欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

基于PyTorch與DeepLabV3的葉片病害語(yǔ)義分割實(shí)戰(zhàn)指南

基于PyTorch與DeepLabV3的葉片病害語(yǔ)義分割實(shí)戰(zhàn)指南 簡(jiǎn)介語(yǔ)義分割是計(jì)算機(jī)視覺(jué)中的核心技術(shù)旨在為圖像中的每個(gè)像素分配類別標(biāo)簽實(shí)現(xiàn)像素級(jí)的場(chǎng)景理解。其核心原理在于通過(guò)編碼器-解碼器架構(gòu)或空洞卷積等設(shè)計(jì)在保留空間細(xì)節(jié)的同時(shí)捕獲多尺度上下文信息。這項(xiàng)技術(shù)的價(jià)值在于它超越了傳統(tǒng)圖像分類能提供精確的目標(biāo)定位與輪廓信息對(duì)于需要精細(xì)分析的場(chǎng)景至關(guān)重要。在農(nóng)業(yè)、醫(yī)學(xué)影像、自動(dòng)駕駛等領(lǐng)域語(yǔ)義分割被廣泛應(yīng)用于病害區(qū)域識(shí)別、器官分割、道路場(chǎng)景解析等任務(wù)。本文聚焦于葉片病害分割這一具體應(yīng)用詳細(xì)解析如何利用PyTorch框架和DeepLabV3模型構(gòu)建一個(gè)從數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練到優(yōu)化部署的完整解決方案為精準(zhǔn)農(nóng)業(yè)與植物病理研究提供自動(dòng)化工具。1. 項(xiàng)目概述與核心價(jià)值看到“基于PyTorch的DeepLabV3葉片病害分割設(shè)計(jì)源碼”這個(gè)標(biāo)題我猜你和我一樣可能正被一個(gè)具體而緊迫的問(wèn)題困擾地里的作物葉子開(kāi)始長(zhǎng)斑了實(shí)驗(yàn)室的培養(yǎng)皿里菌落形態(tài)異常或者你手頭有一大堆植物病理圖像急需一個(gè)自動(dòng)化的工具來(lái)精確標(biāo)出那些病斑區(qū)域好進(jìn)行病害嚴(yán)重度評(píng)估或早期預(yù)警。傳統(tǒng)的人工目視檢查不僅效率低下、主觀性強(qiáng)而且面對(duì)大規(guī)模監(jiān)測(cè)時(shí)幾乎不可能完成。這正是深度學(xué)習(xí)特別是語(yǔ)義分割技術(shù)大顯身手的地方。這個(gè)項(xiàng)目本質(zhì)上就是利用PyTorch框架搭建并實(shí)現(xiàn)一個(gè)DeepLabV3模型專門(mén)用于從植物葉片圖像中像“智能剪刀”一樣把健康的葉肉組織和發(fā)病的病斑區(qū)域精準(zhǔn)地分割開(kāi)來(lái)。它解決的不僅僅是一個(gè)“看圖識(shí)病”的分類問(wèn)題而是更進(jìn)一步要“描邊畫(huà)圈”給出像素級(jí)的病害定位圖。這對(duì)于精準(zhǔn)農(nóng)業(yè)、智慧植保、植物表型研究等領(lǐng)域是邁向自動(dòng)化和智能化的關(guān)鍵一步。無(wú)論你是農(nóng)業(yè)院校的學(xué)生、農(nóng)業(yè)科技公司的算法工程師還是對(duì)AI農(nóng)業(yè)交叉領(lǐng)域感興趣的開(kāi)發(fā)者這個(gè)項(xiàng)目都能為你提供一個(gè)從理論到實(shí)踐的完整閉環(huán)。通過(guò)復(fù)現(xiàn)和深入理解這套源碼你不僅能掌握DeepLabV3這一經(jīng)典分割架構(gòu)的PyTorch實(shí)現(xiàn)更能獲得一套可直接應(yīng)用于實(shí)際葉片病害分析任務(wù)的工具箱。2. 項(xiàng)目整體設(shè)計(jì)與技術(shù)選型解析2.1 為什么是語(yǔ)義分割——從分類到像素級(jí)理解的跨越在葉片病害分析中我們最初可能會(huì)想到圖像分類模型比如ResNet、VGG直接判斷一張圖是“健康”還是“染病”或者具體是哪種病害。但這存在明顯局限一張葉片可能只有很小一部分染病分類模型會(huì)忽略病灶的位置和范圍信息對(duì)于混合感染或病害初期分類結(jié)果可能模糊且不可解釋。語(yǔ)義分割則提供了像素級(jí)的答案。它將圖像中的每一個(gè)像素都分配一個(gè)類別標(biāo)簽例如背景、健康葉片、病斑。其輸出是一張與輸入圖像同尺寸的掩碼圖其中不同顏色代表不同類別。這樣我們不僅能知道“有沒(méi)有病”還能精確知道“病在哪里”、“有多大”。這對(duì)于計(jì)算病斑面積占比病害嚴(yán)重度、監(jiān)測(cè)病害發(fā)展動(dòng)態(tài)、以及為后續(xù)的精準(zhǔn)施藥決策提供數(shù)據(jù)支撐具有不可替代的價(jià)值。2.2 為什么是DeepLabV3——在精度與效率間的平衡術(shù)語(yǔ)義分割模型眾多如FCN、U-Net、PSPNet、DeepLab系列等。選擇DeepLabV3作為本項(xiàng)目核心是基于其在復(fù)雜場(chǎng)景分割任務(wù)中表現(xiàn)出的強(qiáng)大魯棒性和精度尤其適合葉片病害這種目標(biāo)與背景對(duì)比有時(shí)不明顯、病斑形態(tài)多變的場(chǎng)景。DeepLabV3的核心創(chuàng)新在于空洞卷積Atrous Convolution和空洞空間金字塔池化Atrous Spatial Pyramid Pooling, ASPP模塊??斩淳矸e普通卷積在提取特征時(shí)會(huì)通過(guò)池化層降低分辨率導(dǎo)致細(xì)節(jié)信息丟失這對(duì)于需要精細(xì)邊界的分割任務(wù)不利??斩淳矸e通過(guò)在卷積核元素間插入“空洞”零值來(lái)擴(kuò)大感受野從而在不增加參數(shù)量、不降低分辨率的前提下捕獲更廣泛的上下文信息。這好比在觀察葉片時(shí)既能看到細(xì)胞級(jí)別的細(xì)節(jié)高分辨率又能感知整片葉子的宏觀紋理大感受野。ASPP模塊這是DeepLabV3的“殺手锏”。它并行使用多個(gè)不同膨脹率的空洞卷積層以及全局平均池化以多尺度捕捉上下文信息。想象一下你要識(shí)別病斑既需要看清病斑邊緣的細(xì)微變色小尺度特征也需要結(jié)合周?chē)~脈的走向和整體葉形來(lái)判斷大尺度特征。ASPP模塊同時(shí)從多個(gè)尺度進(jìn)行特征提取和融合使得模型對(duì)不同大小、不同形態(tài)的病斑都具有很好的識(shí)別能力。相比于U-Net這類編碼器-解碼器結(jié)構(gòu)DeepLabV3的編碼器部分通常基于ResNet等骨干網(wǎng)絡(luò)更加強(qiáng)大通過(guò)ASPP獲取豐富的多尺度上下文后直接上采樣得到分割結(jié)果結(jié)構(gòu)相對(duì)簡(jiǎn)潔在公開(kāi)數(shù)據(jù)集上通常能取得更高的mIoU平均交并比分割任務(wù)的核心指標(biāo)。2.3 為什么是PyTorch——靈活性與研究友好的生態(tài)PyTorch以其動(dòng)態(tài)計(jì)算圖、直觀的編程接口和活躍的社區(qū)成為深度學(xué)習(xí)研究和原型開(kāi)發(fā)的首選。對(duì)于本項(xiàng)目而言易于調(diào)試和理解動(dòng)態(tài)圖使得我們可以在正向傳播過(guò)程中隨意插入打印語(yǔ)句或調(diào)試器直觀地查看特征圖的形狀和數(shù)值這對(duì)于理解模型內(nèi)部運(yùn)作、排查數(shù)據(jù)或模型問(wèn)題至關(guān)重要。模塊化設(shè)計(jì)PyTorch的nn.Module類鼓勵(lì)模塊化設(shè)計(jì)。我們可以將骨干網(wǎng)絡(luò)、ASPP模塊、解碼器頭分別封裝代碼結(jié)構(gòu)清晰易于復(fù)用和修改。豐富的生態(tài)torchvision庫(kù)提供了預(yù)訓(xùn)練的ResNet等骨干網(wǎng)絡(luò)方便我們進(jìn)行遷移學(xué)習(xí)這對(duì)于葉片病害數(shù)據(jù)集通常規(guī)模不大的情況是極大的福音。同時(shí)社區(qū)有大量高質(zhì)量的分割模型實(shí)現(xiàn)可供參考和學(xué)習(xí)。2.4 項(xiàng)目技術(shù)棧與工具選型一個(gè)完整的項(xiàng)目遠(yuǎn)不止模型本身。以下是圍繞核心模型構(gòu)建的支撐技術(shù)棧深度學(xué)習(xí)框架PyTorch1.7.0這是項(xiàng)目的基石。骨干網(wǎng)絡(luò)Backbone通常選用在ImageNet上預(yù)訓(xùn)練的ResNet-50或ResNet-101。ResNet-50在速度和精度上取得了較好的平衡適合大多數(shù)場(chǎng)景。如果追求更高精度且計(jì)算資源充足ResNet-101是更好的選擇。torchvision.models提供了便捷的加載方式。數(shù)據(jù)處理與增強(qiáng)OpenCV/PIL用于基礎(chǔ)圖像讀寫(xiě)和處理。Albumentations庫(kù)是進(jìn)行數(shù)據(jù)增強(qiáng)的利器它提供了大量針對(duì)視覺(jué)任務(wù)尤其是分割的增強(qiáng)操作如隨機(jī)旋轉(zhuǎn)、翻轉(zhuǎn)、色彩抖動(dòng)、彈性變換、隨機(jī)裁剪等能有效提升模型泛化能力模擬葉片在真實(shí)世界中可能遇到的各種姿態(tài)、光照變化。訓(xùn)練監(jiān)控與可視化TensorBoard或Weights Biases (WB)。它們可以實(shí)時(shí)記錄損失曲線、評(píng)估指標(biāo)、可視化訓(xùn)練樣本和預(yù)測(cè)結(jié)果是觀察模型訓(xùn)練狀態(tài)、進(jìn)行超參數(shù)調(diào)試的“儀表盤(pán)”。實(shí)驗(yàn)管理對(duì)于嚴(yán)肅的項(xiàng)目建議使用MLflow或簡(jiǎn)單的配置文件如YAML來(lái)記錄每一次實(shí)驗(yàn)的超參數(shù)、數(shù)據(jù)集版本和結(jié)果確??蓮?fù)現(xiàn)性。3. 核心模塊源碼設(shè)計(jì)與實(shí)現(xiàn)細(xì)節(jié)接下來(lái)我們深入代碼層面拆解各個(gè)核心模塊的實(shí)現(xiàn)。這里我會(huì)提供關(guān)鍵代碼片段并解釋其設(shè)計(jì)意圖和注意事項(xiàng)。3.1 數(shù)據(jù)加載與預(yù)處理模塊數(shù)據(jù)是模型的燃料。一個(gè)魯棒的數(shù)據(jù)管道是成功的第一步。import torch from torch.utils.data import Dataset, DataLoader import cv2 import albumentations as A from albumentations.pytorch import ToTensorV2 import numpy as np class LeafDiseaseDataset(Dataset): def __init__(self, image_paths, mask_paths, transformNone, is_trainTrue): self.image_paths image_paths self.mask_paths mask_paths self.is_train is_train # 定義訓(xùn)練和驗(yàn)證/測(cè)試的數(shù)據(jù)增強(qiáng)管道 if transform is None: if self.is_train: self.transform A.Compose([ A.RandomRotate90(p0.5), A.Flip(p0.5), A.RandomBrightnessContrast(brightness_limit0.2, contrast_limit0.2, p0.5), A.GaussNoise(var_limit(10.0, 50.0), p0.3), # 模擬圖像噪聲 A.ElasticTransform(alpha1, sigma50, alpha_affine50, p0.3), # 模擬葉片輕微形變 A.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), # ImageNet統(tǒng)計(jì)量 ToTensorV2(), ]) else: self.transform A.Compose([ A.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ToTensorV2(), ]) else: self.transform transform def __len__(self): return len(self.image_paths) def __getitem__(self, idx): image cv2.imread(self.image_paths[idx]) image cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # OpenCV默認(rèn)BGR需轉(zhuǎn)RGB mask cv2.imread(self.mask_paths[idx], cv2.IMREAD_GRAYSCALE) # 掩碼圖為單通道灰度圖 # 確保掩碼圖為正確的類別標(biāo)簽例如0背景1健康2病斑 # 這里假設(shè)你的原始掩碼可能是0-255的灰度值需要映射到類別索引 # mask np.where(mask 128, 1, 0) # 二值化示例根據(jù)實(shí)際情況調(diào)整 # 或者對(duì)于多類別 unique_values np.unique(mask); 然后建立映射關(guān)系。 if self.transform: augmented self.transform(imageimage, maskmask) image augmented[image] mask augmented[mask].long() # 確保mask是LongTensor類型用于計(jì)算損失 return image, mask關(guān)鍵點(diǎn)解析與避坑指南掩碼Mask格式這是最容易出錯(cuò)的地方。分割任務(wù)的標(biāo)簽掩碼必須是單通道的圖像每個(gè)像素的值是該像素的類別索引從0開(kāi)始例如0代表背景1代表類別1。如果你的標(biāo)注工具生成的是RGB彩色圖不同類別用不同顏色必須在數(shù)據(jù)加載時(shí)將其轉(zhuǎn)換為索引圖。cv2.IMREAD_GRAYSCALE讀取后還需根據(jù)顏色映射表進(jìn)行轉(zhuǎn)換。數(shù)據(jù)增強(qiáng)策略對(duì)于葉片圖像RandomRotate90,Flip是必須的因?yàn)槿~片朝向不定。RandomBrightnessContrast模擬光照變化。GaussNoise和ElasticTransform是高級(jí)增強(qiáng)能提升模型對(duì)噪聲和形變的魯棒性但強(qiáng)度不宜過(guò)大否則會(huì)引入不真實(shí)的偽影。切記所有增強(qiáng)必須同步應(yīng)用于圖像和掩碼Albumentations確保了這一點(diǎn)。歸一化參數(shù)Normalize中使用的均值和標(biāo)準(zhǔn)差是ImageNet數(shù)據(jù)集的統(tǒng)計(jì)值。由于我們使用在ImageNet上預(yù)訓(xùn)練的骨干網(wǎng)絡(luò)保持相同的歸一化方式有利于遷移學(xué)習(xí)。不要隨意更改。批處理在DataLoader中由于圖像尺寸可能不同盡管我們常resize到固定尺寸但掩碼尺寸必須與圖像嚴(yán)格一致。collate_fn函數(shù)通常不需要自定義除非你有非常特殊的padding需求。3.2 DeepLabV3模型架構(gòu)實(shí)現(xiàn)我們將DeepLabV3分解為骨干網(wǎng)絡(luò)、ASPP模塊和分割頭三部分。import torch.nn as nn import torch.nn.functional as F from torchvision import models class ASPP(nn.Module): def __init__(self, in_channels, out_channels256, rates[6, 12, 18]): super(ASPP, self).__init__() # 模塊1: 1x1卷積 self.conv1x1 nn.Sequential( nn.Conv2d(in_channels, out_channels, kernel_size1, biasFalse), nn.BatchNorm2d(out_channels), nn.ReLU(inplaceTrue) ) # 模塊2-4: 不同膨脹率的3x3空洞卷積 self.conv3x3_1 self._make_aspp_conv(in_channels, out_channels, rates[0]) self.conv3x3_2 self._make_aspp_conv(in_channels, out_channels, rates[1]) self.conv3x3_3 self._make_aspp_conv(in_channels, out_channels, rates[2]) # 模塊5: 圖像級(jí)特征全局平均池化 1x1卷積 self.image_pooling nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(in_channels, out_channels, kernel_size1, biasFalse), nn.BatchNorm2d(out_channels), nn.ReLU(inplaceTrue) ) # 融合所有分支特征的卷積層 self.fusion_conv nn.Sequential( nn.Conv2d(out_channels * 5, out_channels, kernel_size1, biasFalse), nn.BatchNorm2d(out_channels), nn.ReLU(inplaceTrue), nn.Dropout(0.5) # 可選的Dropout防止過(guò)擬合 ) def _make_aspp_conv(self, in_channels, out_channels, dilation_rate): return nn.Sequential( nn.Conv2d(in_channels, out_channels, kernel_size3, paddingdilation_rate, dilationdilation_rate, biasFalse), nn.BatchNorm2d(out_channels), nn.ReLU(inplaceTrue) ) def forward(self, x): # 獲取輸入特征圖的空間尺寸 spatial_size x.size()[2:] # 分支1: 1x1卷積 conv1x1_out self.conv1x1(x) # 分支2-4: 空洞卷積 conv3x3_1_out self.conv3x3_1(x) conv3x3_2_out self.conv3x3_2(x) conv3x3_3_out self.conv3x3_3(x) # 分支5: 圖像級(jí)特征需要上采樣回原始尺寸 image_pool_out self.image_pooling(x) image_pool_out F.interpolate(image_pool_out, sizespatial_size, modebilinear, align_cornersTrue) # 沿通道維度拼接所有分支輸出 concatenated torch.cat([conv1x1_out, conv3x3_1_out, conv3x3_2_out, conv3x3_3_out, image_pool_out], dim1) # 融合并輸出 output self.fusion_conv(concatenated) return output class DeepLabV3(nn.Module): def __init__(self, backboneresnet50, num_classes2, pretrainedTrue): super(DeepLabV3, self).__init__() # 1. 構(gòu)建骨干網(wǎng)絡(luò) if backbone resnet50: base_model models.resnet50(pretrainedpretrained) in_channels 2048 # ResNet-50最后一層通道數(shù) elif backbone resnet101: base_model models.resnet101(pretrainedpretrained) in_channels 2048 else: raise ValueError(fUnsupported backbone: {backbone}) # 提取ResNet中用于特征提取的部分去除最后的全連接層和平均池化層 self.backbone nn.Sequential(*list(base_model.children())[:-2]) # 2. 構(gòu)建ASPP模塊 self.aspp ASPP(in_channelsin_channels, out_channels256) # 3. 構(gòu)建分割頭分類器 self.classifier nn.Sequential( nn.Conv2d(256, 256, kernel_size3, padding1, biasFalse), nn.BatchNorm2d(256), nn.ReLU(inplaceTrue), nn.Dropout(0.1), nn.Conv2d(256, num_classes, kernel_size1) # 輸出通道數(shù)等于類別數(shù) ) def forward(self, x): # 骨干網(wǎng)絡(luò)提取高級(jí)特征 features self.backbone(x) # ASPP模塊進(jìn)行多尺度上下文聚合 aspp_features self.aspp(features) # 分割頭產(chǎn)生初步預(yù)測(cè) logits self.classifier(aspp_features) # 上采樣至輸入圖像尺寸 output F.interpolate(logits, sizex.size()[2:], modebilinear, align_cornersTrue) return output關(guān)鍵點(diǎn)解析與避坑指南骨干網(wǎng)絡(luò)截取self.backbone nn.Sequential(*list(base_model.children())[:-2])這行代碼至關(guān)重要。它去掉了ResNet最后的全局平均池化層AdaptiveAvgPool2d和全連接層Linear只保留卷積層和池化層輸出的是一個(gè)高維特征圖如[batch, 2048, H/32, W/32]而非一維向量??斩淳矸e的padding在ASPP模塊的_make_aspp_conv中paddingdilation_rate確保了卷積后特征圖的空間尺寸不變假設(shè)kernel_size3。這是正確使用空洞卷積的關(guān)鍵。上采樣與align_corners在模型末尾和ASPP的圖像池化分支中我們使用F.interpolate進(jìn)行上采樣。align_corners參數(shù)需要保持一致。通常在分割任務(wù)中設(shè)置為T(mén)rue能保證像素對(duì)齊更精確尤其是在多次上采樣/下采樣后。建議在整個(gè)項(xiàng)目中統(tǒng)一此設(shè)置。輸出通道分割頭最后一個(gè)卷積層的輸出通道數(shù)num_classes必須等于你的類別數(shù)包括背景。對(duì)于二分類病害分割僅病斑和背景num_classes2。預(yù)訓(xùn)練權(quán)重pretrainedTrue會(huì)加載在ImageNet上預(yù)訓(xùn)練的權(quán)重這能極大加速收斂并提升最終性能強(qiáng)烈建議使用。首次運(yùn)行時(shí)會(huì)自動(dòng)下載權(quán)重文件。3.3 損失函數(shù)與評(píng)估指標(biāo)的選擇分割任務(wù)的損失函數(shù)和評(píng)估指標(biāo)直接指導(dǎo)模型的優(yōu)化方向。import torch import numpy as np def dice_loss(pred, target, smooth1e-6): Dice Loss 對(duì)類別不平衡問(wèn)題有一定魯棒性常用于醫(yī)學(xué)圖像分割也適用于病斑分割。 pred pred.contiguous() target target.contiguous() intersection (pred * target).sum(dim2).sum(dim2) loss 1 - (2. * intersection smooth) / (pred.sum(dim2).sum(dim2) target.sum(dim2).sum(dim2) smooth) return loss.mean() class SegmentationLoss(nn.Module): def __init__(self, num_classes, alpha0.5): super().__init__() self.num_classes num_classes self.alpha alpha # 用于平衡交叉熵和Dice Loss的權(quán)重 self.ce_loss nn.CrossEntropyLoss(ignore_index255) # ignore_index用于忽略某些像素如標(biāo)注不清的 self.dice_loss dice_loss def forward(self, pred, target): # pred: [B, C, H, W], target: [B, H, W] (值為類別索引) ce self.ce_loss(pred, target) # 將pred轉(zhuǎn)換為與target類似的one-hot形式以計(jì)算Dice Loss pred_softmax F.softmax(pred, dim1) dice 0 # 計(jì)算每個(gè)類別的Dice Loss忽略背景類0 for cls in range(1, self.num_classes): # 通常背景類不參與Dice計(jì)算 dice self.dice_loss(pred_softmax[:, cls, :, :], (target cls).float()) dice / (self.num_classes - 1) total_loss (1 - self.alpha) * ce self.alpha * dice return total_loss def calculate_iou(pred_mask, true_mask, num_classes): 計(jì)算每個(gè)類別的IoU交并比和mIoU平均IoU。 iou_list [] pred_mask pred_mask.flatten() true_mask true_mask.flatten() for cls in range(num_classes): pred_cls (pred_mask cls) true_cls (true_mask cls) if true_cls.sum() 0: # 如果真實(shí)標(biāo)簽中沒(méi)有該類則跳過(guò) iou_list.append(np.nan) continue intersection (pred_cls true_cls).sum() union (pred_cls | true_cls).sum() iou intersection / (union 1e-8) iou_list.append(iou) # 計(jì)算mIoU時(shí)忽略那些在真實(shí)標(biāo)簽中不存在的類別nan值 miou np.nanmean(iou_list) return iou_list, miou關(guān)鍵點(diǎn)解析與避坑指南組合損失函數(shù)單純的交叉熵?fù)p失CE在類別不平衡如病斑像素遠(yuǎn)少于健康像素時(shí)可能會(huì)使模型偏向于預(yù)測(cè)背景。Dice Loss直接優(yōu)化預(yù)測(cè)區(qū)域和真實(shí)區(qū)域的重疊度對(duì)不平衡數(shù)據(jù)更敏感。將兩者結(jié)合SegmentationLoss是分割任務(wù)的常見(jiàn)策略。alpha參數(shù)需要根據(jù)你的數(shù)據(jù)集進(jìn)行調(diào)整通??梢詮?.5開(kāi)始。忽略索引ignore_index在標(biāo)注數(shù)據(jù)時(shí)可能存在一些難以界定或標(biāo)注不清的像素。在準(zhǔn)備掩碼時(shí)可以將這些像素標(biāo)記為一個(gè)特殊值如255并在CrossEntropyLoss中設(shè)置ignore_index255這樣模型在計(jì)算損失時(shí)會(huì)忽略這些像素。評(píng)估指標(biāo)mIoU這是語(yǔ)義分割最核心的評(píng)估指標(biāo)。它計(jì)算所有類別IoU的平均值能綜合反映模型在各個(gè)類別上的分割精度。在驗(yàn)證集上監(jiān)控mIoU比只看損失函數(shù)更有意義。在線計(jì)算與離線計(jì)算訓(xùn)練時(shí)損失函數(shù)在批次級(jí)別計(jì)算。評(píng)估時(shí)calculate_iou通常在整個(gè)驗(yàn)證集上累積預(yù)測(cè)和標(biāo)簽后再計(jì)算以獲得更穩(wěn)定的指標(biāo)。可以使用torchmetrics庫(kù)中的MeanIoU來(lái)簡(jiǎn)化這一過(guò)程。3.4 訓(xùn)練循環(huán)與驗(yàn)證邏輯實(shí)現(xiàn)訓(xùn)練流程是模型學(xué)習(xí)的引擎需要精心設(shè)計(jì)。def train_one_epoch(model, dataloader, optimizer, criterion, device, epoch, schedulerNone): model.train() running_loss 0.0 for batch_idx, (images, masks) in enumerate(dataloader): images, masks images.to(device), masks.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, masks) loss.backward() # 梯度裁剪防止梯度爆炸對(duì)于深層網(wǎng)絡(luò)尤其重要 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() running_loss loss.item() if batch_idx % 10 0: # 每10個(gè)batch打印一次日志 print(fEpoch [{epoch}], Step [{batch_idx}/{len(dataloader)}], Loss: {loss.item():.4f}) if scheduler is not None: scheduler.step() # 按epoch調(diào)整學(xué)習(xí)率 epoch_loss running_loss / len(dataloader) return epoch_loss def validate(model, dataloader, criterion, device, num_classes): model.eval() val_loss 0.0 all_preds [] all_targets [] with torch.no_grad(): for images, masks in dataloader: images, masks images.to(device), masks.to(device) outputs model(images) loss criterion(outputs, masks) val_loss loss.item() # 獲取預(yù)測(cè)類別概率最大的類別 preds torch.argmax(outputs, dim1).cpu().numpy() masks_np masks.cpu().numpy() all_preds.append(preds) all_targets.append(masks_np) # 拼接所有批次的預(yù)測(cè)和標(biāo)簽 all_preds np.concatenate(all_preds, axis0) all_targets np.concatenate(all_targets, axis0) # 計(jì)算mIoU _, miou calculate_iou(all_preds, all_targets, num_classes) avg_val_loss val_loss / len(dataloader) return avg_val_loss, miou關(guān)鍵點(diǎn)解析與避坑指南model.train()和model.eval()這是必須的。train()模式會(huì)啟用Dropout、BatchNorm等的訓(xùn)練行為eval()模式會(huì)關(guān)閉這些層使用訓(xùn)練好的統(tǒng)計(jì)量進(jìn)行前向傳播保證評(píng)估結(jié)果的一致性。梯度裁剪Gradient Clipping在訓(xùn)練DeepLabV3這類較深的網(wǎng)絡(luò)時(shí)梯度可能會(huì)變得很大導(dǎo)致訓(xùn)練不穩(wěn)定。clip_grad_norm_將梯度的范數(shù)限制在一個(gè)閾值內(nèi)是一種有效的穩(wěn)定訓(xùn)練的技巧。學(xué)習(xí)率調(diào)度器Scheduler使用預(yù)訓(xùn)練模型時(shí)初始學(xué)習(xí)率不宜過(guò)大。常用的策略是CosineAnnealingLR或ReduceLROnPlateau當(dāng)驗(yàn)證指標(biāo)不再提升時(shí)降低學(xué)習(xí)率。CosineAnnealingLR能產(chǎn)生平滑的學(xué)習(xí)率下降曲線通常效果不錯(cuò)。驗(yàn)證集評(píng)估驗(yàn)證時(shí)一定要用with torch.no_grad():上下文管理器并調(diào)用model.eval()。這可以禁用梯度計(jì)算節(jié)省大量?jī)?nèi)存和計(jì)算資源。評(píng)估指標(biāo)如mIoU應(yīng)在整個(gè)驗(yàn)證集上計(jì)算而不是每個(gè)批次平均。4. 完整訓(xùn)練流程與超參數(shù)調(diào)優(yōu)實(shí)戰(zhàn)有了所有模塊我們可以將它們串聯(lián)起來(lái)形成一個(gè)完整的訓(xùn)練管道并討論如何調(diào)優(yōu)。4.1 主訓(xùn)練腳本框架import argparse import torch import torch.optim as optim from torch.optim import lr_scheduler from torch.utils.data import DataLoader import os def main(args): device torch.device(cuda if torch.cuda.is_available() else cpu) print(fUsing device: {device}) # 1. 準(zhǔn)備數(shù)據(jù) train_dataset LeafDiseaseDataset(...) # 傳入訓(xùn)練集路徑和transform val_dataset LeafDiseaseDataset(..., is_trainFalse) # 驗(yàn)證集通常不做增強(qiáng) train_loader DataLoader(train_dataset, batch_sizeargs.batch_size, shuffleTrue, num_workers4, pin_memoryTrue) val_loader DataLoader(val_dataset, batch_sizeargs.batch_size, shuffleFalse, num_workers4, pin_memoryTrue) # 2. 初始化模型、損失函數(shù)、優(yōu)化器 model DeepLabV3(backboneargs.backbone, num_classesargs.num_classes).to(device) criterion SegmentationLoss(num_classesargs.num_classes, alphaargs.alpha).to(device) # 區(qū)分骨干網(wǎng)絡(luò)和其他部分的學(xué)習(xí)率微調(diào)技巧 backbone_params list(model.backbone.parameters()) aspp_classifier_params list(model.aspp.parameters()) list(model.classifier.parameters()) optimizer optim.AdamW([ {params: backbone_params, lr: args.lr * 0.1}, # 骨干網(wǎng)絡(luò)學(xué)習(xí)率更低 {params: aspp_classifier_params, lr: args.lr} ], weight_decayargs.weight_decay) # 學(xué)習(xí)率調(diào)度器 scheduler lr_scheduler.CosineAnnealingLR(optimizer, T_maxargs.epochs) # 3. 訓(xùn)練循環(huán) best_miou 0.0 for epoch in range(1, args.epochs 1): print(f\nEpoch {epoch}/{args.epochs}) train_loss train_one_epoch(model, train_loader, optimizer, criterion, device, epoch, scheduler) val_loss, val_miou validate(model, val_loader, criterion, device, args.num_classes) print(fEpoch {epoch} - Train Loss: {train_loss:.4f}, Val Loss: {val_loss:.4f}, Val mIoU: {val_miou:.4f}) # 4. 保存最佳模型 if val_miou best_miou: best_miou val_miou torch.save({ epoch: epoch, model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), best_miou: best_miou, }, os.path.join(args.save_dir, best_model.pth)) print(fBest model saved with mIoU: {best_miou:.4f}) print(fTraining finished. Best Val mIoU: {best_miou:.4f}) if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--batch_size, typeint, default8) parser.add_argument(--epochs, typeint, default100) parser.add_argument(--lr, typefloat, default1e-4) parser.add_argument(--backbone, typestr, defaultresnet50) parser.add_argument(--num_classes, typeint, default2) parser.add_argument(--alpha, typefloat, default0.5) parser.add_argument(--weight_decay, typefloat, default1e-4) parser.add_argument(--save_dir, typestr, default./checkpoints) args parser.parse_args() os.makedirs(args.save_dir, exist_okTrue) main(args)4.2 超參數(shù)調(diào)優(yōu)經(jīng)驗(yàn)談超參數(shù)沒(méi)有銀彈但有一些經(jīng)驗(yàn)法則可以遵循批量大小Batch Size受限于GPU顯存。在顯存允許范圍內(nèi)較大的批次如8, 16通常能使訓(xùn)練更穩(wěn)定梯度估計(jì)更準(zhǔn)確。如果顯存不足可以嘗試使用梯度累積來(lái)模擬大批次效果。初始學(xué)習(xí)率Learning Rate對(duì)于使用預(yù)訓(xùn)練權(quán)重的模型學(xué)習(xí)率不宜過(guò)大。1e-4是一個(gè)不錯(cuò)的起點(diǎn)。對(duì)于骨干網(wǎng)絡(luò)我們通常使用更小的學(xué)習(xí)率如lr * 0.1進(jìn)行微調(diào)以避免破壞預(yù)訓(xùn)練好的底層特征。優(yōu)化器AdamW是目前很多視覺(jué)任務(wù)的默認(rèn)選擇它修正了Adam的權(quán)重衰減方式泛化性能通常更好。SGD配合動(dòng)量如0.9和合適的學(xué)習(xí)率調(diào)度在充分訓(xùn)練后可能達(dá)到更高的精度但需要更仔細(xì)的調(diào)參。權(quán)重衰減Weight Decay一種正則化手段防止過(guò)擬合。1e-4是常用值。訓(xùn)練輪數(shù)Epochs需要觀察驗(yàn)證集指標(biāo)。當(dāng)驗(yàn)證集mIoU在連續(xù)多個(gè)epoch如10-20個(gè)不再提升甚至開(kāi)始下降時(shí)就應(yīng)該提前停止Early Stopping防止過(guò)擬合。數(shù)據(jù)增強(qiáng)強(qiáng)度增強(qiáng)太弱模型容易過(guò)擬合增強(qiáng)太強(qiáng)可能學(xué)不到有效特征。需要根據(jù)數(shù)據(jù)集大小和多樣性進(jìn)行調(diào)整。一個(gè)技巧是可視化增強(qiáng)后的圖像和掩碼確保增強(qiáng)是合理且同步的。4.3 模型推理與可視化訓(xùn)練好的模型最終要用于預(yù)測(cè)。這里提供一個(gè)簡(jiǎn)單的推理和可視化腳本。def predict_and_visualize(model, image_path, device, transform, save_pathNone): model.eval() # 1. 加載并預(yù)處理圖像 image cv2.imread(image_path) image_rgb cv2.cvtColor(image, cv2.COLOR_BGR2RGB) original_h, original_w image.shape[:2] # 應(yīng)用與驗(yàn)證集相同的轉(zhuǎn)換僅歸一化ToTensor input_tensor transform(imageimage_rgb)[image].unsqueeze(0).to(device) # 增加batch維度 # 2. 預(yù)測(cè) with torch.no_grad(): output model(input_tensor) pred_mask torch.argmax(output, dim1).squeeze().cpu().numpy() # [H, W] # 3. 將預(yù)測(cè)掩碼上采樣回原始尺寸 pred_mask_resized cv2.resize(pred_mask.astype(np.uint8), (original_w, original_h), interpolationcv2.INTER_NEAREST) # 最近鄰插值保持類別標(biāo)簽 # 4. 可視化 # 為不同類別定義顏色BGR格式 color_map np.array([[0, 0, 0], # 背景 - 黑色 [0, 255, 0], # 健康組織 - 綠色 [255, 0, 0]], dtypenp.uint8) # 病斑 - 藍(lán)色 colored_mask color_map[pred_mask_resized] # 將原始圖像與彩色掩碼疊加半透明 overlay cv2.addWeighted(image, 0.7, colored_mask, 0.3, 0) # 5. 保存或顯示 if save_path: cv2.imwrite(save_path, overlay) else: cv2.imshow(Prediction, overlay) cv2.waitKey(0) cv2.destroyAllWindows() return pred_mask_resized, overlay5. 常見(jiàn)問(wèn)題排查與性能優(yōu)化技巧在實(shí)際操作中你幾乎一定會(huì)遇到下面這些問(wèn)題。這里是我踩過(guò)坑后總結(jié)的排查清單。5.1 訓(xùn)練問(wèn)題排查表問(wèn)題現(xiàn)象可能原因排查步驟與解決方案Loss為NaN或突然變得巨大1. 學(xué)習(xí)率過(guò)高。2. 數(shù)據(jù)中存在異常值如像素值超出范圍。3. 損失函數(shù)計(jì)算有誤如除零。4. 梯度爆炸。1.立即降低學(xué)習(xí)率如降到1e-5。2. 檢查數(shù)據(jù)加載和歸一化過(guò)程確保輸入圖像像素值在[0,1]或[-1,1]之間。3. 在損失函數(shù)計(jì)算中加入微小平滑項(xiàng)smooth1e-6。4. 啟用梯度裁剪clip_grad_norm_。Loss下降很慢或不下降1. 學(xué)習(xí)率過(guò)低。2. 模型初始化或預(yù)訓(xùn)練權(quán)重加載有問(wèn)題。3. 數(shù)據(jù)增強(qiáng)過(guò)于激進(jìn)導(dǎo)致模型無(wú)法學(xué)習(xí)。4. 批歸一化BatchNorm層在訓(xùn)練初期不穩(wěn)定。1. 嘗試增大學(xué)習(xí)率如5e-4。2. 打印模型參數(shù)檢查預(yù)訓(xùn)練權(quán)重是否成功加載??梢詢鼋Y(jié)骨干網(wǎng)絡(luò)前幾層先訓(xùn)練后面部分。3.減弱或關(guān)閉部分?jǐn)?shù)據(jù)增強(qiáng)先讓模型過(guò)擬合一個(gè)小數(shù)據(jù)集確認(rèn)學(xué)習(xí)能力。4. 可以嘗試使用SyncBatchNorm多GPU或GroupNorm替代或在訓(xùn)練初期使用更小的batch size。驗(yàn)證集指標(biāo)mIoU遠(yuǎn)低于訓(xùn)練集1.過(guò)擬合模型記住了訓(xùn)練集噪聲。2. 訓(xùn)練集和驗(yàn)證集分布不一致。3. 驗(yàn)證時(shí)數(shù)據(jù)預(yù)處理與訓(xùn)練不一致。1. 加強(qiáng)正則化增加Dropout率、加大權(quán)重衰減、使用更強(qiáng)大的數(shù)據(jù)增強(qiáng)。2. 檢查數(shù)據(jù)集劃分是否隨機(jī)、合理。確保兩者光照、背景等條件相似。3.仔細(xì)核對(duì)驗(yàn)證集的transform確保沒(méi)有誤用訓(xùn)練時(shí)的增強(qiáng)。預(yù)測(cè)結(jié)果全是背景或某一類1.嚴(yán)重的類別不平衡損失函數(shù)被主導(dǎo)類支配。2. 最后一層卷積的初始化有問(wèn)題。3. 學(xué)習(xí)率策略過(guò)于激進(jìn)模型“學(xué)壞了”。1. 使用加權(quán)交叉熵?fù)p失給少數(shù)類更大權(quán)重或Dice Loss。2. 檢查分割頭最后一層的初始化確保其輸出不會(huì)一開(kāi)始就偏向某一類。3. 使用warm-up策略讓學(xué)習(xí)率從很低的值逐漸上升給模型一個(gè)穩(wěn)定的開(kāi)局。GPU內(nèi)存溢出OOM1. 輸入圖像尺寸太大。2. 批次大小Batch Size太大。3. 模型過(guò)大如用了ResNet-101。1. 在數(shù)據(jù)加載時(shí)將圖像Resize到固定的小尺寸如512x512。DeepLabV3對(duì)輸入尺寸不敏感。2.減小Batch Size這是最直接有效的方法。3. 使用梯度累積每N個(gè)小批次累加梯度后再更新一次權(quán)重模擬大批次效果。4. 考慮使用更輕量的骨干網(wǎng)絡(luò)如MobileNetV2。5.2 性能優(yōu)化與部署考量當(dāng)模型訓(xùn)練滿意后你可能需要考慮效率和部署模型量化Quantization將模型權(quán)重和激活從FP32轉(zhuǎn)換為INT8可以大幅減少模型體積、提升推理速度對(duì)精度影響很小。PyTorch提供了torch.quantization工具。TorchScript導(dǎo)出使用torch.jit.trace或torch.jit.script將模型導(dǎo)出為T(mén)orchScript格式可以在沒(méi)有Python環(huán)境的C程序中運(yùn)行或者用于移動(dòng)端部署。ONNX導(dǎo)出將模型導(dǎo)出為ONNX格式可以接入更廣泛的推理引擎如TensorRT, OpenVINO等進(jìn)行進(jìn)一步的圖優(yōu)化和硬件加速。測(cè)試時(shí)間增強(qiáng)TTA在推理時(shí)對(duì)輸入圖像進(jìn)行多種增強(qiáng)如翻轉(zhuǎn)、旋轉(zhuǎn)將多個(gè)預(yù)測(cè)結(jié)果進(jìn)行平均通常能小幅提升模型魯棒性和精度但會(huì)成倍增加計(jì)算量。5.3 關(guān)于數(shù)據(jù)集構(gòu)建的終極建議模型的上限由數(shù)據(jù)決定。對(duì)于葉片病害分割質(zhì)量高于數(shù)量100張精確標(biāo)注的圖像遠(yuǎn)勝于1000張粗糙標(biāo)注的圖像。病斑的邊界一定要標(biāo)得準(zhǔn)確。多樣性是關(guān)鍵確保數(shù)據(jù)集中包含不同品種的植物、不同生長(zhǎng)階段、不同發(fā)病時(shí)期早期、中期、晚期、不同光照條件、不同拍攝角度和背景的圖片。標(biāo)注工具推薦使用專業(yè)的標(biāo)注工具如Labelme,CVAT,EISeg等它們支持多邊形或筆刷標(biāo)注并可直接導(dǎo)出為Pascal VOC或COCO格式的掩碼圖。數(shù)據(jù)劃分務(wù)必進(jìn)行隨機(jī)劃分如7:2:1或8:1:1確保訓(xùn)練集、驗(yàn)證集、測(cè)試集的數(shù)據(jù)分布一致。絕對(duì)不要按順序或按文件夾劃分。這套基于PyTorch的DeepLabV3葉片病害分割源碼從數(shù)據(jù)準(zhǔn)備、模型構(gòu)建、訓(xùn)練調(diào)優(yōu)到問(wèn)題排查提供了一個(gè)完整的實(shí)戰(zhàn)框架。最關(guān)鍵的還是動(dòng)手去做用自己的數(shù)據(jù)跑一遍整個(gè)流程過(guò)程中遇到的每一個(gè)報(bào)錯(cuò)和異常現(xiàn)象都是加深理解的最好機(jī)會(huì)。模型訓(xùn)練完成后試著把它集成到一個(gè)簡(jiǎn)單的Web應(yīng)用或移動(dòng)端App里看著它實(shí)時(shí)識(shí)別出葉片上的病斑那種成就感才是驅(qū)動(dòng)我們不斷探索的真正動(dòng)力。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
九月婷婷综合在线| 色综合99无码 | 色五月激情网| 99热这里只有精品5| 婷婷久久久| 熟妇内谢69XXXXXA片| 在线中文AV| 草榴视频黄色网| 综合玖玖偷拍| 婷婷五月天 偷拍| 99久99久| 五月天精品综合| www.色婷婷| 一起草Av| 人碰人人人玩91| 婷婷五月天基地| 婷婷的色色五月天| 最近免费中文字幕大全高清大全1| 九九香蕉网| 91精品久久久久久久久久| 啪啪五月婷婷| www.婷婷网| 天天爽日日搞| 丁香色成人| 五月婷婷AV| 99色爱| 操婷婷久久| 五月天婷婷狠狠| 丁香五月天在线观看视频| 天天肏天天插| 久热精品视频| 婷婷五月天久久| 九九九九操逼| 日韩ac不卡无码| xxx综合在线| 99re这里有精品手机在线| 中文字幕日韩无码制服诱或| 91碰在线| 丁香六月天婷婷色| 狠狠色丁香五月婷巨| 狠狠操.COM| 久久精品99久久久久久| 人人操婷婷| 丁香婷婷啪啪| 五月婷中文字幕| 丁香 亚洲 久久| 五月婷婷综合网| 丁香花五月天| 婷婷狠狠操| 亚洲av电影在线| 中美日韩成人在线| 天天日综合| 欧美99| 五月叮香啪| 操操操www.com| 色五婷婷开心缴| 婷婷激情六月| 久久九九中文字幕| 色婷婷亚洲精品天天综| av操逼网| 亚州激情网站无码| 婷婷五月天成人网| www久久久久久| 性生活视频98791| 婷婷五月天少妇| 超碰色综合| 97五月婷| 日日干日日s| 91操熟女| 日韩99视频| 天天色天天爱天天爽| 思思热99热| 亚洲精品网址| 五月天婷婷操逼视频| 桔色成人官方网站| 亚洲AV成人在线| 亚洲天堂有码| 婷婷激情五月天小说校园| 激情小说在线视频| 久碰视频| 99久久6| 超碰9在| 丁香婷婷五色月| 成人丁香五月| 色婷婷婷av | 久久这里只有精品07| 久热免费| 97搞在线| 五月天婷婷高清无码| 日日噜噜夜夜狠狠久久丁香五月| 深夜男女福利刺激影院一区完整| 丁香婷婷91在线观看视频| 丁香五月亚洲综合| 丁香六月婷婷综合在线| 五月婷婷色色爱| 99热九九这里只有精品10| 五月天综合在线观看视频| 99视频综合网| 玖玖资源站中文| 国内一级片| 五月婷婷色男女| 久久久com| 99热免费观看| 色综合大香蕉| 狠狠香蕉| 欧美日综合| 日韩在线99| 亚洲成人无码片| 六月丁香影院| ztEJj| 婷婷色色播五月天| 激情玖玖sh| 狠狠综合| 99精品成人无码A片观看金桔| 97资源碰碰在线| 开心五月网 | 九九无码| 日韩一级A片黄色| 狼人狠狠操| 五月丁香成年黄色| 97人妻碰碰碰久久香蕉| 六月婷婷久久| 激情久久久| 碰碰91| 久久新地址| 人人妻人人澡| 五月天色影院| 思思热99er在线视频| www久久99| 国产韩日亚洲美州欧亚综合在线| 欧美日韩999| 99ri国产在线| 日日干夜夜干| 伊人久久综合| 婷婷五月激情的图片| 丁香五月综合久久综合| 久久女婷| 青青草深爱激情网| 91人无码久久久久久| 婷婷久久综合久色| 91成人电影| 九九热自拍| 99视频久久| 色色色图| 亚洲 小说 欧美 激情 另类| 亚洲免费电影2| 亚洲这里只有精品| 色播六月| 国产AV一区二区三区最新精品| 狠狠色狠狠鲁| 九一九九黄色| 99综合色| 99综合| 5月丁香啪啪啪| 琪琪理论片| 成人国产欧美大片一区| 五月天开心婷婷激情网站| 午夜九九九九九九九九九九九九九| 色噜噜狠狠色综无码久久合欧美| 丁香五月激情六月欧亚激情综合导航| 亚洲视频一区| 亚洲精品色| 大香蕉婷婷丁香天堂AV| 久久人妻少妇嫩草AV| 五月婷婷,六月婷婷| 五月天色丁香| 丁香五月六月久久综合 | 婷婷五月天影视| 国产AV成人精品| 日日日日日| 国产avapp 网| 超PEN精品在线| 天天操天天曰| 五月婷婷深深爱爱| 亚洲丁香五冃97色| 另类图片天天影视在线观看| 久久开心五月婷婷| 99久久久久| 国产精产国品一二三在观看| 色噜噜97视频在线观看| 亚洲欧洲自拍图片专区五月天| 91av视频| 色色亚洲视频| 嫩草乱码一区三区四区| www.狠狠操.co m| 日本成人内射| 天天噜噜| 五月天开心婷婷激情网站| 亚洲超碰在线| 一级性爱大片| 无码人妻精品一区二区蜜桃色欲| 狠狠操狠狠插| 99视频在线观看视频| 五月婷婷六月丁香玖玖玫瑰91| 开心激情网五月天| 99r这里只有精品在线观看| 人人97碰| 丁香九月激情在线视频| 色色丁香五月天| 色综合性视频| 五月大香蕉| 99在线看片| 99ri国产在线| 五月丁香婷婷成人网| 九九99九九99偷拍视频免费看| 欧美婷婷色| 超碰99久久| 深爱五月天 开心网| 婷婷色色丁香五月天| 久久精品一区二区三区四区| 婷婷久久亚洲| 婷婷五月天亚洲综合| 五月丁香精品| 九八Av| 久久久8| 激情小说视频图片网| 国产ava| 高清资源站日A美A欧亚…| 婷婷伊人综合中文字幕| 丁香五月亚综合图片| 狠狠舔| 9 1在线视频| 国产毛多水多女人A片| 日韩在线观看亚洲| 97 A I色色| 99丁香五月婷| www久久久| 色射7856五月天激情四射| 色婷婷丁香五月| 天天日综合| 97丁香五月天| 视频综合网| 色欧美影院| 久久5 9视频免费观看| 国产日韩欧美性爱| 色色五月丁香| 99热99美国在线观看| 一级A片天天操夜夜操| 丁香五月情| 性爱111111| 天天爽天天爽| 亚洲精品亚洲人成人网| 欧美日韩成人一区二区| 色播五月| 天天爱夜夜爽| 俺也高清无码高清视频| 99热精品6| 五月色婷婷综合色| 97操在线视频| 色欲天天综合| 久久久999精品| 伊人五月综合网| 一本道在线电影| 九九精品免费| 99爱视频在线观看这里只有精品| 噜噜噜狠狠色综| 2025天天日爽| 激情视频综合| 欧美精品啪啪| 婷婷久久99| 爱婷婷都市激情| 色婷婷五月天不卡| 99操逼| 午夜电影网VA内射| 人人澡天天色天天做| 日韩操人| 日本熟妇精品99| 国产操B视频| 新激情综合| 久久婷婷电影| 超碰高清在线| 国产精品操| 色播五月天婷婷老师| 色五月中文字幕| 婷婷丁香综合在线| 射久久丁香五月| 婷婷九月在线| 中文字幕成| 金品在线视频99| 综合网狠狠| 亚洲四色五月| 超碰在线国产9| 婷婷欧美激情综合| 99在线观看| 激情五月婷婷综合| 色婷婷最爱五月| 人人干天天操五月丁香| 婷婷五月丁综合| 五月婷婷人妻| 人妻aV在线| www.久久久久久久| 日本综合久久| 伊人婷婷福利网| 亚洲无码影音| av最新在线| 踪合专区啪啪| 五月婷成人| 丁香五月在线伊人| 1010日日无码| h亚洲| 五月婷婷色色色| 亚洲天堂色色| 婷婷五月成人| 激情5月婷婷| 婷婷五月综合基地| 99碰网站| 免费日韩99| 激情综合五月色在线| 婷婷五月欧美综合| 天天日,天天射,天天舔| 婷婷五月丁香啪啪| 五月天综合| 婷婷无五月无码视频| 色开心五月婷婷丁香HD| 操逼毛片国语对白| 激情婷婷亚洲五月| 色色色色网| 中文AV在线播放| 九九免费视频| 国产精品色色| 岛国午夜视频| www.日本久久videos| 成人小说 五月天 婷婷| 婷婷天天日婷婷| 热99精品视频五月| 国产FREESEXVIDEOS性中国| 中文字幕在线视频播放| 97人妻碰碰碰久| 99热成人精品| 五月天婷婷社区| 久久婷婷六月综合| 久热精品免费视频4| 久色88| 亚洲人妻av| 久久这里都是精品视频| www.夜夜操| 成人午夜无码视频| 6 9式性爱视频在线播放| 在线观看中文字幕亚洲| 五月开心婷婷| 91精品久久久久久77777| 乱岳熟女50岁| 日本97在线| 亚洲五月天第一综合干| 欧美成人性爱网| 天天摸天天肏| 1024成人免费看| 九九五月天| 色婷婷先锋| 生活片五区| 日产精品一线二线三线芒果| 人人摸人人操人人爽| 五月青青草综合| 婷婷综合视频| 亚洲激情四射色| 五月丁香视频色色| 无码激情精品色婷婷久久久久| 亚洲激情另类| 无码激情AAAAA片-区区| 91碰视频| 久久机热/这里只有精品| 色色色热| 99狠狠操一| 五月亭亭六月激情| 激情av| 1024欧美看片| 成人五月天综合网| 深爱激情综合| 五月天丁香婷婷视频网址| 丁香五月香蕉| 欧美婷婷成人| 国产一二区爆乳_1国产日韩一区二区三-成人AV| 91人碰| 26uuuavcom| 婷婷涩五月| 亚洲一二三网| 天堂爱爱| 日韩无码色色| 在线观看亚洲视频影院| 久久久久久久合一狠狠做深爱| 亚洲热视频| www.99热这里精品| 四月婷婷丁香| 中文字幕乱码亚洲精品一区| 久久婷婷五月天激情新地址| 另类图片激情五月| 97超级碰碰碰久久久| 国产精品成人在线| 天堂网操| 色狠狠伊人久久五月丁香| 狠狠爱婷婷| 日本操B视频| 玖热精品综合视频| 九九99热久久精品66中文字幕| 丁香性爱在线视频| 小视频aaa久久久| 婷婷少妇激情| 97日本在线| AV天堂婷婷五月天| 国产真实乱对白精彩| 综合色播| 欧美在线干| 五月天丁香看婷婷| 五月 婷婷 成人| 久久99国产综合精品免费| 97香蕉碰碰人妻国产欧美| 开心五月激情网| 99热97美女| 丁香久久五月天视频在线观看| 色99色| 亚洲四色五月| 久久538| 91久久久久| 五月天性色| 少妇人妻人伦A片| 99婷婷五月天| 99操视频| 五月丁香色婷婷婷基地| 婷婷色中文字幕| 国产av基地| 亚洲操操操| 人人97操| 久久视频婷婷| 五月婷婷婷| 色五月AV| 婷婷网影院| 伊人五月综合网| 五月花激情网| 五月丁香色婷婷| 九九中文字幕九| 停停五月丁香| 婷婷五月色惰| 久久六月天| 日韩av在线免费观看| 玖玖精品视频| 丁香五月大香蕉AV| 婷婷内射视频在线| 超碰人人射| 大香蕉AV在线| 97久久久久| 五月丁香影院| 美女丁香五月天| 综合婷婷| 国产美女最新VA在线免费观看| 欧美怡红院黄站| 日日婷婷不卡| 九九色婷婷Av| 吉澤明步Av一區二區| 99久久超级| av五月天婷婷丁香| 91狼友视频网页更新| 激情狠狠丁香月| 天天干天天日蜜臀av| 天天橾夜夜爽| 欧美色色色色色色| 97综合在线| 狠狠干五月天婷婷网| 亚洲精品视频在线播放| 婷婷五月激情片| 婷婷5月久久综合网站| 79精品视频| 色婷婷色综合激情91| 九九99精品视频| 色婷婷电影网| 青青久在线视频免费观看| 综合六月激情婷婷| 五月天之色情综合网| www.99热在线观看| 色婷婷中文字母五月丁香| 欧美日韩中文国产一区发布| 伊人五月天婷婷| 亚洲精品网址| 色色婷| 色五月开心婷婷| 天天插天天干| 五月婷婷六月基地| 99亚洲精美视频在线观看| 91精品久久久久久77777| 婷婷五月激情四月综合 | 91久久久久久久久18| 97婷婷丁香五月天激情图片| 五月丁香婷婷五月色| 一级操逼内射在线视频| 婷婷五月香蕉| 超碰免费人| 亚洲视频99| 超碰在线成人| 亚洲操操操| 日日舔夜夜操| 欧洲毛片基地c区| 免费观看18视频网站| 丁香六月天之亚州热女| 丁香六月啪啪啪| 九九这里有精品| 十月丁香婷婷| 五月婷婷黄色毛片| 成人午夜无码视频| 99热九九热| 我爱大香蕉| 超碰成人黄色网| 久久精品系列| 激情五月综合ì香亚洲| 中文字幕成人日韩| 无码色色色| 五月丁香六月婷婷的女人| 人人综合久| 国产成人精品一区二三区熟女在线| 狠狠干五月丁香综合网| 婷婷五月丁香av网站| 激情色五月天| 99久久6| 欧美成人精品一区二区 | 丁香六月综合激情| 久色| 五月丁香婷中文| 中文字幕综合| 婷婷热色| 婷婷五月天综合网| 色婷婷狠| 国产精品香蕉| 久久久久久久综合狠狠综合| 欧美性爱日韩性爱| 大香蕉在九| 亚洲天堂AV免费片| 正宗黄色毛片| 婷婷香蕉精品| www久久99| 五月天亚洲综合网| 九九成人精品| 轮奸综合网| 久久182| 99成人| 超级碰碰碰97免费| 久狠日av| 婷婷五六月丁香| 激情av在线| 新激情婷婷| 婷婷激情综合| 91色吧网| 婷婷五月天伊人网| 99色热视频| 五月天亚洲图片婷婷| 欧美丰满熟妇BBB久久久| www.五月天色色.com| 狠狠五月综合在线| 丁香五月婷婷少妇| 依人大香蕉| 九九av在线| 丁香五月激情啪啪综合| 久久精品国产精品| 国产超碰在线| 天天干电影| 欧美大香蕉视频| 激情綜合W W W,激情五月天| 天天操夜夜肏| 97婷婷丁香五月| 天天日夜夜高潮| 婷婷五月天久久久| 欧美日韩123| 天天色五月婷婷91久久久久久久| 嫩草AV久久伊人妇女超级A | 国产女18毛片多18精品| 亚洲精品又粗又大又爽A片| 26UUU欧美| 久久久久久久久99精品| 五月天久久www| 久热99视频在线观看| 色区久久| 欧美日韩aaa| 九九九九国产| 99热日韩| 久久婷婷色| 亚洲六月色| 亚洲丁香网| 久久成人精品视频| 蜜臀av在线成人电影| 狠狠人人| 五月婷婷这里都是精品| 婷婷丁香成人在线视频| 六月婷婷狠狠| 五月色情婷婷开心五月天| 色色色色色色色色五月先| 99视频久久久| 亚洲色图五月丁香| 99久操| 91日韩美女被插视频| 亚洲av无码影院| 丁香狠狠操| 婷婷久久婷婷| 婷婷丁香五月色偷偷| 五月天丁香婷婷社区| 日本久碰| 日韩免费99| 综合伊人久久| 伊人www22综合色| 99狠狠色| 97福利视频| 五月丁香六月激情综合网| 级情九色| 熟女激情网| 丁香伊人激情| www.狠狠干com| 激情五月丁香综合网站| 六月丁香婷婷综合在线| 在线成人视频免费| 大香蕉久久| 97久久久| 丁香久久在线| 国产女人十八水真多1| 综合久久久婷| 免费观看亚洲AV片| 蜜臀A∨在线水帘洞| 六月丁香啪| 一婬一伦一区二区三区| 淫视馆AV在线| 成人操呦av| 久久伊人日日夜夜| 成人五月天视频播放| 婷五月天| 婷婷大香蕉| 九九热最新| 伊人99久久| 超碰在线观看成人视| 丁香五月婷婷欧美激情-中文天堂最新版在线观看 | 日本三级中国三级99人妇网站| 激情五月婷婷| 无码一级片| 99久久www| 人人爽天天莫| 亚洲色欲欧美一区二区三区| 2025年最新亚洲在线欧美| 婷婷丁香五月网| 99色婷婷| 久久A极片| 久久综合五月婷婷| 九九色中文| 亚洲婷婷婷| 五月天播播中文字幕 | 五月丁香六月成人| 丁香五月婷婷动漫| 美女天天爽| 超碰av在线| 色呦精品| 大香蕉久久草| 久久五月丁香六月婷| 亚洲视色| 婷婷六月综合激情| 91九九九九九九| 婷婷丁香激情综合色情| 操操操操操电影网| 色丁香五月天| 亚洲三级无码| 色域五月婷婷丁香| 婷婷五月丁香色情| 123草逼网| 99ER热精品视频| 天天综合色| 99热这里只有精品在线| 免费日本aⅴ中文字幕 | 九九精品片一| 天天色视频| 久9热| 91精品丝袜久久久久久久久粉嫩| 99热在线爱| 久久亚洲激情五码| 五月丁香六月天| 九九美女视频| 婷婷狠狠久久| 黄色一级影片| 狠狠爱成人综合网| 99色综合| 久久综合五月| 乱岳熟女50岁| 久久色天堂| 凹凸操Av| 亚洲激情四射| 丁香五月成人丝袜| 很操日本7| 99日本精品视频热| 五月婷久草| 婷婷五月天直播| 精品女人九九九| 婷婷五月天综合亚洲| 久久九九中文字幕| 九九热视频免费| 丁香五月六月综合激情| 97五月天婷婷综合激情网| 亚洲mm色| 丁香婷婷社区| 91丨九色丨熟女|老版| 热这里| 婷婷色六月| www.色九月| 婷婷五月天首页| 久热婷婷| 超碰在线人人| 九九在线精点品| 国产午夜精品一区二区三区四区| 丁香五月色| 丁香五月在线播放| 国产乱轮一区二区三区| 六月婷婷无码观看| 五月天另类小说| 婷婷丁香社区| 日日舔夜夜操| 婷婷伊人五月天| 青青夜夜狠狠夜夜狠狠| 中文字幕成人| 五月天伊人综合| 国产无套精品一区二区| 成人草榴视频| 丁香五月婷婷六月婷| 婷婷五月丁香五月| 任你爽精品免费视频6| 67194中文字幕| 五月丁香激情婷婷综合| 伊人综合网站| 五月花综合网| 996er热| 五月婷网| 五月停停999| 婷五月天丁香婷五月| 99热在线成人网站| 色色999三级片| 激情五月五月五月婷婷| 国产乱子轮XXX农村| 99惹在线精品免费观看| 天天色色天天| 成人短视频在线观看| 久久狼人天堂| 97人人操人人| 伊人久久大香网| 久青操| 大香线蕉伊人| www.射伊蕉婷婷| 五月丁香六月婷婷成人电影| 色婷婷在线影院| 亚洲无码色色| 丁香五月WWW| 婷婷五月天在线一区| 久久综合综合综合| 亚洲欧美一区二区三区爱爱动图| 香蕉99网| 色五月婷婷亚洲| 影音先锋91网站在线观看| 色婷五月天亚洲| 国产成人精品亚洲线观看| 99热在这里只有免费精品| 99热9| 激情五月丁香色婷婷| 丰满人妻一区二区三区| 日日干日日s| 国产AV影片| 热99这里只有精品视频| 噢美99| 天天干天天爽天天爽| 色五天综合| 热成人网| 日韩大片艹艹| 五月婷啪| 亚洲激情亚洲激情 | 天天日人人| 97高清国语自产拍| 五月天五月婷五月激情网| 丁香五月天91| 五月第四色| 婷婷久久婷婷| 亚欧州精品视频| 九九aV| 精品人妻伦| 女人被躁到高潮嗷嗷叫小| 五月成人网天天| 久热天堂| 丁香五月婷婷色情综合| 六月婷婷天天操夜夜爽视频| 免费看欧美成人A片无码| 深爱激情四射| 在线色婷婷| 婷婷综合视频| 五月天社区| 疯狂做受XXXX高潮A片动画| A色色| www.久操| 久久新地址| 六月综和久久| 五月停亭久久电影| 另类图片激情五月| 五月六月丁香激情视频| 亚洲日本韩国| 激情六月天婷婷| 久久婷婷五月综合伊人| www.婷婷五月天| 精品草原久久视频| 日韩成人电影在线播放| 色狠狠综合| 伍月婷丁香花全集| 五月婷婷丁香啪啪| 超碰在线人妻| 婷婷五月天激情五月天| 国产熟女大叫受不了| 大香蕉五月天婷婷| 99热12| 日韩狠狠色| 办公室少妇激情呻吟A片在线观看| 人人视频色| 久操干| 99久久婷婷国产综合精品草原| 五月婷婷丁香在线视频| 久久人人九九| 怡红院AV亚洲一区二区三区H| www,天天干| 天天狠狠婷婷在线| 拍色综合| 色五月激情五月天| www,色色色网站| 天天干夜夜操A片| 久久99久久久久久久噜噜| 九九精品热| 无码色| 激情婷婷另类| 五月婷婷色| 五月天激情日色在线| 99久久6| 丁香五月另类小说| 女人露出p毛视频www网站| 婷婷色色网站| 在线观看亚洲视频影院| 久久日本wwww色| 婷婷操逼| 六月色丁香中文字幕| 丁香九月婷| 婷婷五月天av小说| 第五色婷婷| 欧美日韩AAA| 深爱婷婷基地| 丁香六月激情综合网| 97色碰| 五月婷婷中文字幕AV| 99热www.| 九热视频在线精品15| 超碰狠狠干99| 五月婷久久| 美女丁香五婷婷| 欧美激情xxxXX| 黑人熟妇一区二区三区| 婷婷五月天99综合网站| 可以看的AV| 99在线观看精品视频| 六月丁香射婷婷欧美色图片| 久婷婷五月综合欧美| 中文字幕 中文字幕明步| 午夜成人AV在线| 天天舔天天摸视频| ri电影在线| 啪啪黄页网| www99精品在线观看| 五月丁香婷婷基地| 久久五月婷婷丁香| 激情六月一二| 婷婷五六日| 亚洲免费看片| 五月婷婷激情性爱| 日亚二欧美| 日韩欧美婷婷丁| 日本视频不卡123区| 99色在线| 丁香五月婷婷五月| 九九热AV| 久久婷狠狠色| 无码动漫av| 开心五月婷婷婷美女| 激情网五月婷婷| 五月丁香综合啪啪対白| 夜夜爽天天| 99热超碰| 99re99在线看| 丁香色色网| 99热人人| 日韩成人av在线| 九九这里是免费的视频5| 丁香九月激情久久| 大香蕉娱乐| 成人va在线| 麻豆忘忧草午夜| 夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂亚洲亚洲亚洲亚洲亚洲亚洲亚洲亚洲色 | 国产看真人毛片爱做A片| 色婷婷亚洲婷婷| 99热九九热| 丁香五月婷婷六月| 91日韩在线| 91九九| 99视频内射三四| 丁香五月色情| 99热一区| 色色五月丁香| 九九热在线视频| 国产精产国品一二三在观看| 性一交一乱一交A片久| 内射爽无广熟女亚洲| 精品夜夜澡人妻无码AV| 中字幕视频在线永久在线观看免费 | 日韩青青| 五月做爱| 婷婷自拍| 激情综合网激情五月天| 九洲一级A片| 五月天堂色| 66精品国产成人| 亚州激情网| 开心五月婷婷六月丁香| 五月丁综合在线观看| 米奇影视资源婷婷狠狠色激情欧美五月丁香| 99热这里只有精品13| 蜜桃婷婷丁香| 久久亚洲激情五码| 激情五月天婷婷在线网址发给我| 色日本综合| 五月婷婷久久综合| 丁香五月欧美| 人与禽A片啪啪| 久久婷婷免费| 色色色色色色五月婷婷| 五月天婷婷网站888| 六月婷婷色综合| 六月综和久久| 99热的无码| 五月天激情久久| 日本色99| 97精品综合久久| 成人.在线日韩| 色五月激情图片| 欧美人人女女精品综合五月天| 日本美女上人| 再綫Av免费視品| 我爱va亚洲va52| 天天做天天摸| 久久久精品AV| 亚洲激情av| 激情久久伊人| 一起肏在线视频| 五月天大香蕉| 99亚洲欧洲| 六月丁香综合| 99热婷婷| 97干干干丁香| 丁香激情五月少妇| www久久久| 久热这里只有精品99re,久热这里只有精品7 | 五月丁香啪。| 青青.com| 五月天堂在线| 综合色影院| 色婷婷丁香AV综合| 天天干 夜夜爽| 久操大香蕉| 欧美电影在线观看| 99热久久日本| 掩去也综合五月视频| 中文字幕 久久9999| 丁香六月婷婷五月婷婷| 久久精彩免费视频| 五月天小说激情| 久久综合综合久久| 日韩无码人妻一区二区三区综合 | 色噜噜狠狠色综无码久久合欧美| 五月婷婷香蕉| 婷婷久久丁香五月| 色亭亭五月天网扯| 色婷婷小说网| 99精品在线| 超级碰91| 高潮毛片遮挡费高一百度| 播五月丁香六月| 婷婷精品视频| 亚洲日比视频| 99九九久久| 婷婷五月天另类网站| 99日本黄站| co超碰在线观看| 久婷婷婷| 色色网站免费观看| 久久综合中文| www超碰com| 婷婷五月天成人| 六月婷婷九月丁香亚洲综合| 99碰碰| 超碰成人影视| 色狠狠狠干| 99这里都是精品6| 91久久久久久| 伊人碰碰婷婷| 新五月天婷婷激情电影| 玖玖无码中文| 五月婷护士| 人人色人人摸人人看| 五月天伊人网| 麻豆WWWCOM内射软件| 美女黄频aⅴ视频| 蜜臀嫩草| 色五月婷婷老师| 成人短视频在线免费观看| 五月永久激情| 9999久久久久| 91碰九色| 国产性色蜜乳| 狠狠干夜夜干| 日本专区久久| 国产片色| 丁香六月婷婷久久综合| 色www.con| 我要看激情五月天| 在线99热| 99久久久久久| 97色色综合| 五月网站| 色欲人妻综合aaaaaaaa网| 99精品在线| 任你搞免费视频观看| 丁香五月婷婷久久久| 日韩色五月| 色色图五月天| 美女要搞搞天天搞搞搞网站| 久99久视频| 亚洲四色五月| 久久性爰视频这里只有精品| 色播丁香| 天天看A片| 日本狠狠色| 色五月丁香91| 五月激情另类| 六月婷婷开心| 98色花堂98t.R| 激情五月丁香六月| 成人草榴视频| 激情com| 大香蕉久久| 狠狠99| 人。妻久久| 琪琪色网址| 亚洲XX日本| 五月天婷婷基地| 色婷婷久久| 9色在线视频| 老妇操B| 日本五月天婷婷丁香| 狼人伊人天堂| 五月激情综合网婷婷| 成人小说 五月天 婷婷| 人人操五月天| 婷婷丁香熟妇综合网| 六月撸婷婷| 久久一级片| 久久六月天| 亚洲国产成人AV在线| 色播丁香婷婷五月激情| 99视频| 丁香五月aV| 疯狂做受XXXX高潮A片动画| 欧韩性爱| 狠狠五月天| 五月婷婷六月丁香免费| 99re思思热久久| 狠狠爱综合| 大香蕉五月天| 99热主页日本| 91成人看片| 超碰在线观看9| 播播网色播播| 久久影视婷婷五月| 这里只有精品1| 中文字幕+中文在线| 五月天婷婷影院影院观看| 日本操B片| 色狠久| 91九色PORNY中文啦| 色情五月婷婷| 综合激情在线观看| 色婷婷亚洲婷婷| 色色色色色五月丁香| 丁香激情五月| 狠狠第四色| 激情综合无码| 久久99视频| 99热综合| 免费精品66| 国产成人AV| 五月激情黄色小说| 久久婷鲁| 丁香五月婷婷影院| 九月激情综合婷婷| 五月天婷婷操逼视频| 九九热99视频| 99热只有| 色播丁香五月婷婷操:屄| 亚洲国产精品VA在线看黑人| 人妻操操色| 丁香色色五月| 在线只有精品| 99福利导航| 久久香蕉网| 九九99视频精品| 国产性爱在线| 五月婷婷二月丁香| www.9797国产| 99久在线精品99re8热| 性爱先锋AV| 俺去也五月| 99热视精品| 色情五月| 九九色综合网| 99re思思| 99精品偷自拍| 九九性视频| 九九大香蕉黄色影院| 综合五月婷婷| 狠狠色丁婷婷日日,伊人激情综合网| 成人在线二区| 精品久久久人妻| 99热主页日本| 超碰在线91| 五月婷婷在线观看| www.日本91| 99无码精品| 日日夜夜噜噜爽爽| 美女91一起草| 99操| 伊人丁香婷婷东京| 牛牛色av| 97色婷婷| 天天干天天干天天干天天干天天干天天| 久久月天堂| 亚洲旡码| 狠狠做五月婷婷| 久热视频97AV在线观看| 超碰99久久| 欧美久久五月婷婷| se婷97| 激情综合无码| Va另类视频| 激情无码网| 六月丁丁香| 天天天久久人人人合| 成功精品影院| 五月激情婷婷女| 五月丁香精品| 美国少妇性做爰| 久久激情网| 美妞av| 久久五月天丁香| 五月丁香黄色视频| 五月婷婷激情综合拍| 国产精品操| 被强行糟蹋的女人A片| 另类激情综合| 99热香港| 99内射视频| 激情五月综合网| 色五月激情| 婷婷五月亚洲激情| 夜夜AVV| 日韩婷婷| 天天日天天摸| 成人片久久网站| 色婷婷AⅤ| 国产肥白大熟妇BBBB视频| 高清无码入口| 99高级会所久久| 97热九九| 六月成人网| 日本三级中国三级99| 五月婷六月丁香| 婷婷久久大香蕉| 蜜乳AV成人| 婷婷综合五月| 伊人五月天| 五月天激情国产综合AV| 中文字幕在线免费| 六月婷婷天堂| 99∨VTV| 日本丁香五月| 精品99网站| 热久久91| 色婷婷无吗| 精品人妻伦一二三区久久| 激情五月天天狠狠久久| www,五月丁,com| 男女99免费视频| 婷婷久久欧美| 图片区 小说区 区 亚洲五月| 欧美日韩成人高清在线| 五月丁香婷婷人体| 丁香五月亚洲AV| 最新日韩久热免费视频看看| 国产精品18久久久| 婷婷久久综合久| 五月婷婷婷| 婷婷日日天天| 亚洲视频a| 久久久久久久久久91| 亚洲av另类在线观看| 99热99在线| 大香蕉五月婷婷| 天天日,天天射,天天舔| 色婷婷最爱五月| 97啪啪| 99九九中文字幕视频| 人碰人人人玩91| 五月天婷婷影院| 色婷婷综合网站| 亚洲综合色网| 天天干天天爽天天操| 这里只有精品视频在线观看免费| 久久婷婷网| 五月天之色情综合网| 好吊兆人妻| 性做久久久久久久免费看| 五月婷婷无码| 久久视频婷婷| 国产色色色色| 九九热这里只有精品一| 思思久ren热| 超碰在线人妻| 台湾无码A片一区二区| 色黄啪啪| 99热 日韩| 香蕉久久国产AV一区二区| 久久婷婷五月综合| 久久综合五月天| 激情五月婷婷综合| 五月丁香婷婷三级| 五月丁香色狠狠干大屄| 日本在线免费中文com.| 激情综合啪啪啪| www.久久久.com| 欧美啪啪9| 中文字幕黄色电影网址| av一区免费看| 97搞在线| 五月天大香蕉av| 色伦专区97中文字幕| 91一起操| 99色在线视频| 激情六月综合| 婷婷久久亚洲| www.五月天色色.com| 激情九色| 日日日日日| 天天爽天天| 夜夜撸夜夜骑| 俺去也五月天| 成年人丁香五月| 久久99网| 99这里只有精| 丁香五月天啪啪| 草综合14| 丁香五月天资源网| 天天久| www.五月丁香| 婷婷久久色| 激情五月丁香婷婷夜夜操| 99久久婷婷| 激情综合五月| 婷婷五月天成人在线视频| www.久久99| 最新热中文字幕| 九九免费精品在线视频|