🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Claude 随心用，限时 5 折。 👉 点击领海量免费额度

这次我们来看一个硬核的动手项目：如何用 YOLO 目标检测与追踪技术，结合伺服电机和云台，自制一个能自动识别并追踪目标的 AI 摄像机。这个项目不是简单的软件演示，而是从硬件组装、模型训练到软件控制的完整闭环。如果你对计算机视觉、嵌入式控制和 AI 应用集成感兴趣，这篇文章将带你一步步实现它。

项目的核心思路很清晰：利用 YOLO 模型实时分析摄像头画面，识别出目标（比如人、车、宠物）并计算出其在画面中的位置坐标。然后，通过一个控制程序，将这些坐标转换为云台伺服电机的控制指令，驱动摄像头转动，让目标始终保持在画面中央。整个过程完全自动化，无需人工干预。

这个 DIY 项目的价值在于，它打通了从 AI 算法到物理执行器的链路。你不仅会用到最新的 YOLO 多目标追踪技术（如 BoT-SORT、ByteTrack），还需要处理串口通信、PID 控制等硬件交互知识。无论是用于智能监控、自动跟拍，还是作为机器人视觉模块，都是一个极佳的学习和实践案例。接下来，我们将从核心能力、硬件选型、软件部署到最终联调，详细拆解整个实现过程。

1. 核心能力速览

在开始动手前，我们先快速了解这个“AI 自动追踪摄像机”项目能做什么，以及你需要准备什么。

2. 适用场景与使用边界

这个项目适合谁？

• 计算机视觉学习者：想深入了解目标检测、多目标追踪 (MOT) 算法如何与硬件结合。
• 嵌入式开发爱好者：希望用 Python/Arduino 实现软硬件交互，控制电机。
• 创客/极客：热衷于打造个性化的智能硬件，如自动追踪宠物的摄像头、自动演讲跟踪器。
• 教育/研究机构：用于演示 AI 感知-决策-控制的完整流程。

它能解决什么问题？

1. 动态目标持续锁定：在视频流中，即使目标短暂被遮挡或快速移动，也能保持 ID 一致并持续追踪。
2. 硬件自动反馈控制：将 AI 的“感知”结果（目标坐标）实时转化为“动作”（电机转动），形成闭环。
3. 低成本原型验证：用相对廉价的硬件（几百元）验证自动追踪概念，无需购买昂贵的商用云台摄像机。

不适合什么场景？

1. 绝对安全关键场景：如自动驾驶、精密工业检测。本项目是原型，延迟和可靠性未经过严格认证。
2. 极端光照或恶劣环境：复杂光线、雨雪天气会严重影响摄像头成像和 YOLO 检测精度。
3. 需要 7x24 小时无人值守稳定运行：DIY 项目在长期运行稳定性上可能不及商业产品。

版权、隐私与安全边界

• 模型使用：YOLO 是开源模型，可用于个人学习和非商业项目。若用于商业产品，请注意 Ultralytics 的许可证协议 (AGPL-3.0)。
• 隐私保护：该系统处理视频流，切勿在未经他人同意的情况下在私人或公共空间进行录制和追踪，这涉及严重的隐私和法律问题。请在明确授权的、可控的测试环境（如自家书房、实验室）中进行。
• 硬件安全：确保云台固定牢固，电机扭矩设置合理，避免转动时拉扯线缆或造成机械损伤。调试时远离人脸和易碎品。

3. 环境准备与前置条件

开始编码前，请确保你的软硬件环境就绪。

3.1 硬件清单与组装

1. 计算设备：
   • 主控电脑：一台装有 Windows/Linux/macOS 的电脑。推荐使用带有 NVIDIA GPU 的电脑以获得最佳实时性能。集显或 CPU 也可运行，但帧率会受限。
   • 微控制器（可选但推荐）：用于生成精确的 PWM 信号控制舵机。常见选择：
     • Arduino Uno/Nano：成本低，易于编程，通过 USB 串口与电脑通信。
     • 树莓派 Pico：性价比高，原生支持 MicroPython/CircuitPython。
     • 树莓派 4B/5：可直接运行 Python 和 OpenCV，实现“All in One”，但电机控制精度可能不如专用单片机。
2. 视觉与云台：
   • 摄像头：普通的 USB 网络摄像头即可，分辨率 720p 或 1080p。确保帧率在 30fps 左右。
   • 二维云台：包含两个自由度（俯仰和偏航）的云台套件。通常包含两个舵机（如 SG90、MG996R）和云台支架。
   • 舵机驱动板（如果使用 Arduino）：如 PCA9685，这是一个 I2C 接口的 16 通道 PWM 舵机驱动板，可以精确控制多个舵机。
   • 连接线：杜邦线（公对公、公对母）若干。
   • 电源：为舵机单独供电（通常需要 5V-6V，2A 以上的电源），切勿直接从 Arduino 的 5V 引脚取电给大扭矩舵机，可能导致板子损坏。
3. 组装步骤：
   1. 将摄像头固定在云台顶部的平台上。
   2. 将两个舵机分别安装到云台的偏航（左右转）和俯仰（上下转）轴。
   3. 将舵机信号线连接到 PCA9685 驱动板的 PWM 输出通道（例如 Channel 0 和 Channel 1）。
   4. 将 PCA9685 的 VCC、GND、SDA、SCL 连接到 Arduino 的对应引脚（5V, GND, A4/SDA, A5/SCL）。
   5. 为 PCA9685 和舵机连接外部电源（共地）。
   6. 将 Arduino 通过 USB 线连接到电脑。
   7. 将 USB 摄像头连接到电脑。

3.2 软件环境安装

在电脑上配置 Python 环境：

# 1. 创建并激活虚拟环境 (推荐) conda create -n ai-tracker python=3.10 conda activate ai-tracker # 或使用 venv python -m venv ai-tracker source ai-tracker/bin/activate # Linux/macOS ai-tracker\Scripts\activate # Windows # 2. 安装核心AI与视觉库 pip install ultralytics opencv-python opencv-contrib-python # 3. 安装硬件通信库 pip install pyserial # 用于与 Arduino 串口通信 # 如果需要使用 PCA9685，在电脑端通常不需要额外库，控制逻辑在 Arduino。 # 4. 安装其他可能用到的工具库 pip install numpy matplotlib

验证 Ultralytics YOLO 安装：

from ultralytics import YOLO model = YOLO('yolo26n.pt') print(model.info()) # 如果能打印出模型信息，说明安装成功

4. 软件部分：YOLO 追踪与云台控制逻辑

这是项目的核心代码部分。我们将分模块构建。

4.1 Arduino 端代码 (云台控制)

首先，在 Arduino IDE 中编写代码，烧录到 Arduino 板子上。这段代码负责从串口读取指令，并控制 PCA9685 驱动舵机。

#include <Wire.h> #include <Adafruit_PWMServoDriver.h> // 初始化 PCA9685 对象 Adafruit_PWMServoDriver pwm = Adafruit_PWMServoDriver(); // 定义舵机通道 #define SERVO_PAN_CHANNEL 0 // 偏航舵机（左右） #define SERVO_TILT_CHANNEL 1 // 俯仰舵机（上下） // 舵机脉宽范围（微秒），根据你的舵机规格调整 #define SERVOMIN 150 #define SERVOMAX 600 // 初始化舵机角度 int panAngle = 90; // 初始居中，范围 0-180 int tiltAngle = 90; void setup() { Serial.begin(115200); // 设置串口波特率，与Python端匹配 pwm.begin(); pwm.setPWMFreq(50); // 舵机控制频率通常为50Hz // 初始位置居中 setServoAngle(SERVO_PAN_CHANNEL, panAngle); setServoAngle(SERVO_TILT_CHANNEL, tiltAngle); delay(1000); } void loop() { // 监听串口指令 if (Serial.available() > 0) { String command = Serial.readStringUntil('\n'); command.trim(); // 指令格式期望为: "P,100" 或 "T,80"，分别控制 Pan 和 Tilt int commaIndex = command.indexOf(','); if (commaIndex != -1) { char axis = command.charAt(0); int targetAngle = command.substring(commaIndex + 1).toInt(); // 限制角度范围 targetAngle = constrain(targetAngle, 0, 180); if (axis == 'P') { panAngle = targetAngle; setServoAngle(SERVO_PAN_CHANNEL, panAngle); } else if (axis == 'T') { tiltAngle = targetAngle; setServoAngle(SERVO_TILT_CHANNEL, tiltAngle); } } } } // 将角度（0-180）转换为 PCA9685 可用的脉宽值 void setServoAngle(int channel, int angle) { int pulse = map(angle, 0, 180, SERVOMIN, SERVOMAX); pwm.setPWM(channel, 0, pulse); }

4.2 Python 端主控程序

这是运行在电脑上的主程序，它执行 YOLO 检测追踪，并计算控制指令发送给 Arduino。

import cv2 import serial import threading import time from collections import defaultdict from ultralytics import YOLO import numpy as np class AITrackingCamera: def __init__(self, com_port='COM3', baudrate=115200, camera_id=0, model_name='yolo26n.pt', tracker='botsort.yaml'): """ 初始化 AI 追踪摄像机 :param com_port: Arduino 串口，Windows 为 'COM3'，Linux/macOS 为 '/dev/ttyUSB0' 或 '/dev/ttyACM0' :param baudrate: 串口波特率，需与 Arduino 程序一致 :param camera_id: 摄像头设备ID，0 为默认摄像头 :param model_name: YOLO 模型路径或名称，如 'yolo26n.pt' :param tracker: 追踪器配置文件，如 'botsort.yaml', 'bytetrack.yaml' """ # 初始化串口连接 try: self.ser = serial.Serial(com_port, baudrate, timeout=1) time.sleep(2) # 等待串口初始化 print(f"[INFO] 已连接到串口 {com_port}") except Exception as e: print(f"[ERROR] 无法打开串口 {com_port}: {e}") self.ser = None # 初始化摄像头 self.cap = cv2.VideoCapture(camera_id) if not self.cap.isOpened(): raise IOError(f"无法打开摄像头 {camera_id}") self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) # 设置分辨率，可根据性能调整 self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) print(f"[INFO] 摄像头 {camera_id} 已就绪") # 加载 YOLO 模型和追踪器 self.model = YOLO(model_name) self.tracker_config = tracker print(f"[INFO] 已加载模型 {model_name} 和追踪器 {tracker}") # 追踪历史记录，用于绘制轨迹 self.track_history = defaultdict(lambda: []) # 云台控制参数 self.frame_center_x = 320 # 假设帧宽640，中心点x坐标 self.frame_center_y = 240 # 假设帧高480，中心点y坐标 self.pan_angle = 90 # 初始角度，居中 self.tilt_angle = 90 self.pid_pan = PID(kp=0.5, ki=0.01, kd=0.05) # 简单的PID控制器，参数需调试 self.pid_tilt = PID(kp=0.5, ki=0.01, kd=0.05) # 选择追踪的目标类别 (COCO数据集类别索引) self.target_class_ids = [0] # 0: 'person'，可以改为其他，如 [2] 为车， [16] 为狗 # 运行标志 self.running = True def send_servo_command(self, axis, angle): """通过串口发送舵机控制指令""" if self.ser and self.ser.is_open: command = f"{axis},{angle}\n" self.ser.write(command.encode()) # print(f"[DEBUG] 发送指令: {command.strip()}") def calculate_control(self, bbox_center_x, bbox_center_y): """ 根据目标边界框中心点计算云台需要调整的角度。 使用简单的比例控制，将像素误差转换为角度调整量。 """ # 计算目标中心与画面中心的误差（像素） error_x = bbox_center_x - self.frame_center_x error_y = bbox_center_y - self.frame_center_y # 使用 PID 控制器计算角度调整量（这里简化，直接使用比例控制） # 更复杂的系统可以使用完整的 PID 或滤波算法 angle_adjust_x = self.pid_pan.update(error_x) angle_adjust_y = self.pid_tilt.update(error_y) # 更新目标角度，并限制在0-180度范围内 new_pan_angle = int(self.pan_angle - angle_adjust_x * 0.1) # 系数需要根据云台实际转动速度调整 new_tilt_angle = int(self.tilt_angle + angle_adjust_y * 0.1) # Y轴方向可能相反 new_pan_angle = max(0, min(180, new_pan_angle)) new_tilt_angle = max(0, min(180, new_tilt_angle)) # 如果角度变化超过阈值，则发送指令 if abs(new_pan_angle - self.pan_angle) > 1 or abs(new_tilt_angle - self.tilt_angle) > 1: self.pan_angle = new_pan_angle self.tilt_angle = new_tilt_angle self.send_servo_command('P', self.pan_angle) self.send_servo_command('T', self.tilt_angle) return new_pan_angle, new_tilt_angle def run_tracking(self): """主循环：捕获帧，运行YOLO追踪，计算控制指令并显示""" print("[INFO] 开始追踪，按 'q' 键退出。") while self.running: success, frame = self.cap.read() if not success: print("[WARNING] 无法从摄像头读取帧。") break # 运行 YOLO 追踪 results = self.model.track(frame, persist=True, tracker=self.tracker_config, verbose=False) # 获取追踪结果 if results[0].boxes is not None and results[0].boxes.id is not None: boxes = results[0].boxes.xyxy.cpu().numpy() # 边界框 [x1, y1, x2, y2] track_ids = results[0].boxes.id.cpu().numpy().astype(int) class_ids = results[0].boxes.cls.cpu().numpy().astype(int) confidences = results[0].boxes.conf.cpu().numpy() # 选择要追踪的目标（例如，选择置信度最高的人） target_idx = None max_conf = 0 for i, (cls_id, conf) in enumerate(zip(class_ids, confidences)): if cls_id in self.target_class_ids and conf > max_conf: max_conf = conf target_idx = i if target_idx is not None: # 获取目标边界框中心 x1, y1, x2, y2 = boxes[target_idx] bbox_center_x = int((x1 + x2) / 2) bbox_center_y = int((y1 + y2) / 2) track_id = track_ids[target_idx] # 计算并发送云台控制指令 pan_angle, tilt_angle = self.calculate_control(bbox_center_x, bbox_center_y) # 在帧上绘制信息 label = f"ID:{track_id} Pan:{pan_angle} Tilt:{tilt_angle}" cv2.circle(frame, (bbox_center_x, bbox_center_y), 5, (0, 255, 0), -1) cv2.putText(frame, label, (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) # 更新并绘制轨迹 track = self.track_history[track_id] track.append((bbox_center_x, bbox_center_y)) if len(track) > 30: track.pop(0) points = np.array(track, dtype=np.int32).reshape((-1, 1, 2)) cv2.polylines(frame, [points], isClosed=False, color=(0, 255, 255), thickness=2) # 在画面中心画一个十字 cv2.drawMarker(frame, (self.frame_center_x, self.frame_center_y), (255, 0, 0), cv2.MARKER_CROSS, 20, 2) # 显示帧 annotated_frame = results[0].plot() # 使用 Ultralytics 内置绘图功能 cv2.imshow('AI Tracking Camera', annotated_frame) # 按键退出 if cv2.waitKey(1) & 0xFF == ord('q'): self.running = False break self.release() def release(self): """释放资源""" self.running = False if self.cap: self.cap.release() cv2.destroyAllWindows() if self.ser and self.ser.is_open: self.ser.close() print("[INFO] 资源已释放。") # 一个简单的 PID 控制器类（简化版，仅用于演示） class PID: def __init__(self, kp, ki, kd): self.kp = kp self.ki = ki self.kd = kd self.prev_error = 0 self.integral = 0 def update(self, error): self.integral += error derivative = error - self.prev_error output = self.kp * error + self.ki * self.integral + self.kd * derivative self.prev_error = error return output if __name__ == "__main__": # 配置参数：请根据你的实际设置修改！ COM_PORT = 'COM3' # Windows 示例 # COM_PORT = '/dev/ttyUSB0' # Linux 示例 CAMERA_ID = 0 # 通常 0 是内置摄像头，1 是外接USB摄像头 MODEL_NAME = 'yolo26n.pt' # 也可以尝试 'yolo26s.pt' 等 TRACKER_CONFIG = 'botsort.yaml' # 可选：'bytetrack.yaml', 'ocsort.yaml' tracker_cam = AITrackingCamera(com_port=COM_PORT, camera_id=CAMERA_ID, model_name=MODEL_NAME, tracker=TRACKER_CONFIG) try: tracker_cam.run_tracking() except KeyboardInterrupt: tracker_cam.release()

4.3 代码关键点解析

1. 模型与追踪器加载：YOLO(model_name)加载检测模型，.track(..., tracker=tracker_config)启用指定追踪器。追踪器负责在视频帧之间维持目标 ID。
2. 目标选择策略：代码中选择了置信度最高的“人”作为追踪目标 (target_class_ids = [0])。你可以修改为追踪车、狗等，或实现多目标中选择最近/最大的目标等更复杂的策略。
3. 控制逻辑：calculate_control函数实现了最简单的比例控制。误差是目标中心与画面中心的像素差。angle_adjust * 0.1是一个比例系数，需要根据你的云台转动速度、摄像头视野和电机响应速度进行实地调试。更优的方案是使用完整的 PID 控制器。
4. 串口通信：指令格式为P,角度值和T,角度值，以换行符\n结束，与 Arduino 代码匹配。
5. 可视化：使用 OpenCV 绘制目标中心点、轨迹线和云台角度信息，便于调试。

5. 功能测试与效果验证

部署完硬件和软件后，按以下步骤进行测试。

5.1 分步测试流程

1. 硬件独立测试：

   • 烧录 Arduino 代码后，打开串口监视器（波特率 115200）。
   • 手动发送P,45和T,135等指令，观察云台是否正确转动到指定角度。确保转动平滑且范围正确（0-180度）。

2. YOLO 检测与追踪测试（不连接硬件）：

   • 暂时注释掉 Python 代码中与串口相关的行（self.ser.write）。
   • 运行主程序，确保摄像头能打开，并且 YOLO 能正确检测并追踪到人。观察画面中的边界框、ID 和轨迹线是否正常显示。
   • 尝试在AITrackingCamera初始化时更换不同的tracker参数（如bytetrack.yaml），观察不同追踪器在目标遮挡、快速移动时的表现差异。

3. 集成联调：

   • 恢复串口代码，确保 Arduino 已连接。
   • 运行完整程序。让人在摄像头前移动。
   • 观察：摄像头画面中的十字中心是否试图跟随目标中心？云台是否随之转动？
   • 调试控制参数：如果云台转动过于剧烈（震荡）或过于缓慢（跟不上），需要调整PID类中的kp,ki,kd参数，以及calculate_control函数中的比例系数0.1。

5.2 预期效果与成功标准

• 成功标准 1（检测追踪）：画面中人物被稳定框出，且 ID 在短时间内保持恒定，即使有短暂遮挡或交叉，ID 交换频率较低。
• 成功标准 2（云台响应）：当人物横向移动时，偏航（Pan）舵机应带动云台左右转动，试图将人物保持在画面水平中央。当人物纵向移动时，俯仰（Tilt）舵机应上下转动。
• 成功标准 3（闭环稳定）：系统应能形成一个稳定的负反馈闭环。目标左移 -> 云台左转 -> 目标在画面中右移（相对）-> 误差减小 -> 云台减速直至停止。整个过程应平滑，无持续振荡。

5.3 常见失败原因排查

6. 追踪器选型与高级配置

根据网络搜索材料，Ultralytics YOLO 提供了多种追踪器。在云台追踪场景下，选择合适的追踪器至关重要。

6.1 如何选择追踪器？

参考官方指南，并结合云台追踪场景：

• ByteTrack：最轻量，开销最小。适合背景简单、目标运动平缓的静态摄像头场景。如果你的摄像头固定不动，只是目标在动，可以优先尝试 ByteTrack。
• BoT-SORT（默认）：在 ByteTrack 基础上增加了摄像机运动补偿 (CMC)。这正好适合我们的场景！因为云台转动时，摄像头本身就在运动。BoT-SORT 能更好地处理这种全局运动，是移动云台摄像机的推荐起点。
• OC-SORT：擅长处理非线性、突然变向的运动（如体育比赛）。如果追踪目标经常做不规则运动，可以尝试。
• Deep OC-SORT / TrackTrack：在拥挤、遮挡严重的场景下表现更好，ID 交换更少。但计算开销稍大。如果追踪单个目标，前三个通常足够。

建议：在AITrackingCamera初始化时，通过tracker='botsort.yaml'参数进行切换测试。

6.2 自定义追踪器参数

你可以复制 Ultralytics 的追踪器配置文件并修改，以适应你的场景。例如，创建my_botsort.yaml：

# my_botsort.yaml tracker_type: botsort track_high_thresh: 0.25 # 高置信度检测阈值，降低可检测更模糊目标 track_low_thresh: 0.1 # 低置信度检测阈值 new_track_thresh: 0.3 # 初始化新轨迹的阈值 track_buffer: 60 # 轨迹保留帧数，应对遮挡，云台场景可适当增大 match_thresh: 0.8 # 匹配阈值 fuse_score: True gmc_method: sparseOptFlow # 摄像机运动补偿方法，对云台至关重要 proximity_thresh: 0.5 appearance_thresh: 0.25 with_reid: False # 除非追踪多人且频繁交叉，否则关闭以节省资源

然后在代码中加载：

TRACKER_CONFIG = 'path/to/my_botsort.yaml'

6.3 启用重识别 (ReID) 以应对严重遮挡

如果追踪的目标（如特定的人）会长时间被遮挡，可以启用 ReID。在配置文件中设置with_reid: True，并使用model: auto或指定一个 ReID 模型（如yolo26n-reid.onnx）。注意，这会增加计算量。

7. 性能优化与资源占用

• 模型选择：yolo26n.pt(纳米) 速度最快，显存占用约 1-2GB，精度尚可。yolo26s.pt(小) 精度更高，显存占用增加。在 Jetson Nano 或树莓派 5 上，可能只能流畅运行 Nano 版本。
• 分辨率与帧率：代码中设置了640x480。降低分辨率（如320x240）可大幅提升帧率，但会降低检测距离和精度。可以在cv2.VideoCapture后使用cv2.resize进一步缩放。
• CPU vs GPU：如果没有 GPU，Ultralytics 会自动回退到 CPU 推理。CPU 推理速度会慢很多，可能导致云台控制延迟过高。务必在性能足够的设备上运行。
• 多线程：如果未来需要处理多个摄像头，可以参考网络材料中的多线程示例，将每个摄像头的处理放在独立线程中。

8. 项目扩展与下一步

这个基础项目可以朝多个方向扩展：

1. 多目标选择策略：当前是追踪置信度最高的目标。可以改为追踪画面中最大的目标、最近的目标，或者通过点击画面选择目标。
2. 更先进的控制算法：用更完整的 PID 控制器，甚至引入滤波（如卡尔曼滤波）来预测目标运动，使云台运动更平滑。
3. 集成到机器人系统：将本程序作为一个 ROS2 节点，发布目标位置话题，供其他导航或决策节点使用。
4. 添加网络功能：使用 Flask 或 FastAPI 包裹一个 Web API，可以远程查看画面、选择追踪目标、控制云台。
5. 使用树莓派作为主控：将整个 Python 程序移植到树莓派上，配合树莓派摄像头，实现真正的嵌入式独立设备。需要注意树莓派的算力可能只支持 YOLO 的 Nano 版本。

9. 总结

这个“自制 AI 自动追踪摄像机”项目成功地将前沿的 YOLO 多目标追踪算法与传统的硬件控制结合起来。你不仅学会了如何使用 Ultralytics YOLO 的多种追踪器，还掌握了通过串口控制舵机云台的方法。

最值得尝试的点：体验从 AI 感知到物理执行的完整链路。调试 PID 参数让云台平稳追踪的过程，是理解控制理论的绝佳实践。

最先应该验证的功能：确保 YOLO 检测追踪单独工作正常，再单独测试云台串口控制，最后进行集成。分步调试是成功的关键。

最容易踩的坑：

1. 电源问题：舵机务必外接供电，否则 Arduino 可能重启或烧毁。
2. 控制参数：PID 参数需要耐心调试，从很小的kp开始。
3. 追踪器选择：对于运动的云台，务必使用带摄像机运动补偿 (CMC) 的追踪器，如 BoT-SORT。
4. 延迟：整个系统的延迟（摄像头采集、推理、计算、串口通信、电机响应）会影响追踪效果。在代码中打印帧率 (FPS)，并尝试优化每一步。

这个项目代码和思路已经为你搭好了骨架，剩下的就是动手组装、调试和优化。建议收藏本文，在实践过程中随时回头查阅各个模块的配置和问题排查方法。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Claude 随心用，限时 5 折。 👉 点击领海量免费额度