan/detectron2_repo/img/original

这个表示将最后裁剪的图片放在`/home/lxn/0yangfan/detectron2_repo/img/original`目录下，这个img/original目录是自己创建的目录。

## 1.2 myVideo ##

在`myVideo`下存放原始视频，就是我们自己收集的数据集视频  
![在这里插入图片描述][2021040514225225.png]

## 1.3 myVideo15mins ##

在`myVideo15mins`中存放剪辑的视频（代码中自动剪辑存储）  
![在这里插入图片描述][20210405142211810.png]

## 1.5 myFrames ##

`myFrames`中存放剪辑的图片  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 1]

## 1.6 运行 ##

进入到目录：`/ffmpeg_code`中，然后执行如下命令：

sudo sh cutVideoToImage.sh

会花一点时间（顺便去背背单词）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 2]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 3]

## 1.7 查看结果 ##

最后结果，是要在`/home/lxn/0yangfan/detectron2_repo/img/original`下查看，如果这里出现了903张剪辑好的图片，说明成功了。

# 二，detectron2中的faster rcnn检测 #

第一部分，我们已经将视频转化为图片，这一部分将使用detectron2中的faster rcnn 将全部图片进行检测。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 4]

## 2.1 img ##

在目录`/detectron2_repo/`下创建`img`目录，这个目录用来存放原始图片，处理后的图片，csv文件。  
![在这里插入图片描述][20210405144733573.png]  
`original`：用于存放原始图片的目录（里面的图片是ffmpeg裁剪出来的，然后再复制到这个目录下的）。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 5]  
`detection`用于存放检测后的图片  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 6]

`detection.csv`：是将最后的检测结果转换为via可以识别的csv文件。

## 2.2 myvia.py ##

在目录`/detectron2_repo/demo/`下创建myvia.py这个文件：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 7]  
代码如下（有注释）：

#Copyright (c) Facebook, Inc. and its affiliates.
    import argparse
    import glob
    import multiprocessing as mp
    import os
    import time
    import cv2
    import tqdm
    import os
    
    from detectron2.config import get_cfg
    from detectron2.data.detection_utils import read_image
    from detectron2.utils.logger import setup_logger
    
    from predictor import VisualizationDemo
    
    import csv
    import pandas as pd  #导入pandas包
    import re
    
    # constants
    WINDOW_NAME = "COCO detections"
    
    
    def setup_cfg(args):
        # load config from file and command-line arguments
        cfg = get_cfg()
        # To use demo for Panoptic-DeepLab, please uncomment the following two lines.
        # from detectron2.projects.panoptic_deeplab import add_panoptic_deeplab_config  # noqa
        # add_panoptic_deeplab_config(cfg)
        cfg.merge_from_file(args.config_file)
        cfg.merge_from_list(args.opts)
        # Set score_threshold for builtin models
        cfg.MODEL.RETINANET.SCORE_THRESH_TEST = args.confidence_threshold
        cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = args.confidence_threshold
        cfg.MODEL.PANOPTIC_FPN.COMBINE.INSTANCES_CONFIDENCE_THRESH = args.confidence_threshold
        cfg.freeze()
        return cfg
    
    
    def get_parser():
        parser = argparse.ArgumentParser(description="Detectron2 demo for builtin configs")
        parser.add_argument(
            "--config-file",
            default="configs/quick_schedules/mask_rcnn_R_50_FPN_inference_acc_test.yaml",
            metavar="FILE",
            help="path to config file",
        )
        parser.add_argument("--webcam", action="store_true", help="Take inputs from webcam.")
        parser.add_argument("--video-input", help="Path to video file.")
        parser.add_argument(
            "--input",
            nargs="+",
            help="A list of space separated input images; "
            "or a single glob pattern such as 'directory/*.jpg'",
        )
        parser.add_argument(
            "--output",
            help="A file or directory to save output visualizations. "
            "If not given, will show output in an OpenCV window.",
        )
    
        parser.add_argument(
            "--confidence-threshold",
            type=float,
            default=0.5,
            help="Minimum score for instance predictions to be shown",
        )
        parser.add_argument(
            "--opts",
            help="Modify config options using the command-line 'KEY VALUE' pairs",
            default=[],
            nargs=argparse.REMAINDER,
        )
        return parser
    
    
    if __name__ == "__main__":
        mp.set_start_method("spawn", force=True)
        args = get_parser().parse_args()
        setup_logger(name="fvcore")
        logger = setup_logger()
        logger.info("Arguments: " + str(args))
    
       
        #图片的输入和输出文件夹
        imgOriginalPath = './img/original/'
        imgDetectionPath= './img/detection'
    
        # 读取文件下的图片名字
        for i,j,k in os.walk(imgOriginalPath):
            # k 存储了图片的名字
            #imgInputPaths用于存储图片完整地址
            #使用.sort()防止乱序
            k.sort()
            imgInputPaths = k
            countI=0
            for namek in k:
                #循环将图片的完整地址加入imgInputPaths中
                imgInputPath = imgOriginalPath + namek
                imgInputPaths[countI]=imgInputPath
                countI = countI + 1
            break
            
        #修改args里输入图片的里路径
        args.input = imgInputPaths
        
       
        
        #修改args里输出图片的路径
        args.output = imgDetectionPath
        
        cfg = setup_cfg(args)
        demo = VisualizationDemo(cfg)
        
        #创建csv
        csvFile = open("./img/detection.csv", "w+",encoding="gbk") 
        #创建写的对象
        CSVwriter = csv.writer(csvFile)     
        #先写入columns_name 
        #写入列的名称
        CSVwriter.writerow(["filename","file_size","file_attributes","region_count","region_id","region_shape_attributes","region_attributes"])     
        #写入多行用CSVwriter
        #写入多行
        #CSVwriter.writerows([[1,a,b],[2,c,d],[3,d,e]])
        #csvFile.close()
        #https://blog.csdn.net/xz1308579340/article/details/81106310?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-3.control&dist_request_id=&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-3.control
        
        if args.input:
            if len(args.input) == 1:
                args.input = glob.glob(os.path.expanduser(args.input[0]))
                assert args.input, "The input path(s) was not found"
            for path in tqdm.tqdm(args.input, disable=not args.output):
                # use PIL, to be consistent with evaluation
                img = read_image(path, format="BGR")
                start_time = time.time()
                predictions,visualized_output = demo.run_on_image(img)
                
                #只要检测结果是人的目标结果
                mask = predictions["instances"].pred_classes == 0
                pred_boxes = predictions["instances"].pred_boxes.tensor[mask]
                
                #在路径中正则匹配图片的名称
                ImgNameT = re.findall(r'[^\\/:*?"<>|\r\n]+$', path)
                ImgName = ImgNameT[0]
                
                
                #获取图片大小（字节）
                ImgSize = os.path.getsize(path)
                
                #下面的为空(属性不管)
                img_file_attributes="{"+"}"
                
                #每张图片检测出多少人
                img_region_count = len(pred_boxes)
                
                #region_id表示在这张图中，这是第几个人，从0开始数
                region_id = 0
                
                #region_attributes 为空
                img_region_attributes = "{"+"}"
                
                #循环图中检测出的人的坐标，然后做修改，以适应via
                for i in pred_boxes:
                    
                    #将i中的数据类型转化为可以用的数据类型（list）
                    iList = i.cpu().numpy().tolist()
                    
                    #数据取整,并将坐标数据放入到
                    img_region_shape_attributes = {"\"name\"" : "\"rect\"" , "\"x\"" : int(iList[0]) , "\"y\"" : int(iList[1]) ,"\"width\"" : int(iList[2]-iList[0]) , "\"height\"" : int(iList[3]-iList[1]) }
                    
                    #将信息写入csv中
                    CSVwriter.writerow([ImgName,ImgSize,'"{}"',img_region_count,region_id,str(img_region_shape_attributes),'"{}"'])
                    
                    region_id = region_id + 1
                    
                logger.info(
                    "{}: {} in {:.2f}s".format(
                        path,
                        "detected {} instances".format(len(predictions["instances"]))
                        if "instances" in predictions
                        else "finished",
                        time.time() - start_time,
                    )
                )
    
                if args.output:
                    if os.path.isdir(args.output):
                        assert os.path.isdir(args.output), args.output
                        out_filename = os.path.join(args.output, os.path.basename(path))
                    else:
                        assert len(args.input) == 1, "Please specify a directory with args.output"
                        out_filename = args.output
                    visualized_output.save(out_filename)
                else:
                    cv2.namedWindow(WINDOW_NAME, cv2.WINDOW_NORMAL)
                    cv2.imshow(WINDOW_NAME, visualized_output.get_image()[:, :, ::-1])
                    if cv2.waitKey(0) == 27:
                        break  # esc to quit
        
        #关闭csv    
        csvFile.close()

## 2.3 运行 ##

进入到目录：`/detectron2_repo`中，输入命令：

python3 ./demo/myvia.py --config-file configs/COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml  --opts MODEL.WEIGHTS detectron2://COCO-Detection/faster_rcnn_R_50_FPN_3x/137849458/model_final_280758.pkl

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 8]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 9]

## 2.4 结果展示 ##

检测结果图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 10]  
检测后的csv文件

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 11]

# 三，via标注 #

最后，我们要把上一部分生成的csv文件导入到via中，开始之前，需要做一些准备。

## 3.1 csv文件修改（去掉全部单引号） ##

![在这里插入图片描述][2021040516051556.png]  
在文件夹`detectron2_repo/img/`中的`detection.csv`还不能直接用，要做一点点修改，修改如下：

使用文本编辑器打开`detection.csv`  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 12]  
要做的修改就是将这里面的全部 ’ 去掉（去掉全部的单引号）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 13]

## 3.2 在via中导入图片 ##

打开via

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 14]  
选中原始图图片  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 15]  
导入成功后的样子  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 16]

## 3.2 导入csv文件 ##

按照下图方式选中`detection.csv`文件  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 17]  
最后的结果展示  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 18]

[Link 1]: https://blog.csdn.net/WhiffeYF/article/details/115439655#_1
[ffmpeg]: https://blog.csdn.net/WhiffeYF/article/details/115439655#ffmpeg__6
[1.1]: https://blog.csdn.net/WhiffeYF/article/details/115439655#11__11
[1.2 cutVideoToImage.sh]: https://blog.csdn.net/WhiffeYF/article/details/115439655#12_cutVideoToImagesh_18
[1.2 myVideo]: https://blog.csdn.net/WhiffeYF/article/details/115439655#12_myVideo_82
[1.3 myVideo15mins]: https://blog.csdn.net/WhiffeYF/article/details/115439655#13_myVideo15mins_87
[1.5 myFrames]: https://blog.csdn.net/WhiffeYF/article/details/115439655#15_myFrames_91
[1.6]: https://blog.csdn.net/WhiffeYF/article/details/115439655#16__96
[1.7]: https://blog.csdn.net/WhiffeYF/article/details/115439655#17__105
[detectron2_faster rcnn]: https://blog.csdn.net/WhiffeYF/article/details/115439655#detectron2faster_rcnn_108
[2.1 img]: https://blog.csdn.net/WhiffeYF/article/details/115439655#21_img_113
[2.2 myvia.py]: https://blog.csdn.net/WhiffeYF/article/details/115439655#22_myviapy_126
[2.3]: https://blog.csdn.net/WhiffeYF/article/details/115439655#23__336
[2.4]: https://blog.csdn.net/WhiffeYF/article/details/115439655#24__348
[via]: https://blog.csdn.net/WhiffeYF/article/details/115439655#via_354
[3.1 csv]: https://blog.csdn.net/WhiffeYF/article/details/115439655#31_csv_357
[3.2 _via]: https://blog.csdn.net/WhiffeYF/article/details/115439655#32_via_365
[3.2 _csv]: https://blog.csdn.net/WhiffeYF/article/details/115439655#32_csv_373
[B]: https://www.bilibili.com/video/BV1j5411c7MW
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70]: /images/20220829/4851acd96b0649f9a9193abb41e6f9fa.png
[2021040514201489.png]: /images/20220829/1f9d4bfffc634b8b99d06cc040c57903.png
[2021040514225225.png]: /images/20220829/47e51c9f11b64eca9c8bcf99b533b58c.png
[20210405142211810.png]: /images/20220829/84a9a8dc046740a0a82ba685f4bf15c3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 1]: /images/20220829/33b0c10316064c9b8b5d08ce8900ae36.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 2]: /images/20220829/0442915b2e9640448dc3607fa50c1fe5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 3]: /images/20220829/697dad08d22a4427b9b9e28d147c91d7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 4]: /images/20220829/631b768dbe0842fb81872a5a8706520b.png
[20210405144733573.png]: /images/20220829/5e6868a459be4d45b1d12ccdf243e4fe.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 5]: /images/20220829/899e23d6a6d942b3840fb1904a625472.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 6]: /images/20220829/90f9ca40e68f45519509e8621d48a276.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 7]: /images/20220829/7a332bda61c548a2b039a0491bc9c7af.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 8]: /images/20220829/094b2ca2d50e47a5942dc5c0ea5e6255.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 9]: /images/20220829/08fbce60db924755afe23cf191882cc9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 10]: /images/20220829/7f3e6fe036154bd6856da1a4a3d8bde5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 11]: /images/20220829/cb1a521303f94eb0a8134d4df57c349a.png
[2021040516051556.png]: /images/20220829/91ab8678244c430c879418644d89c4f6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 12]: /images/20220829/71e054cbea8e46b1a5d0462c54937609.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 13]: /images/20220829/d3f588f4f7964b969a707cd0167e4b50.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 14]: /images/20220829/c125eff49b594860bbc97aa753764643.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 15]: /images/20220829/a0e3fa0f8bc64fe38fae8ca358b82894.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 16]: /images/20220829/ba588a15b2e7438b9d98c39e69a2614d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 17]: /images/20220829/5d953d55737c48019f8f9bf8fc7a7694.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1doaWZmZVlG_size_16_color_FFFFFF_t_70 18]: /images/20220829/e5245551a9054a5ba2c2188371e1caf3.png