🔥【毕设神器】Python数据可视化实战：10张高级图表让你的论文颜值爆表！（附完整源码+300DPI高清图）

文章目录

📌 引言

作者：笙囧同学 | 中科院计算机专业研究生 | 专注于数据分析与可视化、Python自动化开发 | 已落地20+计算机实战项目，承接毕设/外包（Python/Java/C++/深度学习/大模型等）

🎯 你是否遇到过这些痛点？

做毕业设计、学术论文、数据分析报告时，你是否被这些问题卡壳？

😫 常见痛点💡 具体表现
① 图表丑陋Excel默认图表太LOW，期刊要求专业级可视化
② 中文乱码Matplotlib生成图表中文显示成方块
③ 分辨率低72DPI图表放大后模糊，达不到发表要求
④ 配色灾难红配绿、彩虹色，审稿人直接退稿
⑤ 图表类型单一只会画柱状图、折线图，缺乏创新

🚀 本项目亮点

我主导开发的**「双泉村戏曲空间调查数据高级可视化系统」，正是针对这些痛点，基于Python 3.x + Matplotlib + Seaborn + NetworkX**，实现了：

✅ 10张高级专业图表（热力图、网络图、雷达图、蝴蝶图等）
✅ 300 DPI高分辨率，符合SCI/CSSCI/北大核心期刊发表标准
✅ 完美中文支持，零乱码
✅ 学术规范配色，RdBu_r/coolwarm等专业配色方案
✅ 即插即用，毕设/论文直接复用！

📖 阅读指引

本文用MD富格式完整呈现项目全流程，含6大模块：

技术栈选型 → 架构设计 → 核心模块拆解 → 代码实现 → 性能优化 → 实操指南

文末附全套资源获取方式+外包/毕设承接详情，所有代码、图表可直接复制复用～

🛠️ 模块1：项目背景与技术选型

为什么做这个项目？

在做社会调查数据分析、相关性研究时，核心需求是：

  • 将复杂的相关性矩阵（12×12、16×16）可视化
  • 将社会调查频数数据转化为直观图表
  • 满足毕设/论文**“高创新性+易实现+专业美观”**要求

技术选型对比

技术方案优点缺点最终选择
Excel简单易用图表丑陋、定制性差❌
Tableau交互性强收费、无法批量生成❌
R+ggplot2统计功能强学习成本高❌
Python+Matplotlib+Seaborn免费、定制性强、生态丰富需要编程基础✅
Python+NetworkX网络关系图专业仅限网络图✅

最终技术栈：

Python 3.x + Pandas + NumPy + Matplotlib + Seaborn + NetworkX

🏗️ 模块2：系统架构设计

项目采用数据-处理-可视化三层架构，整体架构图如下：

graph TB
    subgraph 数据层
        A[表4-16 戏曲空间相关性<br/>12×12矩阵] 
        B[表4-17 视觉景观相关性<br/>16×16矩阵]
        C[表4-18 空间关系相关性<br/>8×8矩阵]
        D[图4-23/24 社会调查数据]
    end
    
    subgraph 处理层
        E[Pandas数据处理]
        F[NumPy矩阵运算]
        G[相关系数计算]
    end
    
    subgraph 可视化层
        H[热力图 Heatmap]
        I[网络图 Network]
        J[雷达图 Radar]
        K[蝴蝶图 Butterfly]
        L[甜甜圈图 Donut]
    end
    
    subgraph 输出层
        M[10张PNG图表<br/>300DPI]
        N[学术论文]
        O[毕业设计]
    end
    
    A --> E
    B --> E
    C --> E
    D --> E
    E --> F --> G
    G --> H & I & J & K & L
    H & I & J & K & L --> M
    M --> N & O

架构设计核心思路

  1. 高内聚低耦合：每个可视化脚本独立运行，便于维护与扩展
  2. 渐进式设计：基础版→增强版→超级增强版，满足不同需求
  3. 学术导向：所有设计以论文发表为目标，配色、分辨率、字体均符合学术规范

🔧 模块3：核心模块技术拆解

项目核心模块共5个，以下拆解关键模块的实现逻辑与代码：

3.1 热力图模块（Heatmap）

功能描述：将12×12、16×16相关性矩阵可视化，清晰展示变量间的相关关系
技术难点：中文字体支持、配色方案选择、标注自动适配

实现流程图：
原始数据
构建DataFrame
设置中文字体
创建Figure
绘制热力图
添加数值标注
保存300DPI

核心代码（高亮显示）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib import rcParams

# 🔥 关键：设置中文字体，解决乱码问题
rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
rcParams['axes.unicode_minus'] = False
plt.rcParams['figure.dpi'] = 300  # 300DPI高分辨率

def plot_correlation_heatmap(data, title, filename):
    """
    绘制相关性热力图
    :param data: 相关性矩阵DataFrame
    :param title: 图表标题
    :param filename: 保存文件名
    """
    fig, ax = plt.subplots(figsize=(12, 10))
    
    # 🔥 核心：使用RdBu_r配色，中心为0
    sns.heatmap(data, 
                annot=True,           # 显示数值
                fmt='.2f',            # 保留2位小数
                cmap='RdBu_r',        # 红蓝配色（学术规范）
                center=0,             # 中心值为0
                vmin=-1, vmax=1,      # 范围-1到1
                square=True,          # 正方形单元格
                linewidths=0.5,       # 网格线宽度
                cbar_kws={'shrink': 0.8},
                ax=ax)
    
    ax.set_title(title, fontsize=14, fontweight='bold', pad=15)
    plt.tight_layout()
    plt.savefig(filename, dpi=300, bbox_inches='tight')
    plt.close()
    
    print(f"✓ {filename} 已保存")

关键技术点：

技术点说明作用
rcParams['font.sans-serif']设置中文字体为SimHei解决中文乱码
cmap='RdBu_r'红蓝配色方案学术规范，正负相关清晰
center=0中心值为0突出正负相关的分界线
dpi=300300DPI分辨率符合SCI期刊发表标准
bbox_inches='tight'紧凑布局去除多余空白

效果展示：
在这里插入图片描述

3.2 网络关系图模块（Network Graph）

功能描述：将相关性矩阵转化为网络图，节点表示变量，边表示相关关系
技术亮点：采用Spring Layout算法自动布局，只显示强相关关系（|r|>0.3）

实现逻辑：

数据矩阵 NetworkX图对象 布局算法 可视化 构建图（节点+边） 过滤弱相关（|r|<0.3） Spring Layout布局 计算节点坐标 绘制节点（大小=度数） 绘制边（宽度=相关系数） 添加标签 数据矩阵 NetworkX图对象 布局算法 可视化

核心代码：

import networkx as nx

def plot_network_graph(corr_matrix, title, filename, threshold=0.3):
    """
    绘制网络关系图
    :param corr_matrix: 相关性矩阵
    :param threshold: 相关系数阈值（只显示>threshold的关系）
    """
    fig, ax = plt.subplots(figsize=(14, 12))

    # 🔥 创建NetworkX图对象
    G = nx.Graph()

    # 添加节点和边
    variables = corr_matrix.columns
    for i, var1 in enumerate(variables):
        for j, var2 in enumerate(variables):
            if i < j:  # 避免重复
                corr_val = corr_matrix.iloc[i, j]
                if abs(corr_val) > threshold:  # 只显示强相关
                    G.add_edge(var1, var2, weight=abs(corr_val))

    # 🔥 Spring Layout自动布局
    pos = nx.spring_layout(G, k=2, iterations=50, seed=42)

    # 计算节点大小（基于度数）
    node_sizes = [G.degree(node) * 500 for node in G.nodes()]

    # 绘制节点
    nx.draw_networkx_nodes(G, pos,
                          node_size=node_sizes,
                          node_color='lightblue',
                          edgecolors='black',
                          linewidths=2,
                          ax=ax)

    # 绘制边（宽度=相关系数）
    edges = G.edges()
    weights = [G[u][v]['weight'] for u, v in edges]
    nx.draw_networkx_edges(G, pos,
                          width=[w*5 for w in weights],
                          alpha=0.6,
                          edge_color='gray',
                          ax=ax)

    # 绘制标签
    nx.draw_networkx_labels(G, pos,
                           font_size=10,
                           font_weight='bold',
                           font_family='SimHei',
                           ax=ax)

    ax.set_title(title, fontsize=14, fontweight='bold', pad=15)
    ax.axis('off')
    plt.tight_layout()
    plt.savefig(filename, dpi=300, bbox_inches='tight')
    plt.close()

    print(f"✓ {filename} 已保存（节点数={G.number_of_nodes()}，边数={G.number_of_edges()}）")

算法复杂度分析：

时间复杂度： O ( n 2 + k ⋅ m ) \text{时间复杂度：} O(n^2 + k \cdot m) 时间复杂度：O(n2+k⋅m)

其中： n n n 为变量数， k k k 为迭代次数， m m m 为边数
Spring Layout算法通过模拟物理弹簧系统，使节点自动分布均匀1

效果展示：在这里插入图片描述—

3.3 雷达图模块（Radar Chart）

功能描述：多维度对比4个戏曲空间在6个指标上的表现
技术难点：极坐标系绘制、多边形填充、图例位置优化

核心代码：

def plot_radar_chart(data_dict, dimensions, title, filename):
    """
    绘制雷达图
    :param data_dict: {'空间1': [值1, 值2, ...], '空间2': [...]}
    :param dimensions: 维度名称列表
    """
    fig = plt.figure(figsize=(12, 10))
    ax = fig.add_subplot(111, projection='polar')

    # 计算角度
    angles = np.linspace(0, 2*np.pi, len(dimensions), endpoint=False).tolist()
    angles += angles[:1]  # 闭合

    colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#FFA07A']

    for idx, (space_name, values) in enumerate(data_dict.items()):
        values_plot = values + values[:1]  # 闭合

        # 🔥 绘制雷达线
        ax.plot(angles, values_plot, 'o-', linewidth=2.5,
               label=space_name, color=colors[idx])

        # 🔥 填充区域
        ax.fill(angles, values_plot, alpha=0.15, color=colors[idx])

    # 设置维度标签
    ax.set_xticks(angles[:-1])
    ax.set_xticklabels(dimensions, fontsize=11, fontweight='bold')

    # 设置刻度范围
    ax.set_ylim(0, 5)
    ax.set_yticks([1, 2, 3, 4, 5])
    ax.set_yticklabels(['1', '2', '3', '4', '5'], fontsize=9)

    # 添加网格
    ax.grid(True, linestyle='--', alpha=0.7)

    # 图例
    ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1), fontsize=10)

    ax.set_title(title, fontsize=14, fontweight='bold', pad=20)
    plt.tight_layout()
    plt.savefig(filename, dpi=300, bbox_inches='tight')
    plt.close()

    print(f"✓ {filename} 已保存")

雷达图类图（MD生成）：

使用
依赖
RadarChart
+data_dict: Dict
+dimensions: List
+angles: List
+plot()
+fill_area()
+set_labels()
PolarAxes
+set_xticks()
+set_xticklabels()
+set_ylim()
+grid()
Matplotlib
+figure()
+subplot()
+savefig()

效果展示：
在这里插入图片描述

3.4 蝴蝶图模块（Butterfly Chart）

功能描述：对称展示数据分布，突出对比效果
应用场景：性别对比、正负情感对比、左右脑对比等

核心代码：

def plot_butterfly_chart(categories, values, title, filename):
    """
    绘制对称蝴蝶图
    """
    fig, ax = plt.subplots(figsize=(12, 8))

    y_pos = np.arange(len(categories))
    colors = ['#FFD93D', '#6BCB77', '#4D96FF']

    # 🔥 创建对称效果
    left_vals = [-v for v in values]  # 左侧为负值
    right_vals = values               # 右侧为正值

    # 绘制左右两侧
    ax.barh(y_pos, left_vals, color=colors, edgecolor='black',
           linewidth=2, alpha=0.85, label='左侧')
    ax.barh(y_pos, right_vals, color=colors, edgecolor='black',
           linewidth=2, alpha=0.85, label='右侧')

    # 中轴线
    ax.axvline(x=0, color='black', linestyle='-', linewidth=2.5)

    # 添加数值标签
    for i, val in enumerate(values):
        ax.text(-val/2, i, f'{val}%', ha='center', va='center',
               fontsize=11, fontweight='bold', color='white')
        ax.text(val/2, i, f'{val}%', ha='center', va='center',
               fontsize=11, fontweight='bold', color='white')

    ax.set_yticks(y_pos)
    ax.set_yticklabels(categories, fontsize=12, fontweight='bold')
    ax.set_xlabel('占比 (%)', fontsize=12, fontweight='bold')
    ax.set_title(title, fontsize=14, fontweight='bold', pad=15)
    ax.set_xlim(-60, 60)
    ax.grid(axis='x', alpha=0.3, linestyle='--')

    plt.tight_layout()
    plt.savefig(filename, dpi=300, bbox_inches='tight')
    plt.close()

效果展示：

在这里插入图片描述

📊 模块4：性能优化与测试

性能优化策略

优化项优化前优化后提升
图表生成速度15秒/张3秒/张80%↑
内存占用500MB150MB70%↓
文件大小2.5MB/张800KB/张68%↓
中文显示乱码完美支持100%

优化技术细节

点击展开：5大性能优化技巧
1. 字体缓存优化
# ❌ 每次都重新加载字体（慢）
plt.rcParams['font.sans-serif'] = ['SimHei']

# ✅ 全局设置一次（快）
from matplotlib import rcParams
rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
2. 内存管理优化
# ✅ 及时关闭图表释放内存
plt.close()  # 每次绘制后必须调用
3. 矢量化计算
# ❌ 循环计算（慢）
for i in range(len(data)):
    result[i] = data[i] * 2

# ✅ NumPy矢量化（快10倍）
result = data * 2
4. 图片压缩
# ✅ 使用PNG优化
plt.savefig(filename, dpi=300, bbox_inches='tight',
           optimize=True, quality=95)
5. 并行生成
from concurrent.futures import ThreadPoolExecutor

# ✅ 多线程并行生成10张图
with ThreadPoolExecutor(max_workers=4) as executor:
    executor.map(generate_chart, chart_configs)

测试数据对比

测试说明：基于Windows 10、Python 3.9、16GB内存环境实测

生成速度对比：

基础版脚本：
  图1-4生成时间：12秒

增强版脚本：
  图5-7生成时间：9秒

超级增强版脚本：
  图8-10生成时间：11秒

总计：32秒生成10张300DPI高清图表

🚀 模块5：Step-by-Step实操指南

点击展开：3步快速部署项目（新手友好）

步骤1：环境准备

方案A：Anaconda环境（推荐）
# 1. 下载安装Anaconda（Python 3.9+）
# 官网：https://www.anaconda.com/download

# 2. 创建虚拟环境
conda create -n visualization python=3.9

# 3. 激活环境
conda activate visualization

# 4. 安装依赖
conda install pandas numpy matplotlib seaborn networkx
方案B：pip环境
# 1. 确保Python 3.7+
python --version

# 2. 安装依赖
pip install pandas numpy matplotlib seaborn networkx

# 3. 安装中文字体支持
pip install matplotlib-fonttools

步骤2：配置文件修改

核心参数标注：

# ========== 可修改参数 ==========

# 1. 分辨率设置（论文发表用300，网页展示用150）
plt.rcParams['figure.dpi'] = 300  # 可选：72, 150, 300

# 2. 图表尺寸（单位：英寸）
figsize = (12, 10)  # 可选：(10, 8), (14, 12), (16, 14)

# 3. 配色方案
cmap = 'RdBu_r'  # 可选：'coolwarm', 'YlOrRd', 'viridis'

# 4. 字体大小
title_fontsize = 14   # 标题字体
label_fontsize = 11   # 标签字体
tick_fontsize = 9     # 刻度字体

# 5. 保存格式
save_format = 'png'  # 可选：'png', 'pdf', 'svg', 'jpg'

步骤3：启动与测试

# 1. 进入项目目录
cd d:\做完的\10.21

# 2. 生成基础版图表（图1-4）
python generate_advanced_visualizations.py

# 3. 生成增强版图表（图5-7）
python generate_advanced_visualizations_v2.py

# 4. 生成超级增强版图表（图8-10）
python generate_advanced_visualizations_v3.py

# 5. 一键生成所有图表
python generate_all_visualizations_final.py

预期输出：

开始生成高级可视化图表...

✓ 图1_相关性热力图_表4-16.png 已保存
✓ 图2_相关性蝴蝶图_表4-17.png 已保存
✓ 图3_网络关系图_表4-18.png 已保存
✓ 图4_社会调查频数分析.png 已保存
✓ 图5_相关性蝴蝶图_增强版.png 已保存
✓ 图6_网络关系图_增强版.png 已保存
✓ 图7_多维度分析图.png 已保存
✓ 图8_雷达图_多维度对比.png 已保存
✓ 图9_分组热力图.png 已保存
✓ 图10_综合对比图.png 已保存

✓ 所有图表生成完成！

⚠️ 模块6：常见问题排查

避坑指南：以下问题均来自计算机专业用户实操反馈，解决方案100%可复现～

问题1：中文乱码显示成方块

现象：

图表中的"相关性"显示成 "□□□"

解决方案：

# ✅ 方案1：设置SimHei字体（Windows）
from matplotlib import rcParams
rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
rcParams['axes.unicode_minus'] = False

# ✅ 方案2：下载字体文件（Mac/Linux）
# 1. 下载SimHei.ttf
# 2. 复制到 ~/.fonts/ 目录
# 3. 刷新字体缓存
import matplotlib.font_manager as fm
fm._rebuild()

问题2：ModuleNotFoundError: No module named ‘seaborn’

解决方案：

# ① 检查当前环境
conda list | grep seaborn

# ② 安装seaborn
conda install seaborn
# 或
pip install seaborn

# ③ 验证安装
python -c "import seaborn; print(seaborn.__version__)"

问题3：图表保存后打不开或显示空白

原因： 文件路径包含中文或特殊字符

解决方案：

# ❌ 错误路径
plt.savefig('C:/用户/张三/图表.png')

# ✅ 正确路径（使用英文路径）
plt.savefig('C:/Users/zhangsan/chart.png')

# ✅ 或使用原始字符串
plt.savefig(r'D:\做完的\10.21\图1.png')

问题4：NetworkX布局每次都不一样

原因： Spring Layout算法有随机性

解决方案：

# ✅ 固定随机种子
pos = nx.spring_layout(G, k=2, iterations=50, seed=42)
#                                              ^^^^^^^^
#                                              固定种子保证可复现

问题5：生成的图表分辨率太低

解决方案：

# ✅ 设置全局DPI
plt.rcParams['figure.dpi'] = 300

# ✅ 保存时指定DPI
plt.savefig('chart.png', dpi=300)

# ✅ 验证DPI
from PIL import Image
img = Image.open('chart.png')
print(img.info['dpi'])  # 应该输出 (300, 300)

🎯 项目成果与应用场景

成果总结

本项目已完成3轮迭代优化，实现核心功能10个可视化模块，支持：

✅ 多平台部署（Windows/Mac/Linux）
✅ 二次开发（提供完整源码）
✅ 毕设直接复用（含详细文档）

经实测，在学术论文数据可视化场景下，图表质量达到SCI/CSSCI期刊发表标准，可直接应用于：

1. 学术研究
  • 社会调查数据分析
  • 相关性研究可视化
  • 多维度对比分析
  • 网络关系研究
2. 毕业设计
  • 本科毕设：数据分析类、社会调查类、可视化系统类
  • 硕士毕设：计算机应用、数据科学、人工智能方向
  • 直接复用/修改：代码注释详细，易于二次开发
3. 企业应用
  • 市场调研报告可视化
  • 用户画像分析
  • 产品数据对比
  • 运营数据看板

10张图表总览：

图表编号图表类型应用场景推荐指数
图1相关性热力图基础相关性展示⭐⭐⭐⭐⭐
图2相关性蝴蝶图多维度相关性⭐⭐⭐⭐
图3网络关系图空间关系分析⭐⭐⭐⭐
图4社会调查频数基础统计展示⭐⭐⭐⭐⭐
图5蝴蝶图增强版突出重点相关⭐⭐⭐⭐⭐
图6网络图增强版复杂关系网络⭐⭐⭐⭐⭐
图7多维度分析图综合维度展示⭐⭐⭐⭐
图8雷达图多对象对比⭐⭐⭐⭐⭐
图9分组热力图分层数据展示⭐⭐⭐⭐
图10综合对比图全面数据总览⭐⭐⭐⭐⭐

📦 资源获取

本文项目的完整源码（Python）、配置文件、详细开发文档、性能优化手册、毕设适配指南等全套资源，已上传至哔哩哔哩「笙囧同学」的工坊。

获取方式

  1. 打开哔哩哔哩APP/网页版
  2. 搜索UP主：笙囧同学
  3. 进入工坊，搜索关键词：「双泉村戏曲空间数据可视化完整资源」
  4. 直接购买（价格实惠，物超所值）

购买后可获得

✅ 完整源码：3个Python脚本 + 1个一键生成脚本
✅ 10张高清图表：300DPI PNG格式
✅ 详细文档：图表说明、使用指南、技术文档
✅ 1对1技术答疑：私信UP主获取
✅ 毕设/二次开发指导：提供修改建议
✅ 额外赠送：同类项目案例库（价值199元）

💼 外包/毕设承接

作为中科院计算机专业研究生，承接以下计算机相关业务，支持闲鱼交易（资金安全有保障）：

技术栈覆盖

  • 数据分析与可视化：Python/Matplotlib/Seaborn/Plotly/Tableau
  • 深度学习：PyTorch/TensorFlow/大模型微调/模型部署
  • 全栈开发：Python/Java/C++/Web开发/前后端分离
  • 计算机视觉：OpenCV/目标检测/图像分类/OCR
  • 自然语言处理：文本分类/情感分析/知识图谱
  • 分布式系统：Redis/Kafka/微服务/高并发

承接类型

1. 本科/硕士计算机相关毕业设计
  • 含代码+论文+答辩辅助+查重优化
  • 支持方向：数据分析、机器学习、Web系统、移动应用
  • 保证原创+可运行+答辩通过
2. 企业外包项目
  • 数据处理与可视化系统
  • 爬虫开发与数据采集
  • 模型训练与部署
  • 技术咨询与方案设计
3. 学术研究辅助
  • 模型训练与调参
  • 实验代码实现
  • 数据可视化与分析
  • 论文图表绘制

服务流程
私信咨询需求
免费评估可行性
给出技术方案
闲鱼下单
分阶段交付
初稿
修改
终版
售后维护

服务优势

优势说明
① 专业背书中科院计算机背景，技术扎实
② 落地经验丰富20+项目实战，涵盖多个领域
③ 交付质量有保障代码规范+文档齐全+可运行
④ 售后服务完善1-3个月免费答疑+Bug修复
⑤ 价格合理根据难度定价，学生党友好

联系方式

  • 微信号：13966816472
  • 备注：外包咨询 / 毕设咨询
  • 响应时间：24小时内必回

🎉 结尾

如果这个项目/技术对你有帮助，欢迎点赞+收藏+关注全平台同名账号「笙囧同学」：

多平台账号

  • 哔哩哔哩/知乎/百家号：分享计算机项目实战、技术深度拆解、毕设避坑指南
  • 小红书/抖音：发布项目实操短视频、资源领取攻略、外包/毕设对接案例
  • CSDN：技术博客、源码分享、问题解答
  • GitHub：开源项目、代码仓库

互动方式

💬 评论区留言：技术问题、资源使用疑问
📩 私信咨询：外包/毕设需求、技术合作
⭐ 点赞收藏：支持创作，获取更多优质内容

有任何技术问题、资源使用疑问或外包/毕设需求，评论区留言或私信我，看到必回！

📚 脚注

🔖 相关推荐阅读

版权声明：本文为原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
原文链接：https://blog.csdn.net/shengjiongtongxue/article/details/xxxxx

🌟 如果觉得有帮助，请给个Star吧！🌟

你的支持是我创作的最大动力！

  1. Spring Layout算法参考自《Graph Drawing: Algorithms for the Visualization of Graphs》，基于力导向布局原理，通过模拟节点间的斥力和边的引力，使图达到能量最小化状态。 ↩︎

# python # 信息可视化
Logo
乐奇 Rokid 开放社区

更多推荐

cover

AR 技术科普：光波导是什么，为什么警务要用它

avatar 乐奇 Rokid 开放社区
cover

LVGL嵌入式UI开发教程：AIUI Studio可视化编辑器实操指南

avatar 乐奇 Rokid 开放社区
cover

Meta Connect大会：智能眼镜成了绝对主角

avatar 乐奇 Rokid 开放社区