1. 项目概述从零到一用GPU驱动你的YOLOv3模型如果你正在计算机视觉领域摸索尤其是目标检测这个方向那么“YOLO”这个名字你一定不陌生。它那句“You Only Look Once”的口号精准地概括了其核心优势速度快。而在众多版本中YOLOv3以其在速度和精度之间取得的出色平衡至今仍是许多实际项目尤其是对实时性有要求的场景的可靠选择。今天要聊的就是如何亲手用Darknet框架的YOLOv3在GPU的加持下训练一套完全属于你自己的数据。这不仅仅是跑通一个教程更是理解从数据准备到模型产出的完整闭环对于想深入CV实战的朋友来说是绕不开的一课。为什么是Darknet版虽然现在PyTorch、TensorFlow生态繁荣但Darknet作为YOLO作者原生的C语言框架轻量、高效对于理解YOLO最原始的网络结构、配置细节有不可替代的价值。而且其训练和推理速度在同等条件下往往有优势。当然直接上手可能会遇到环境配置复杂、文档分散等问题这正是本文要帮你捋顺的。我们将聚焦GPU版本因为CPU训练一个像样的模型动辄以周计而GPU可以将时间压缩到小时级别这是质变。这篇文章适合谁无论你是刚入门深度学习、想找一个有成就感的实战项目练手的学生还是需要为特定业务如工业质检、安防监控、自动驾驶感知定制检测模型的工程师只要你有基本的Python和命令行操作经验并且有一块支持CUDA的NVIDIA GPU哪怕是GTX 1060这样的消费级显卡都能跟着一步步走下来。整个过程我会把每一步的原理、操作意图以及我踩过的坑都交代清楚目标就是让你看完后能独立复现并真正理解背后的“所以然”。2. 核心思路与工具选型解析2.1 为什么选择Darknet YOLOv3这个组合在开始动手前我们得先想明白为什么选这条路。目标检测框架和模型那么多Faster R-CNN、SSD、以及YOLO系列后续的v4、v5、v8等各有千秋。选择Darknet版的YOLOv3主要基于以下几点考量第一学习价值与可控性。Darknet框架相对小巧源码结构清晰。通过编译、配置、训练它你能更贴近底层地理解YOLOv3的网络架构如Darknet-53主干网、多尺度预测、损失函数设计以及数据流的处理方式。这种“透明感”是使用某些高度封装的高级API所无法比拟的。你能清楚地知道每一个卷积层、每一个残差块在哪配置文件.cfg里的参数直接对应网络结构修改起来直观。第二性能与效率的经典平衡。YOLOv3虽然不是最新但其性能在众多经典数据集上经过充分验证在速度FPS和精度mAP之间取得了很好的平衡。对于很多实际部署场景特别是边缘设备或需要实时响应的服务v3仍然是一个经过实战考验的稳健选择。它的模型尺寸相对适中经过剪枝、量化等优化后部署灵活性很高。第三社区与生态支持。作为一代经典YOLOv3拥有极其庞大的社区。你在训练过程中遇到的几乎任何问题都能在网上找到大量的讨论和解决方案。Darknet框架本身也相对稳定bug较少。当然也需要正视其“缺点”或说“特点”环境配置稍显繁琐需要手动编译Darknet并正确配置CUDA、cuDNN等GPU计算环境对新手是一个小挑战。数据格式特定需要使用Darknet自定义的数据格式特定的.txt标注文件与现在流行的COCO或Pascal VOC格式不同需要一步转换。扩展性相比于PyTorch等动态图框架用Darknet实现一些最新的改进或尝试新结构可能没那么方便。但综合来看如果你想扎实地掌握目标检测模型从训练到部署的核心流程并且不畏惧接触一些底层细节那么这个组合是一个非常棒的起点。2.2 核心工具链与依赖梳理工欲善其事必先利其器。整个项目依赖的工具链环环相扣下面这张表帮你理清核心组件及其作用工具/组件版本建议核心作用注意事项操作系统Ubuntu 18.04/20.04/22.04提供稳定的Linux环境对CUDA支持最好。Windows也可行但问题更多。首选Ubuntu能避开大量环境冲突。本文以Ubuntu为例。NVIDIA驱动与GPU型号及CUDA版本匹配让系统识别并使用你的GPU。可通过nvidia-smi命令验证安装。CUDA Toolkit11.0 - 11.8 (根据驱动选择)NVIDIA的并行计算平台是GPU加速的基石。版本需与Darknet代码兼容v3通常支持CUDA 10。cuDNN与CUDA版本对应NVIDIA深度神经网络加速库大幅提升训练速度。需要注册NVIDIA开发者账号下载。OpenCV3.x 或 4.x计算机视觉库用于图像加载、显示、数据增强等。Darknet编译时可选择是否支持OpenCV建议开启。DarknetAlexeyAB fork 版本YOLOv3实现的框架本体。GitHub上AlexeyAB维护的版本功能最全支持GPU、OpenCV等。标注工具LabelImg, CVAT, Makesense.ai为你的图像数据绘制边界框并生成标签。输出格式选择YOLO.txt这是关键。注意版本兼容性是最大的“坑”务必确保驱动版本支持你选择的CUDA版本而CUDA版本又需要与Darknet源码和cuDNN兼容。一个稳妥的方法是先确定你的GPU驱动能支持的最高CUDA版本通过nvidia-smi查看然后选择该CUDA版本下一个较成熟的子版本如11.7再去寻找适配的cuDNN和Darknet配置。3. 环境搭建稳扎稳打走好第一步环境搭建是劝退很多新手的第一个门槛。其实只要步骤清晰一步一验证就能顺利过关。我们的目标是编译一个支持GPU和OpenCV的Darknet。3.1 基础系统与驱动安装首先确保你的Ubuntu系统已更新并安装必要的编译工具sudo apt update sudo apt upgrade -y sudo apt install build-essential cmake unzip pkg-config libjpeg-dev libpng-dev libtiff-dev libavcodec-dev libavformat-dev libswscale-dev libv4l-dev libxvidcore-dev libx264-dev libgtk-3-dev libatlas-base-dev gfortran python3-dev -y接下来是NVIDIA驱动。最省心的方法是使用Ubuntu的“附加驱动”工具或者使用命令行安装# 查看推荐驱动 ubuntu-drivers devices # 安装推荐驱动例如nvidia-driver-550 sudo apt install nvidia-driver-550安装完成后务必重启系统然后运行nvidia-smi。如果能看到GPU信息、驱动版本和CUDA版本显示在右上角如CUDA 12.0则驱动安装成功。这里显示的CUDA版本是驱动支持的最高版本实际安装的CUDA Toolkit可以低于它。3.2 CUDA与cuDNN的安装与配置假设我们选择CUDA 11.7。前往NVIDIA官网下载对应版本的runfile本地安装包。选择Linux - x86_64 - Ubuntu - 你的版本 - runfile(local)。# 给安装文件添加执行权限 chmod x cuda_11.7.0_515.43.04_linux.run # 运行安装程序注意加上 --override 参数以防驱动相关警告 sudo sh cuda_11.7.0_515.43.04_linux.run --override在安装过程中会有一个选项询问是否安装附带的驱动这里一定要选否因为我们已经装好了驱动其他选项可以默认。安装完成后需要将CUDA路径加入环境变量。编辑你的~/.bashrc文件nano ~/.bashrc在文件末尾添加export PATH/usr/local/cuda-11.7/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-11.7/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}} export CUDA_HOME/usr/local/cuda-11.7保存退出后执行source ~/.bashrc使配置生效。验证安装nvcc -V应输出CUDA编译器版本信息。接下来是cuDNN。从NVIDIA开发者网站下载与CUDA 11.7对应的cuDNN Library for Linux (x86_64)压缩包。假设下载的文件是cudnn-linux-x86_64-8.x.x.x_cuda11-archive.tar.xz。# 解压 tar -xvf cudnn-linux-x86_64-8.x.x.x_cuda11-archive.tar.xz # 复制文件到CUDA目录 sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.7/include sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.7/lib64 sudo chmod ar /usr/local/cuda-11.7/include/cudnn*.h /usr/local/cuda-11.7/lib64/libcudnn*3.3 编译DarknetGPU OpenCV版首先克隆功能最全的AlexeyAB版Darknet仓库git clone https://github.com/AlexeyAB/darknet.git cd darknet编译前需要修改Makefile配置文件这是最关键的一步。打开Makefilenano Makefile找到并修改以下几行将值从0改为1GPU1 # 启用GPU CUDNN1 # 启用cuDNN加速 CUDNN_HALF1 # 启用半精度训练可加速RTX系列显卡支持好 OPENCV1 # 启用OpenCV这样训练和测试时能直接显示图片 AVX1 # 启用CPU高级指令集加速 OPENMP1 # 启用多核CPU并行 LIBSO1 # 编译为动态库方便Python调用可选保存退出。现在开始编译make -j$(nproc) # 使用所有CPU核心并行编译如果一切顺利你会看到编译过程输出大量信息最后生成一个名为darknet的可执行文件。验证是否成功编译了GPU版本./darknet detector test如果输出信息中包含“CUDA-version: XXX”和“OpenCV version: XXX”并且没有报错找不到GPU那么恭喜你环境搭建成功了实操心得编译失败最常见的原因有两个一是CUDA/cuDNN路径不对确保Makefile里CUDA_PATH和CUDNN_PATH设置正确通常默认即可二是OpenCV版本冲突。如果你系统里有多个OpenCV可能会导致链接错误。一个解决办法是安装OpenCV时也手动从源码编译并确保pkg-config能找到它。如果实在搞不定OpenCV可以暂时将OPENCV0先保证GPU能跑起来图像显示可以用其他方式解决。4. 数据准备模型训练的“粮食”模型训练的好坏七分靠数据三分靠调参。准备一份格式正确、标注高质量的数据集至关重要。4.1 数据收集与标注收集图像针对你的目标场景比如检测车间里的零件瑕疵尽可能收集多样化的图像。光照变化、角度变化、目标遮挡、背景复杂程度等都要考虑到。数据量当然是越多越好但对于初学或验证性项目一个类别有几百张图像也可以开始。标注工具推荐使用LabelImg。它开源免费支持Pascal VOC和YOLO格式。安装很简单pip install labelimg labelimg # 启动在LabelImg中使用快捷键W拉框CtrlS保存。关键一步在保存格式上一定要选择“YOLO”而不是Pascal VOC。这样它会为每张图片生成一个同名的.txt文件内容格式为object-class x_center y_center width height例如0 0.5 0.5 0.2 0.3这表示类别0对应你的第一个类别边界框中心点位于图片宽度的50%、高度的50%处框的宽度是图片宽度的20%高度是图片高度的30%。所有坐标都是相对于图片尺寸的归一化值0到1之间。标注注意事项框要贴合边界框应紧密贴合目标物体边缘既不要留太多空隙也不要切掉物体部分。类别一致同一个物体在不同图片中的类别名必须完全相同。困难样本对于部分遮挡、模糊、非常小的目标也要尽力标注这对模型的鲁棒性很重要。背景可以适当包含一些完全不包含目标的“负样本”图片其对应的.txt文件为空。这有助于降低误检率。4.2 组织Darknet所需的数据结构Darknet对数据文件的组织有特定要求。假设你的项目叫my_project建议按如下结构组织my_project/ ├── data/ │ ├── obj/ # 存放所有训练和验证的图片 │ │ ├── image1.jpg │ │ ├── image1.txt │ │ ├── image2.jpg │ │ └── image2.txt │ │ └── ... │ ├── train.txt # 列出所有训练图片的绝对路径 │ └── valid.txt # 列出所有验证图片的绝对路径 ├── cfg/ │ └── ... # 存放配置文件 └── backup/ # Darknet自动保存权重文件的目录训练时创建生成train.txt和valid.txt你需要编写一个简单的Python脚本将obj/目录下所有图片的绝对路径写入这两个文件并按照一定比例如8:2划分训练集和验证集。import os import random data_dir /path/to/your/my_project/data/obj image_files [f for f in os.listdir(data_dir) if f.endswith(.jpg)] random.shuffle(image_files) split_idx int(0.8 * len(image_files)) train_files image_files[:split_idx] valid_files image_files[split_idx:] with open(train.txt, w) as f: for img in train_files: f.write(os.path.join(data_dir, img) \n) with open(valid.txt, w) as f: for img in valid_files: f.write(os.path.join(data_dir, img) \n)将生成的train.txt和valid.txt放在data/目录下。4.3 配置文件的修改与解析Darknet需要三个核心配置文件数据描述文件、模型结构文件和超参数文件。1. 创建obj.data在data/目录下创建obj.data内容如下classes 2 # 你的目标类别数比如2类 train data/train.txt # 训练集列表路径 valid data/valid.txt # 验证集列表路径 names data/obj.names # 类别名称文件路径 backup backup/ # 权重保存目录这个文件告诉Darknet数据集的基本信息。2. 创建obj.names在data/目录下创建obj.names每行一个类别名顺序与标注时的类别索引对应。cat # 对应类别0 dog # 对应类别13. 修改模型配置文件Darknet提供了YOLOv3的配置文件cfg/yolov3.cfg。我们需要复制一份进行修改cp cfg/yolov3.cfg cfg/yolov3-custom.cfg用文本编辑器打开cfg/yolov3-custom.cfg需要修改以下几处[net]部分主要调整训练超参数。batch64每次迭代处理的图片数量。根据你的GPU内存调整内存小就调小如16, 32。subdivisions16表示将batch分成16次送入GPU防止内存溢出。如果遇到内存不足错误可以增大subdivisions如32, 64。width416和height416输入图片的尺寸。必须是32的倍数。416是常用尺寸也可尝试608以获得更高精度但更慢。max_batches最大迭代次数。经验公式max_batches classes * 2000但不少于4000。比如2个类别可以设为4000。steps学习率衰减的步数通常设为max_batches的80%和90%。例如steps3200,3600。修改三个[yolo]层之前的[convolutional]层在配置文件中搜索[yolo]在每个[yolo]层上方紧邻的[convolutional]层中找到filters参数。其计算公式为filters (classes 5) * 3。YOLOv3有三个检测层所以需要修改三处。对于2个类别filters (25)*3 21。修改三个[yolo]层在每个[yolo]层中将classes参数改为你的类别数2。重要提示网络结构文件里参数很多不要随意改动其他你不理解的参数尤其是卷积核大小size、步长stride等这可能会破坏网络结构。5. 模型训练启动GPU静待花开准备工作全部就绪最激动人心的训练环节来了。5.1 下载预训练权重与启动训练使用在ImageNet上预训练的Darknet-53卷积权重来初始化我们的网络除了最后的检测层这可以大大加快收敛速度并提升最终性能。这就是所谓的“迁移学习”。cd darknet wget https://pjreddie.com/media/files/darknet53.conv.74现在使用以下命令开始训练./darknet detector train data/obj.data cfg/yolov3-custom.cfg darknet53.conv.74 -map参数解释detector train: 执行检测器训练任务。data/obj.data: 指向我们的数据描述文件。cfg/yolov3-custom.cfg: 指向我们修改后的网络配置文件。darknet53.conv.74: 预训练权重路径。-map: 在训练过程中定期计算并显示平均精度均值mAP这是一个非常重要的评估指标建议始终加上。命令执行后你会看到终端开始疯狂刷日志。如果一切正常你会先看到网络结构的打印信息然后开始迭代训练输出类似以下的信息Region Avg IOU: 0.798362, Class: 0.999999, Obj: 0.000012, No Obj: 0.000134, .5R: 1.000000, .75R: 1.000000, count: 1 1: 450.123566, 450.123566 avg, 0.001000 rate, 5.234000 seconds, 64 images第一行是当前批次batch的损失项细分。第二行1是迭代次数450.123566是当前总损失450.123566 avg是平均损失这个值会随着训练下降0.001000是当前学习率5.234000 seconds是本次迭代耗时64 images是已处理的图片总数。训练过程观察损失值avg loss这是最直观的指标。它会从较高的值开始快速下降然后缓慢下降并最终趋于平稳。当其在较长时间内如几百次迭代波动很小说明模型可能收敛了。mAPMean Average Precision如果加了-map参数每训练一定轮次如4个epochDarknet会在验证集上计算一次mAP。这个值会逐步上升最终稳定在某个水平。它是衡量模型精度的核心指标。权重保存Darknet会每100次迭代保存一个中间权重yolov3-custom_100.weights每1000次迭代保存一个备份yolov3-custom_1000.weights并在最后保存最终权重yolov3-custom_final.weights。所有权重都保存在backup/目录中。5.2 训练过程监控与调参技巧训练通常需要数千甚至上万次迭代可能会持续数小时到数天。你可以通过观察损失曲线和mAP曲线来判断训练状态。如果训练不收敛或效果差可以检查以下几点学习率learning_rate在cfg文件的[net]部分。默认是0.001。如果损失值震荡剧烈或变成NaN说明学习率可能太大了可以尝试减小10倍如0.0001。如果损失下降极其缓慢可以适当增大谨慎操作。数据问题这是最常见的原因。检查标注是否正确框是否贴合、类别是否正确、train.txt和valid.txt路径是否正确、obj.names文件类别顺序是否与标注一致。批次大小batch如果GPU内存不足导致batch设的太小如1, 2可能会使训练不稳定。在内存允许的情况下尽量使用较大的batch如64。如果内存不够只能减小batch并相应增大subdivisions。网络输入尺寸width/height增大尺寸如从416到608可以检测更小的物体但会显著增加显存消耗和训练时间。如果你的目标物体普遍较小可以考虑增大尺寸。类别不平衡如果某个类别的样本数远少于其他类别模型可能学不好这个类别。可以考虑在数据层面进行过采样或者使用Focal Loss等策略Darknet原生不支持需修改源码。一个实用的技巧使用TensorBoard或自定义脚本绘制损失曲线。虽然Darknet终端输出日志但可视化更直观。你可以写一个简单的Python脚本解析训练日志文件如果重定向了输出或直接读取终端输出的损失值用Matplotlib画图。6. 模型评估、测试与应用训练完成后我们需要看看这个亲手打造的模型到底表现如何。6.1 模型性能评估使用保存的最佳权重通常是mAP最高的那个或者最终的final.weights在验证集上计算全面的指标./darknet detector map data/obj.data cfg/yolov3-custom.cfg backup/yolov3-custom_best.weights这个命令会输出每个类别的精确率Precision、召回率Recall、平均精度AP以及所有类别的平均精度均值mAP。mAP0.5即IoU阈值为0.5时的mAP是最常用的评估指标。一般来说对于自定义数据集mAP能达到0.7以上就算不错0.8以上就很好了具体取决于任务的难度。6.2 单张图片测试最直接的感受就是拿一张新图片看看检测效果./darknet detector test data/obj.data cfg/yolov3-custom.cfg backup/yolov3-custom_best.weights test_image.jpg执行后程序会提示你输入图片路径如果你没在命令中指定然后会加载模型进行推理并在屏幕上显示带有检测框和置信度的图片同时生成一个predictions.jpg文件。6.3 实时摄像头或视频流测试如果你想在视频或摄像头上实时运行检测可以使用./darknet detector demo data/obj.data cfg/yolov3-custom.cfg backup/yolov3-custom_best.weights -c 0 # -c 0 代表摄像头0 # 或者测试视频文件 ./darknet detector demo data/obj.data cfg/yolov3-custom.cfg backup/yolov3-custom_best.weights test_video.mp4这会打开一个窗口实时显示检测结果。按ESC键退出。6.4 模型优化与后续步骤得到一个基础模型只是开始你还可以进行以下优化早停Early Stopping观察验证集mAP当其在连续多个评估周期内不再上升时就可以停止训练防止过拟合。数据增强Data AugmentationDarknet的配置文件cfg文件的[net]部分有一些内置的数据增强参数如hue.1,saturation.75,exposure.75,angle0。可以适当调整这些参数来增加数据多样性提升模型泛化能力。注意增强不宜过强否则可能让模型难以学习。多尺度训练Multi-Scale Training在cfg文件中设置random1Darknet会在训练过程中随机改变输入图片的尺寸在32的倍数范围内这有助于模型适应不同大小的目标。模型剪枝与量化为了部署到移动端或嵌入式设备可以对训练好的模型进行剪枝移除不重要的神经元连接和量化将权重从FP32转换为INT8以大幅减少模型体积和提升推理速度。但这通常需要额外的工具和步骤。7. 常见问题与排查技巧实录在实际操作中你几乎一定会遇到各种报错和意外情况。下面是我总结的一些典型问题及其解决方法希望能帮你快速排雷。7.1 编译与环境类问题问题1make编译时出现fatal error: cudnn.h: No such file or directory原因cuDNN头文件没有被正确找到。解决检查Makefile中CUDNN_PATH是否正确指向了你的cuDNN安装目录。或者确保你已经按照前文步骤将cuDNN的头文件cudnn.h复制到了CUDA的include目录下如/usr/local/cuda-11.7/include。问题2运行./darknet时提示CUDA Error: out of memory原因GPU显存不足。解决减小cfg文件中的batch大小。增大subdivisions让每个batch分更多次送入GPU。减小网络输入尺寸width和height如从608降到416。使用nvidia-smi命令查看是否有其他进程占用了大量显存并结束它们。问题3训练时损失值loss很快变成nan原因学习率过高、数据标注有严重错误如坐标超出0-1范围、或数据集中存在损坏的图片。解决首要检查数据写一个脚本检查所有.txt标注文件确保每一行的5个数字都在0到1之间。检查图片文件是否能被正常打开。降低学习率将cfg文件中的learning_rate除以10如从0.001改为0.0001。如果使用了预训练权重确保其与你的网络结构匹配尤其是修改了类别数后。7.2 数据与训练类问题问题4训练了很久损失值不再下降mAP也很低例如低于0.3原因学习率可能太小、模型容量不足对于复杂任务、或者最可能的是数据有问题。解决彻底检查数据这是最高效的排查方向。随机抽取几十张训练集图片和对应的标签用脚本或工具可视化一下看看框画得对不对、类别对不对。确保obj.names中的类别顺序与标注文件中的类别索引完全一致。检查配置文件确认cfg文件中三个[yolo]层前的filters参数是否按(classes5)*3正确修改了。尝试增大网络容量对于较复杂的目标可以尝试使用更大的基础网络如将cfg文件中的[net]部分height和width改为608但这会消耗更多资源。增加数据量或数据增强。问题5模型只检测到部分类别或者某个类别完全检测不到原因类别不平衡某个类别的样本数量远少于其他类别。解决收集更多该类别的数据。对该类别的图片进行数据增强旋转、裁剪、颜色抖动等人工增加其样本数量。在损失函数层面Darknet原生支持focal loss需要修改源码对于新手较复杂。一个更简单的方法是在标注时如果某个目标很小可以适当将其框画大一点增加其在损失计算中的权重但这属于技巧需谨慎。问题6训练中断后如何继续训练原因训练过程意外停止。解决使用上次保存的权重文件继续训练。./darknet detector train data/obj.data cfg/yolov3-custom.cfg backup/yolov3-custom_last.weights -map注意这里加载的是last.weights或某个中间权重而不是最初的预训练权重darknet53.conv.74。程序会自动从上次的迭代次数开始继续训练。7.3 推理与应用类问题问题7测试图片时检测框置信度都很低例如普遍低于0.5原因模型可能欠拟合没有学好或者测试图片的分布与训练集差异太大域差异。解决检查训练集的mAP。如果训练集上mAP就很低说明模型没学好需要回到训练环节排查。如果训练集mAP高但测试集低可能是过拟合。可以尝试增加数据增强的强度或者在训练时使用验证集早停。调整检测时的置信度阈值。在测试命令中可以加-thresh参数例如-thresh 0.25将阈值从默认的0.25降低可能会检出更多目标但误检也会增加。问题8想用Python调用训练好的模型怎么办原因Darknet原生是C/C但可以通过其动态库接口被Python调用。解决编译时确保Makefile中设置了LIBSO1这会生成libdarknet.so动态库。然后可以使用Darknet官方提供的Python示例darknet.py或第三方封装如darknet-python来加载模型并进行推理。这需要一些Python Ctypes的知识。整个流程走下来你会发现训练一个自己的YOLOv3模型就像完成一个精细的工程项目环环相扣。从环境配置的耐心到数据标注的细致再到参数调试的纠结每一步都充满挑战但每一步的突破也带来实实在在的成就感。当看到模型准确地识别出你标注的目标时那种感觉是无与伦比的。这套流程不仅适用于YOLOv3其核心思想——环境准备、数据工程、模型训练与调优——是贯穿所有深度学习项目的通用法则。希望这篇超详细的指南能成为你CV实战路上的一块坚实垫脚石。