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。

Cosmos 3合成數(shù)據(jù)與VLM后訓(xùn)練實(shí)戰(zhàn):物理AI場(chǎng)景落地

Cosmos 3合成數(shù)據(jù)與VLM后訓(xùn)練實(shí)戰(zhàn):物理AI場(chǎng)景落地 在物理 AI 與具身智能項(xiàng)目里最讓人頭疼的往往不是模型算法本身而是兩件事第一真實(shí)場(chǎng)景數(shù)據(jù)太貴、太難采集第二模型在垂直領(lǐng)域里表現(xiàn)不穩(wěn)定。比如做智慧城市車流識(shí)別晴天效果尚可一到雨霧天氣誤報(bào)率就明顯上升做農(nóng)業(yè)機(jī)器人采摘換一個(gè)果園、換一種光照之前調(diào)好的視覺模型又要重新調(diào)參。這些問題背后其實(shí)都繞不開三個(gè)關(guān)鍵詞世界基礎(chǔ)模型World Foundation Model, WFM、視覺語言模型Vision-Language Model, VLM和合成數(shù)據(jù)Synthetic Data。本文圍繞 Cosmos 3 后訓(xùn)練實(shí)戰(zhàn)完整梳理一條可落地的技術(shù)鏈路先用 Cosmos 3 生成農(nóng)業(yè)機(jī)器人場(chǎng)景的合成數(shù)據(jù)再結(jié)合少量真實(shí)數(shù)據(jù)構(gòu)建 VLM 后訓(xùn)練集微調(diào)后部署到智慧城市視頻流推理任務(wù)中做效果驗(yàn)證。文章會(huì)說明每個(gè)環(huán)節(jié)為什么這樣做也會(huì)給出可運(yùn)行的示例代碼、常見報(bào)錯(cuò)排查表和工程落地建議。如果你正在做視覺語言模型選型、VLM 后訓(xùn)練、合成數(shù)據(jù)增強(qiáng)或者想了解 Cosmos 3 能干什么這篇文章會(huì)比較適合你。全文采用中英雙語的術(shù)語注釋方式代碼關(guān)鍵位置也保留雙語注釋方便對(duì)照學(xué)習(xí)。1. 背景與核心概念1.1 Cosmos 3 是什么Cosmos 3 是 NVIDIA 推出的世界基礎(chǔ)模型World Foundation Model系列在 3.x 版本中的核心成果。它并不是一個(gè)單一模型而是一組面向物理 AI 場(chǎng)景的模型和工具鏈主要目標(biāo)是讓模型理解“物理世界如何運(yùn)轉(zhuǎn)”并能夠生成接近真實(shí)物理規(guī)律的視頻幀序列。在機(jī)器人、自動(dòng)駕駛、智慧城市等場(chǎng)景中模型需要理解的不只是靜態(tài)圖像里的物體類別還包括物體的空間關(guān)系、運(yùn)動(dòng)趨勢(shì)、光照變化、遮擋關(guān)系、因果推斷等。這類能力很難從普通圖像分類數(shù)據(jù)集中學(xué)習(xí)而 Cosmos 3 等世界模型的核心價(jià)值就是通過對(duì)海量物理世界視頻的學(xué)習(xí)建立對(duì)“下一秒可能發(fā)生什么”的預(yù)測(cè)能力。與傳統(tǒng)的文生視頻模型相比Cosmos 3 更強(qiáng)調(diào)可控性和物理合理性。它能夠在文本指令、相機(jī)參數(shù)、運(yùn)動(dòng)軌跡等條件的約束下生成指定場(chǎng)景的連續(xù)視頻幀。這樣的合成視頻可以作為下游視覺模型的訓(xùn)練數(shù)據(jù)從而減少對(duì)真實(shí)數(shù)據(jù)的依賴。1.2 什么是后訓(xùn)練Post-training大模型領(lǐng)域通常把訓(xùn)練過程分為預(yù)訓(xùn)練Pre-training和后訓(xùn)練Post-training兩個(gè)階段。預(yù)訓(xùn)練負(fù)責(zé)讓模型學(xué)習(xí)通用語言、視覺和世界知識(shí)而后訓(xùn)練則負(fù)責(zé)讓模型適配特定任務(wù)、特定領(lǐng)域和特定的交互方式。常見的后訓(xùn)練方法包括方法英文全稱說明監(jiān)督微調(diào)Supervised Fine-Tuning, SFT用帶標(biāo)注的任務(wù)數(shù)據(jù)調(diào)整模型參數(shù)低秩適配Low-Rank Adaptation, LoRA凍結(jié)原模型只訓(xùn)練低秩矩陣節(jié)省顯存基于人類反饋的強(qiáng)化學(xué)習(xí)RLHF通過獎(jiǎng)勵(lì)模型優(yōu)化生成質(zhì)量直接偏好優(yōu)化Direct Preference Optimization, DPO用偏好對(duì)直接優(yōu)化無需獎(jiǎng)勵(lì)模型在本文的場(chǎng)景中后訓(xùn)練的主要目的是讓預(yù)訓(xùn)練 VLM 更好地理解智慧城市和農(nóng)業(yè)機(jī)器人這兩個(gè)垂直領(lǐng)域的圖像內(nèi)容例如能夠正確回答“畫面中是否有行人闖紅燈”“這個(gè)番茄的成熟度是多少”等細(xì)粒度問題。1.3 VLM 推理解決什么問題視覺語言模型Vision-Language Model, VLM能夠同時(shí)處理圖像輸入和文本輸入輸出文本描述或結(jié)構(gòu)化信息。與傳統(tǒng)的目標(biāo)檢測(cè)模型相比VLM 的優(yōu)勢(shì)在于支持開放詞匯不僅能識(shí)別訓(xùn)練集中出現(xiàn)過的類別還能理解自然語言描述的新類別。具備上下文理解能結(jié)合畫面中的物體關(guān)系、場(chǎng)景背景進(jìn)行推理。輸出更靈活可以直接輸出自然語言答案也可以借助提示詞輸出 JSON 等結(jié)構(gòu)化格式。在智慧城市場(chǎng)景里VLM 可以完成事件檢測(cè)、要素描述、異常預(yù)警等任務(wù)。例如給定一段監(jiān)控視頻幀模型能輸出“畫面中有 3 輛機(jī)動(dòng)車1 輛正在左轉(zhuǎn)行人處于等待狀態(tài)”這類結(jié)構(gòu)化描述。1.4 為什么需要合成數(shù)據(jù)智慧城市和農(nóng)業(yè)機(jī)器人場(chǎng)景的數(shù)據(jù)采集都有明顯瓶頸。智慧城市視頻涉及隱私與合規(guī)問題農(nóng)業(yè)機(jī)器人的田間數(shù)據(jù)受季節(jié)、天氣、地域限制采集成本高且難以覆蓋長(zhǎng)尾場(chǎng)景。合成數(shù)據(jù)Synthetic Data可以在一定程度上緩解這些問題。使用 Cosmos 3 生成帶有物理規(guī)律的運(yùn)動(dòng)視頻讓模型在訓(xùn)練階段見過更多“對(duì)抗樣本”例如夜間強(qiáng)光、雨天反光、果實(shí)遮擋等情況。這樣當(dāng)模型部署到真實(shí)環(huán)境時(shí)泛化能力會(huì)更強(qiáng)。但需要強(qiáng)調(diào)合成數(shù)據(jù)不是萬能的它不能完全替代真實(shí)數(shù)據(jù)。更合理的做法是“真實(shí)數(shù)據(jù) 合成數(shù)據(jù)”混合訓(xùn)練并通過驗(yàn)證集持續(xù)評(píng)估數(shù)據(jù)質(zhì)量。2. 環(huán)境準(zhǔn)備與版本說明在開始實(shí)操之前先理清當(dāng)前示例環(huán)境。后續(xù)代碼基于以下配置運(yùn)行如果你的環(huán)境不同需要根據(jù)實(shí)際情況調(diào)整。2.1 硬件與系統(tǒng)要求Cosmos 3 合成數(shù)據(jù)生成和 VLM 后訓(xùn)練都屬于資源密集型任務(wù)建議使用 NVIDIA GPU。顯存規(guī)模直接決定了可以生成的視頻分辨率以及微調(diào)時(shí)使用的批量大小。資源建議要求GPUNVIDIA RTX 3090 / 4090 / A100 / H100 或更高顯存16 GB 以上生成高分辨率視頻或微調(diào) 7B 以上模型時(shí)需要更大顯存系統(tǒng)Ubuntu 22.04 或 Windows 11WSL2磁盤建議預(yù)留 100 GB 以上空間存放模型權(quán)重和數(shù)據(jù)集如果暫時(shí)沒有足夠顯存可以先使用小模型、低分辨率和更小的 batch size 驗(yàn)證流程再遷移到更大規(guī)模環(huán)境。2.2 Python 與深度學(xué)習(xí)框架以下版本組合是當(dāng)前比較常見且穩(wěn)定的配置具體以官方文檔為準(zhǔn)Python 3.10 或 3.11CUDA 12.1 或更高PyTorch 2.1 或更高Transformers 4.40 或更高PEFT 0.10 或更高Datasets 2.18 或更高Accelerate 0.30 或更高先創(chuàng)建一個(gè)獨(dú)立的 Conda 環(huán)境conda create -n cosmos-ai python3.11 -y conda activate cosmos-ai pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install transformers peft accelerate datasets pillow tensorboard注意PyTorch 的安裝命令需要結(jié)合 CUDA 版本調(diào)整。如果使用 WSL2需要確保 Windows 側(cè)已安裝最新的 NVIDIA 驅(qū)動(dòng)并在 WSL2 內(nèi)執(zhí)行nvidia-smi確認(rèn) GPU 可見。2.3 項(xiàng)目目錄結(jié)構(gòu)為了方便后續(xù)操作建議按照下面結(jié)構(gòu)組織項(xiàng)目cosmos-finetune-lab/ ├── data/ │ ├── real/ # 真實(shí)圖像與標(biāo)注 │ ├── synthetic/ # Cosmos 生成數(shù)據(jù) │ └── annotations/ # 標(biāo)注 JSON ├── models/ │ ├── pretrained/ # 預(yù)訓(xùn)練 VLM 權(quán)重 │ └── finetuned/ # 后訓(xùn)練輸出權(quán)重 ├── scripts/ │ ├── generate_synthetic.py # 合成數(shù)據(jù)生成腳本 │ ├── prepare_dataset.py # 數(shù)據(jù)集構(gòu)建腳本 │ ├── train_lora.py # LoRA 后訓(xùn)練腳本 │ └── inference.py # VLM 推理腳本 ├── configs/ │ ├── lora_config.yaml │ └── data_config.yaml └── output/ ├── logs/ └── results/3. 核心原理拆解后訓(xùn)練、VLM 推理與合成數(shù)據(jù)生成在進(jìn)入完整代碼前先拆解三個(gè)關(guān)鍵模塊的原理這能幫助你理解后面每一步操作的意義。3.1 后訓(xùn)練到底改了什么預(yù)訓(xùn)練模型已經(jīng)具備很強(qiáng)的通用能力但在垂直領(lǐng)域中會(huì)出現(xiàn)“能力有但不在點(diǎn)子上”的情況。例如模型知道番茄是紅色的果實(shí)但無法判斷“番茄表面有明顯褐色斑點(diǎn)”是否意味著病蟲害。后訓(xùn)練就是通過新的標(biāo)注數(shù)據(jù)把模型原先分散的知識(shí)引導(dǎo)到特定任務(wù)上。以 LoRA 為例它的做法是在原始權(quán)重矩陣旁邊新增兩個(gè)低秩矩陣訓(xùn)練時(shí)只更新這兩個(gè)矩陣。# 示意LoRA 的更新邏輯簡(jiǎn)化版 # 原始公式output W * input # LoRA 公式output (W A B) * input # 其中 W 被凍結(jié)A 和 B 是低秩矩陣秩為 r import torch import torch.nn as nn class LoRALinear(nn.Module): def __init__(self, in_features, out_features, r16): super().__init__() self.weight nn.Parameter(torch.randn(out_features, in_features)) self.weight.requires_grad False # 凍結(jié)原權(quán)重 self.lora_a nn.Parameter(torch.randn(in_features, r) * 0.01) self.lora_b nn.Parameter(torch.randn(r, out_features) * 0.01) def forward(self, x): # 原始輸出 低秩增量 base_out x self.weight.T lora_out (x self.lora_a) self.lora_b return base_out lora_outLoRA 的核心優(yōu)勢(shì)是顯存占用小、訓(xùn)練速度快同時(shí)可以通過切換不同的 LoRA 權(quán)重實(shí)現(xiàn)多任務(wù)適配很適合在單卡環(huán)境下做垂直領(lǐng)域探索。3.2 VLM 推理從圖像到文字的基本鏈路VLM 的推理鏈路通常包含三個(gè)部分視覺編碼器Vision Encoder把圖像轉(zhuǎn)換為視覺令牌visual tokens。投影層Projection Layer把視覺特征映射到語言模型的嵌入空間。語言模型Language Model結(jié)合文本提示詞和視覺令牌逐步生成回答。理解這條鏈路很重要因?yàn)楹笥?xùn)練通常需要決定“改哪一部分”。如果任務(wù)主要是理解圖像語義視覺編碼器可以凍結(jié)只微調(diào)語言模型如果任務(wù)涉及特殊的圖像特征例如紅外波段或高空俯拍視角則需要考慮是否解凍視覺編碼器。# 一個(gè)標(biāo)準(zhǔn)的 VLM 推理調(diào)用流程 from transformers import AutoProcessor, AutoModelForVision2Seq from PIL import Image model_id your-finetuned-model-path processor AutoProcessor.from_pretrained(model_id) model AutoModelForVision2Seq.from_pretrained(model_id) image Image.open(test_frame.jpg) prompt Describe the traffic status in this image. inputs processor(imagesimage, textprompt, return_tensorspt) outputs model.generate(**inputs, max_new_tokens256) print(processor.decode(outputs[0], skip_special_tokensTrue))這段代碼把圖像和文本提示詞送入模型模型輸出文本描述。這里的processor負(fù)責(zé)將圖像和文本轉(zhuǎn)換成模型需要的張量格式。3.3 Cosmos 合成數(shù)據(jù)生成的工作流Cosmos 3 生成合成數(shù)據(jù)的工作流可以概括為文本描述 條件控制 → 視頻生成 → 抽幀標(biāo)注 → 數(shù)據(jù)集構(gòu)建。其中文本描述的質(zhì)量直接影響生成效果。為了生成符合農(nóng)業(yè)機(jī)器人視角的數(shù)據(jù)需要在提示詞中明確以下信息相機(jī)視角第一人稱、第三人稱、固定視角等。場(chǎng)景內(nèi)容農(nóng)作物種類、成熟度、病蟲害特征。運(yùn)動(dòng)行為機(jī)械臂運(yùn)動(dòng)、果實(shí)抓取、自主移動(dòng)等。環(huán)境條件光照、天氣、季節(jié)。下面是一個(gè)雙語提示詞模板English prompt: A first-person view from an agricultural robot moving between tomato rows. The robotic arm extends forward and gently picks a ripe red tomato. Natural sunlight, slight shadow on the left side, leaves are green and healthy. 中文提示詞 農(nóng)業(yè)機(jī)器人第一人稱視角在番茄種植行中移動(dòng)。 機(jī)械臂向前伸展輕輕摘取一顆成熟的紅色番茄。 自然光照左側(cè)有輕微陰影葉片翠綠健康。建議在合成數(shù)據(jù)生成時(shí)將英文提示詞作為主輸入中文提示詞作為輔助描述這樣可以在一定程度上提高生成結(jié)果與中文標(biāo)注的一致性。3.4 圖像批量推理的效率問題在智慧城市場(chǎng)景中VLM 推理往往需要處理大量圖像比如每隔幾秒從視頻流中抽幀檢測(cè)一次。如果逐張圖像調(diào)用模型耗時(shí)較長(zhǎng)也不利于 GPU 利用率。常見的做法是批量推理batch inference將多張圖像組成一個(gè) batch 送入模型。# 圖像批量推理的常見思路 from PIL import Image import torch images [Image.open(fframes/frame_{i:04d}.jpg) for i in range(1, 9)] prompts [Describe the traffic condition.] * len(images) inputs processor( imagesimages, textprompts, return_tensorspt, paddingTrue, ) with torch.no_grad(): outputs model.generate(**inputs, max_new_tokens128)批量推理的核心收益是提高 GPU 利用率減少推理總時(shí)間。但它也有代價(jià)batch 中不同圖像的 token 長(zhǎng)度不同模型需要做 padding在處理超長(zhǎng)視頻抽幀時(shí)可能遇到顯存壓力。后續(xù)在“常見問題”章節(jié)會(huì)進(jìn)一步展開。4. 完整實(shí)戰(zhàn)從合成數(shù)據(jù)生成到 VLM 后訓(xùn)練與推理下面進(jìn)入本文的核心實(shí)戰(zhàn)。整個(gè)流程分為五個(gè)步驟每一部分都提供完整代碼和運(yùn)行說明。4.1 準(zhǔn)備智慧城市監(jiān)控?cái)?shù)據(jù)先準(zhǔn)備一組智慧城市場(chǎng)景的真實(shí)圖像。出于示例目的我們假設(shè)你有少量來自公開數(shù)據(jù)集的圖像和標(biāo)注。你可以先創(chuàng)建data/real目錄并準(zhǔn)備如下格式的標(biāo)注文件data/annotations/real_annotations.json[ { filename: frame_001.jpg, question: 這段路口有哪些交通參與者, answer: 畫面中有兩輛直行的小汽車、一輛左轉(zhuǎn)的電動(dòng)車以及一名正在斑馬線旁等候的行人。 }, { filename: frame_002.jpg, question: 是否有車輛違規(guī), answer: 沒有。所有車輛均在車道線內(nèi)行駛行人信號(hào)燈為綠色通行狀態(tài)正常。 } ]然后運(yùn)行下面的數(shù)據(jù)準(zhǔn)備腳本將標(biāo)注轉(zhuǎn)換為后訓(xùn)練所需的統(tǒng)一格式# 文件路徑scripts/prepare_dataset.py import json import os import argparse def build_dataset(image_dir, annotation_file, output_file): # 讀取原始標(biāo)注 with open(annotation_file, r, encodingutf-8) as f: annotations json.load(f) samples [] for item in annotations: # 每個(gè)樣本包含圖像路徑和一輪對(duì)話 samples.append({ images: [os.path.join(image_dir, item[filename])], conversations: [ { role: user, content: item[question] }, { role: assistant, content: item[answer] } ] }) with open(output_file, w, encodingutf-8) as f: json.dump(samples, f, ensure_asciiFalse, indent2) print(f[INFO] Dataset ready, total {len(samples)} samples.) if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--image_dir, typestr, defaultdata/real) parser.add_argument(--annotation_file, typestr, defaultdata/annotations/real_annotations.json) parser.add_argument(--output_file, typestr, defaultdata/dataset_real.json) args parser.parse_args() build_dataset(args.image_dir, args.annotation_file, args.output_file)運(yùn)行python scripts/prepare_dataset.py如果看到Dataset ready, total 2 samples.說明真實(shí)數(shù)據(jù)準(zhǔn)備完成。在實(shí)際項(xiàng)目中樣本數(shù)量建議至少在數(shù)百條以上否則后訓(xùn)練效果非常有限。4.2 用 Cosmos 生成農(nóng)業(yè)機(jī)器人合成數(shù)據(jù)接下來使用 Cosmos 3 生成農(nóng)業(yè)機(jī)器人場(chǎng)景的合成視頻。由于不同版本的 Cosmos 對(duì)模型導(dǎo)入方式和推理接口差異較大下面的代碼是演示思路具體 API 名稱需要參考你部署的官方文檔。# 文件路徑scripts/generate_synthetic.py # 演示代碼實(shí)際接口請(qǐng)參考 Cosmos 官方倉(cāng)庫 import os import json from PIL import Image # 假設(shè) Cosmos 提供了一個(gè)生成器對(duì)象 # 這里用注釋說明初始化方式不綁定具體類名 # from cosmos import CosmosVideoGenerator def generate_agriculture_frame(prompt_en, prompt_zh, save_dir): 使用 Cosmos 生成農(nóng)業(yè)機(jī)器人視角的視頻幀。 參數(shù): prompt_en: 英文提示詞 prompt_zh: 中文提示詞 save_dir: 輸出目錄 # 1. 構(gòu)造生成請(qǐng)求 generation_prompt f{prompt_en}. {prompt_zh} # 2. 調(diào)用 Cosmos 生成視頻 # generator CosmosVideoGenerator.from_pretrained(nvidia/cosmos-3-wfm) # output_video generator.generate( # promptgeneration_prompt, # duration3.0, # 生成 3 秒視頻 # height720, # width1280, # fps30 # ) # 3. 將視頻流抽幀保存為 JPEG 圖像 # frames extract_frames(output_video) # 這里僅做目錄初始化 os.makedirs(save_dir, exist_okTrue) # 4. 記錄對(duì)應(yīng)的文本描述 annotation { prompt_en: prompt_en, prompt_zh: prompt_zh, scene: agriculture_robot, frames: [ # 假設(shè)抽幀后得到 10 幀 fsynthetic_agri_001_frame_{i:02d}.jpg for i in range(10) ] } with open(os.path.join(save_dir, annotation.json), w, encodingutf-8) as f: json.dump(annotation, f, ensure_asciiFalse, indent2) print(f[INFO] Synthetic data saved to {save_dir}) if __name__ __main__: save_dir data/synthetic/agriculture_01 generate_agriculture_frame( prompt_enFirst-person view of an agricultural robot in a tomato greenhouse, a robotic arm reaches out and gently picks a ripe tomato, natural light., prompt_zh農(nóng)業(yè)機(jī)器人第一人稱視角在番茄溫室中機(jī)械臂伸出并輕輕摘取一顆成熟的番茄自然光照。, save_dirsave_dir )你需要根據(jù)實(shí)際模型版本替換初始化與生成邏輯。生成后的視頻幀可以繼續(xù)用作圖像級(jí) VLM 后訓(xùn)練數(shù)據(jù)也可以保留視頻序列用于后續(xù)世界模型訓(xùn)練或行為預(yù)測(cè)任務(wù)。4.3 構(gòu)建混合后訓(xùn)練數(shù)據(jù)集合成數(shù)據(jù)與真實(shí)數(shù)據(jù)需要統(tǒng)一格式才能送入訓(xùn)練腳本。這里寫一個(gè)融合腳本將真實(shí)數(shù)據(jù)集和合成數(shù)據(jù)集合并并寫入訓(xùn)練集與驗(yàn)證集。# 文件路徑scripts/merge_datasets.py import json import random import argparse def load_json(path): with open(path, r, encodingutf-8) as f: return json.load(f) def split_dataset(samples, val_ratio0.2): random.shuffle(samples) val_size int(len(samples) * val_ratio) train_set samples[val_size:] val_set samples[:val_size] return train_set, val_set if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--real_data, typestr, defaultdata/dataset_real.json) parser.add_argument(--synthetic_data, typestr, defaultdata/dataset_synthetic.json) parser.add_argument(--output_train, typestr, defaultdata/dataset_train.json) parser.add_argument(--output_val, typestr, defaultdata/dataset_val.json) parser.add_argument(--val_ratio, typefloat, default0.2) args parser.parse_args() real_samples load_json(args.real_data) synthetic_samples load_json(args.synthetic_data) all_samples real_samples synthetic_samples train_set, val_set split_dataset(all_samples, args.val_ratio) with open(args.output_train, w, encodingutf-8) as f: json.dump(train_set, f, ensure_asciiFalse, indent2) with open(args.output_val, w, encodingutf-8) as f: json.dump(val_set, f, ensure_asciiFalse, indent2) print(f[INFO] Train samples: {len(train_set)}, Val samples: {len(val_set)})合并數(shù)據(jù)的比例需要根據(jù)實(shí)際情況調(diào)整。如果合成數(shù)據(jù)出現(xiàn)明顯重復(fù)模式應(yīng)該適度降低合成數(shù)據(jù)占比避免模型對(duì)合成數(shù)據(jù)過擬合。4.4 LoRA 微調(diào) VLM下面使用 PEFT 庫對(duì) VLM 做 LoRA 后訓(xùn)練。示例中使用的是 Hugging Face 生態(tài)的AutoModelForVision2Seq你可以替換成自己選定的 VLM 基座模型。# 文件路徑scripts/train_lora.py import json import torch from transformers import ( AutoProcessor, AutoModelForVision2Seq, TrainingArguments, Trainer, DataCollatorForLanguageModeling, ) from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training from PIL import Image from torch.utils.data import Dataset class VLMDataset(Dataset): 讀取統(tǒng)一格式的 VLM 對(duì)話數(shù)據(jù)集。 def __init__(self, json_path, processor): self.data json.load(open(json_path, r, encodingutf-8)) self.processor processor def __len__(self): return len(self.data) def __getitem__(self, idx): item self.data[idx] image_path item[images][0] conversations item[conversations] user_text conversations[0][content] assistant_text conversations[1][content] image Image.open(image_path).convert(RGB) # 構(gòu)造模型輸入 messages [ {role: user, content: user_text}, {role: assistant, content: assistant_text}, ] text self.processor.apply_chat_template( messages, tokenizeFalse, add_generation_promptFalse ) inputs self.processor( imagesimage, texttext, return_tensorspt, paddingTrue, ) # 移除 batch 維度簡(jiǎn)化 item 結(jié)構(gòu) return { pixel_values: inputs[pixel_values][0], input_ids: inputs[input_ids][0], attention_mask: inputs[attention_mask][0], } def collate_fn(batch): 動(dòng)態(tài) padding 到 batch 內(nèi)最大長(zhǎng)度。 pixel_values torch.stack([b[pixel_values] for b in batch]) input_ids torch.nn.utils.rnn.pad_sequence( [b[input_ids] for b in batch], batch_firstTrue, padding_value0 ) attention_mask torch.nn.utils.rnn.pad_sequence( [b[attention_mask] for b in batch], batch_firstTrue, padding_value0 ) return { pixel_values: pixel_values, input_ids: input_ids, attention_mask: attention_mask, } def main(): model_id your-base-vlm-id # 例如 meta-llama/Llama-3.2-11B-Vision-Instruct train_json data/dataset_train.json val_json data/dataset_val.json processor AutoProcessor.from_pretrained(model_id) model AutoModelForVision2Seq.from_pretrained( model_id, torch_dtypetorch.bfloat16, device_mapauto, ) # 配置 LoRA lora_config LoraConfig( r16, lora_alpha32, lora_dropout0.05, target_modules[q_proj, v_proj, k_proj, o_proj], task_typeCAUSAL_LM, ) model prepare_model_for_kbit_training(model) model get_peft_model(model, lora_config) model.print_trainable_parameters() train_dataset VLMDataset(train_json, processor) val_dataset VLMDataset(val_json, processor) training_args TrainingArguments( output_diroutput/logs/, per_device_train_batch_size2, per_device_eval_batch_size2, gradient_accumulation_steps4, learning_rate2e-4, num_train_epochs3, logging_steps10, eval_strategysteps, eval_steps100, save_steps100, remove_unused_columnsFalse, report_totensorboard, ) trainer Trainer( modelmodel, argstraining_args, train_datasettrain_dataset, eval_datasetval_dataset, data_collatorcollate_fn, ) trainer.train() # 保存 LoRA 權(quán)重和處理器 model.save_pretrained(models/finetuned/lora_weights) processor.save_pretrained(models/finetuned/lora_weights) if __name__ __main__: main()這段代碼有幾個(gè)關(guān)鍵點(diǎn)需要注意VLMDataset里使用了apply_chat_template不同模型對(duì)對(duì)話模板的處理方式不同。collate_fn負(fù)責(zé)動(dòng)態(tài) padding確保不同長(zhǎng)度的輸入可以在一個(gè) batch 內(nèi)計(jì)算。LoRA 的target_modules需要與模型結(jié)構(gòu)匹配。如果模型使用了不同的線性層命名需要調(diào)整。4.5 智慧城市 VLM 推理完成 LoRA 后訓(xùn)練后將 LoRA 權(quán)重加載到預(yù)訓(xùn)練模型上對(duì)智慧城市場(chǎng)景的圖像進(jìn)行推理。# 文件路徑scripts/inference.py import torch from transformers import AutoProcessor, AutoModelForVision2Seq from peft import PeftModel from PIL import Image def load_finetuned_model(base_model_id, lora_path): processor AutoProcessor.from_pretrained(lora_path) model AutoModelForVision2Seq.from_pretrained( base_model_id, torch_dtypetorch.bfloat16, device_mapauto, ) model PeftModel.from_pretrained(model, lora_path) model.eval() return processor, model def infer_image(processor, model, image_path, prompt): image Image.open(image_path).convert(RGB) inputs processor(imagesimage, textprompt, return_tensorspt).to(model.device) with torch.no_grad(): outputs model.generate( **inputs, max_new_tokens256, do_sampleFalse, ) result processor.decode(outputs[0], skip_special_tokensTrue) return result if __name__ __main__: base_model_id your-base-vlm-id lora_path models/finetuned/lora_weights processor, model load_finetuned_model(base_model_id, lora_path) # 分別測(cè)試智慧城市和農(nóng)業(yè)場(chǎng)景 test_cases [ (data/real/frame_001.jpg, 描述該路口的交通參與者及通行狀態(tài)。), (data/synthetic/agriculture_01/annotation.json_frame_00.jpg, 判斷番茄果實(shí)是否成熟。), ] for image_path, prompt in test_cases: result infer_image(processor, model, image_path, prompt) print(fImage: {image_path}) print(fPrompt: {prompt}) print(fResult: {result}) print(- * 60)輸出示例Image: data/real/frame_001.jpg Prompt: 描述該路口的交通參與者及通行狀態(tài)。 Result: 畫面中有兩輛直行的小汽車、一輛左轉(zhuǎn)的電動(dòng)車以及一名正在斑馬線旁等候的行人。4.6 運(yùn)行與驗(yàn)證依次執(zhí)行以下命令即可完整復(fù)現(xiàn)本文流程# 1. 準(zhǔn)備真實(shí)數(shù)據(jù) python scripts/prepare_dataset.py # 2. 生成合成數(shù)據(jù)需要 Cosmos 環(huán)境 python scripts/generate_synthetic.py # 3. 合并數(shù)據(jù)集 python scripts/merge_datasets.py # 4. 后訓(xùn)練 python scripts/train_lora.py # 5. 推理驗(yàn)證 python scripts/inference.py如果使用的是自己的模型路徑需要修改腳本中的model_id、base_model_id等參數(shù)。后訓(xùn)練過程中建議保存訓(xùn)練日志方便后續(xù)定位是否過擬合或欠擬合。5. 常見問題與排查思路在實(shí)際運(yùn)行過程中常見問題集中在環(huán)境依賴、數(shù)據(jù)格式、顯存限制和推理結(jié)果異常幾個(gè)方面。下面用表格整理排查思路。問題現(xiàn)象常見原因解決思路nvidia-smi不可用WSL2 未啟用 GPU 或驅(qū)動(dòng)版本過低更新 Windows 驅(qū)動(dòng)確保 WSL2 內(nèi)執(zhí)行nvidia-smi正常導(dǎo)入 Cosmos 包報(bào)錯(cuò)官方庫名或依賴與版本不匹配查閱官方文檔確認(rèn)安裝命令檢查 Python 版本模型加載 CUDA out of memory顯存不足降低 batch size開啟 gradient_accumulation_steps或使用更小基座模型推理結(jié)果與預(yù)期差距大數(shù)據(jù)標(biāo)注質(zhì)量差或訓(xùn)練輪次過多檢查訓(xùn)練集標(biāo)注一致性觀察驗(yàn)證集損失降低 epoch 或?qū)W習(xí)率中文輸出質(zhì)量不穩(wěn)定基座模型中文能力有限替換中文能力更強(qiáng)的基座模型或增加中文示例在訓(xùn)練集中的占比批量推理時(shí) padding 導(dǎo)致結(jié)果異常不同輸入長(zhǎng)度差異大使用模型自帶的動(dòng)態(tài) padding或在構(gòu)建 batch 時(shí)按長(zhǎng)度排序LoRA 訓(xùn)練后模型輸出亂碼target_modules與模型結(jié)構(gòu)不匹配檢查模型參數(shù)名確認(rèn)q_proj、v_proj等名稱是否存在合成數(shù)據(jù)與真實(shí)數(shù)據(jù)風(fēng)格差異過大提示詞未覆蓋目標(biāo)場(chǎng)景加入更多環(huán)境、光照、相機(jī)參數(shù)描述生成后進(jìn)行人工篩選5.1 顯存不足的排查示例顯存不足是最常見的問題。先通過nvidia-smi查看占用情況nvidia-smi如果看到類似CUDA out of memory的錯(cuò)誤依次嘗試減小per_device_train_batch_size從 2 調(diào)整到 1。開啟gradient_accumulation_steps8保證有效 batch size 不變。使用bf16或fp16混合精度訓(xùn)練。對(duì)視頻抽幀時(shí)降低圖像分辨率例如從 1280x720 降到 640x360。5.2 推理加速的常見手段智慧城市場(chǎng)景對(duì)推理延遲有較高要求。這里給出幾種常見的推理加速手段不同方法的收益和復(fù)雜度不同。方法 1批量推理Batch Inference 適用離線批量抽幀檢測(cè) 收益提高 GPU 利用率 方法 2TensorRT / 模型編譯 適用服務(wù)化部署、線上推理 收益顯著降低單次推理延遲 注意需要針對(duì)具體模型與 GPU 做轉(zhuǎn)換 方法 3圖編譯Graph Compiler 適用PyTorch 生態(tài)下的動(dòng)態(tài)圖模型 收益減少算子調(diào)度開銷 注意可能與動(dòng)態(tài) video 輸入存在兼容問題 方法 4減小輸入尺寸 / 降低幀率 適用視頻流場(chǎng)景 收益直接減少計(jì)算量 注意需要評(píng)估精度損失關(guān)于 TensorRT 部署需要說明的是具體安裝方式和可支持的算子版本變化較快建議以官方部署文檔為準(zhǔn)。不要盲目追求把全部模型轉(zhuǎn)成 TensorRT圖編譯和批量推理往往已經(jīng)能帶來可觀的收益。6. 最佳實(shí)踐與工程建議6.1 合成數(shù)據(jù)質(zhì)量控制合成數(shù)據(jù)不是“生成多少用多少”必須經(jīng)過質(zhì)量篩。建議記錄每段生成視頻的提示詞、生成參數(shù)和標(biāo)注來源并通過可視化工具抽幀審查。建議建立如下篩選流程自動(dòng)過濾去掉黑幀、重復(fù)幀、畫面異常的視頻。規(guī)則校驗(yàn)利用目標(biāo)檢測(cè)模型檢查關(guān)鍵物體是否存在例如“畫面中是否出現(xiàn)番茄”。人工抽檢隨機(jī)抽 10% 左右的樣本由人工確認(rèn)語義一致性。標(biāo)注校準(zhǔn)如果 Cosmos 生成結(jié)果與文本描述不一致需要修正標(biāo)注或丟棄樣本。6.2 后訓(xùn)練數(shù)據(jù)混合策略真實(shí)數(shù)據(jù)與合成數(shù)據(jù)的比例需要謹(jǐn)慎控制。一般來說如果合成數(shù)據(jù)與真實(shí)場(chǎng)景分布差距較大合成數(shù)據(jù)占比過高會(huì)導(dǎo)致模型在真實(shí)數(shù)據(jù)上反而變差。一個(gè)比較穩(wěn)妥的做法是訓(xùn)練集 80% 真實(shí)數(shù)據(jù) 20% 合成數(shù)據(jù) 驗(yàn)證集 100% 真實(shí)數(shù)據(jù)先用這個(gè)比例評(píng)估再根據(jù)驗(yàn)證集表現(xiàn)逐步調(diào)整。如果合成數(shù)據(jù)覆蓋了真實(shí)場(chǎng)景缺乏的長(zhǎng)尾情況可以適當(dāng)提高比例。6.3 后訓(xùn)練超參數(shù)調(diào)優(yōu)建議超參數(shù)建議范圍說明LoRA rank8 ~ 32rank 越大表達(dá)能力越強(qiáng)但顯存占用也更高learning rate1e-5 ~ 5e-4視覺語言模型微調(diào)通常比純文本模型更小的學(xué)習(xí)率batch size1 ~ 8根據(jù)顯存調(diào)整配合梯度累積epoch2 ~ 5從 2 開始觀察驗(yàn)證集損失防止過擬合warmup ratio0.03 ~ 0.1避免訓(xùn)練初期不穩(wěn)定6.4 安全與合規(guī)邊界在智慧城市場(chǎng)景中處理視頻數(shù)據(jù)時(shí)要特別注意隱私和合規(guī)問題。實(shí)際項(xiàng)目中建議做到以下幾點(diǎn)對(duì)涉及個(gè)人的視頻幀做匿名化處理例如人臉模糊、車牌脫敏。只在授權(quán)范圍內(nèi)采集和使用真實(shí)數(shù)據(jù)。使用 Cosmos 生成合成數(shù)據(jù)時(shí)保留提示詞和生成參數(shù)方便追溯數(shù)據(jù)來源。對(duì)外發(fā)布模型權(quán)重時(shí)檢查基座模型的許可協(xié)議是否允許二次分發(fā)。7. 總結(jié)與下一步學(xué)習(xí)路線到這里我們完整走通了一條“Cosmos 3 合成數(shù)據(jù)生成 → VLM 后訓(xùn)練 → 智慧城市推理”的技術(shù)鏈路。你掌握的是一套可以復(fù)用到多個(gè)物理 AI 場(chǎng)景的實(shí)驗(yàn)流程而不只是某個(gè)具體項(xiàng)目的配置。下一步可以從這幾個(gè)方向繼續(xù)深入把合成視頻從單一視角擴(kuò)展到多相機(jī)視角研究世界模型中的 3D 一致性問題。對(duì)比不同后訓(xùn)練方法SFT、LoRA、DPO在垂直場(chǎng)景中的效果差異。嘗試把后訓(xùn)練好的 VLM 接入實(shí)際機(jī)器人控制鏈路用人類反饋進(jìn)一步優(yōu)化行為策略。研究推理加速方案將模型部署到邊緣端服務(wù)于實(shí)時(shí)智慧城市監(jiān)控。實(shí)際項(xiàng)目中優(yōu)先關(guān)注數(shù)據(jù)質(zhì)量和評(píng)估指標(biāo)不要一上來就追求大模型。合成數(shù)據(jù)幫你拓寬數(shù)據(jù)邊界后訓(xùn)練幫你對(duì)齊業(yè)務(wù)需求VLM 推理幫你把能力落到具體應(yīng)用中三步缺一不可。希望這篇文章能幫你少踩一些坑也歡迎在評(píng)論區(qū)交流你的實(shí)測(cè)結(jié)果。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
久久九九@| 清纯唯美 激情四射| 日本 @ va 免费| 天天色丁香| 欧美槡BBBB槡BBB少妇| 久久婷婷成人综合色怡春院| 99热香港| 五月丁香888| 97碰在线视频| 99视频这里有精品免费观看| 99re99热| 91在线日本| 天堂无码人妻精品AV一区| 五月丁香成人网| 九九家庭影院| 香蕉视频91| 色爆五月| 婷婷六月丁| 五月婷婷丁香综合网| 另类在线| 无码A片一区二区免费| 五月婷婷片| www,婷婷| 婷婷六月丁香1| 99久re热| 不卡成人免费| 五月丁香激情啪啪| 國語久久婷| 一本伊人色婷| 天天日天天干天天爱| 狠狠久综合| 做爰丰满少妇1313| 五月天婷婷基地| 国产精品热搜丁香五月婷婷| 热这里只有精| 91精品婷婷国产综合久久| 国产女18毛片多18精品| 北京熟妇搡BBBB搡BBBB| 国产亚洲在线| 天天日天天插| http://www.sd-xiangsu.com/| 7月婷婷六月丁香| 大香蕉人人网| 色色五月天 亚洲| 激情婷婷五月天| 激情九色| 五月婷婷手机在线| 久久婷出差欧美色两性综合网| 婷婷九月亚洲| 亚洲AV永久无码影院黑人| 激情五月综合| 久久婷婷五月天懂色| 直接看的AV| 五月天自拍网| 2014天天爽| 日韩AV在线免费观看| avh片在线观看| 99爱在线精品视频免费观看| 色色色地址| 99色视频免费在线规看| 天天综合干| 色欲丁香| 狠狠色丁香久久婷婷综合五月| 99热热热99精品婷婷| 色九月婷婷| 伊人在线视频| 婷婷五月天黄色小说| 啄木鸟黑丝一区二区| 九九伊人网| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 伊久大香蕉| 丁香五月在线| 在线色色| 午夜成人网站在线观看| 色无码| 99热这里只有在线| 成人网丁香五月| 丁香五月婷婷亚洲人| 欧美激情中文字幕| 色五月婷婷激情基地| 5月丁香美女影院| 五月婷丁香| 中文字幕在线免费观看视频| 中文字幕av在线播放| 五月丁香无码视频| 色区域网站视频| 婷婷五月天直播| 五月天丁香网| 色婷婷综合久久久久| 成人资源在线| 久色88| 五月婷婷黄网站大全| 色婷五月天| 丁香五月影院| 色狠狠色| 99久久综合网| 成人 在线 日韩| 亚洲色热| 五月亭亭开心网| 成人五月天视频播放| 蜜桃人妻无码AV天堂三区 | 精品一二三区久久AAA片| 97人人草| 99热亚洲精品| 五月天亭亭俺也| 婷婷五月天影院| 婷婷的色色五月天| 97色在线观看视频| 超碰色综合| 精品久久66| 久久久精久人妻| 五月丁香少妇网| www.av视频xx999.com| 五月丁香六月久久| 欧美成性色| 狠狠大香婷婷爱| 久操大香蕉| 亚洲无码11| 九九十99视频| 91九色小视频| 另类激情综合| 色婷视频| 五月天色播网| 深爱激情四射| 森林影视大全,最好看的2019年视频 | 五月综合六月婷婷| 啪啪六月婷婷| 国产亚洲网站在线| 婷婷狠狠爱| AV激情五月| av一区免费看| 一级AV片| www九九热| 久久婷婷亚洲| 久热这里只有精品在线| 婷婷亚洲五月丁香综合在线 | 五月婷婷综合在线视频小说| 亚州精品色情在线观看| 男人天堂99| 五月丁香亭亭电影久久| 91啪啪视频| 99这里都是精品6| 99精品无码视频| www.色情五月天.com| 99热久久这里只有精品| 国产精品扒开腿做爽爽爽A片唱戏 青青草国产亚洲精品久久 | 亚洲免费观看高清完整版AV线| 五月激情六月综合| 六月婷婷AV| 九九色影院| 99热12| 久久久激情| 丁香五月天社区婷婷| 99精品免费| 五月丁香六月激情| 色色色国产| 五月天日日操夜夜操 | Y11111111111少妇电影院| 国产精品视频免费看| 丁香五月中文字幕久色| 色色婷婷五月| 97婷婷狠狠| 9999综合99综合人| 9|在线观看视频| 99激情| 99啪99| 丁香五月婷婷综合网| 日韩欧美一级大黄网站| 久久五月网| 久久五月天丁香花| 4399精品一区二区| 在线综合啪| 国自产拍偷拍精品啪啪一区二区| 99热色精品| 99亚洲日韩| 天天拍夜夜爽日日| 婷婷在线五月天观看| 丁香五月婷婷啪| 亚洲激情五月| 99热精品观看| www色五月| www.99热精品| 开心久久网婷婷| 一区二区三区四日本| 99精品在线| 五月丁香六月婷| 色日本综合| 丁香六月天之亚州热女| 婷婷色基地| 思思w99| 丁香五月综合激情久久潮喷| 天天天操天天天爰| 久久五月丁香激情综合| 九九99视频精品| 婷婷午夜精品久久久| 欧美偷偷操| 日韩黄色影院| 任你躁XXXXX麻豆精品| 天天综合网站| 成人在线日韩| 色婷婷成人做爰A片免费看网站| 狠狠色噜噜狠狠狠888| 丁香五月婷婷网| 人妻久久久| 丁香五月天色婷婷| 在线18av | 美国少妇性做爰| 国产精产国品一二三在观看 | 丁香婷婷人妻| 日操| 天天日天天做天天操| 婷婷色情小说| 久久婷婷五月综合啪| 婷婷五月天亚洲综合| 六月撸婷婷| 五月天综合| 九九热精品99| 婷婷五月天网| 天堂呦 呦百度搜索-百度搜索| 91久久久久| 五月天堂六月丁香亚州中文字幕久久| 五月天丁香成人| 婷婷在线综合| 天天射影| 97久久人人| 日本天堂免费99| 99热日| 99欧州偷拍视频| 五月丁香人妻| 亚洲亚洲人成综合网络| 色色色色色色色色色色色色色五月天 | 熟女人妻一区二区三区免费看| 久9热插入| 91九色在线| 99久久婷婷| 五月丁香六月激情综合网| 99视频超级精品| 婷婷爱综合| 激情五月天www| 亚洲国产99| 一丁香五月天月AV| 亚洲成人在线播放| 青青日韩| 99热精品网| 男人天堂亚洲综合| 激情五月,婷婷五月,丁香五月| 六月亭亭久久综合激情| 第四色五月婷婷| 婷婷综合| 碰超亚洲| 99偷拍视频在线日本| 日韩在线视频网站| 久久6这里只有精品| 成年人看Va免费视频| 婷婷的色色五月天| 97在线观视频免费观看| 丁香五月综合婷婷| 亚洲激情97五月天| 99热这里只有精品中文字幕| 国产精产国品一二三在观看| 欧美久久婷婷| 五月婷婷欧美激情| 另类小说五月天| 99热综合在线观看| 人人草成人视频| 婷婷五月天BBw| 大香蕉婷婷丁香视频在线| 第九色区av天堂| 天堂在线婷婷| 天天舔天天| 婷婷色啪| 久热99| 日韩久久欧亚| 亚洲AAA| 97五月天婷婷| 日本三级中国三级99人妇网站| 色情激情五月婷婷| 夜夜操少妇| 97人人操人人| 拍色综合| 综合热无码| 殴美综合激情五月天免费视频| 538在线精品| 狠狠色狠狠爱| 五月婷婷丁香综合| 开心激情婷婷| 97人凄人人操人人爽| 人人干Av| 日日鲁鲁鲁夜夜爽爽狠狠视频97 | 久久久久综合激动五月天| 激情综合五月婷婷| 激情四射亚洲| 狠狠干五月丁香| 噜噜干日本| 丁香婷婷久久综合在线| 99色一| 超碰av在线| 丁香婷婷五月人体| 婷婷爱五月天人人爱| 久久综合九九| 丁香六月婷月91婷月| 玖玖午夜视频| 夜夜久久综合网| 色综合日日| 99热精品在线| 97操碰| 99在线视频免费| 婷婷五月精品| 日日日日操| A片女女女女女女BBBB| www.99在线| 五月丁香六月婷婷网| 综合五月天| 99色天堂| 婷婷丁香18| 亚洲成人另类| 人妻视频在线| 99热99操| 99啪99| 五月婷婷国产| 婷婷综合激情| 伊人综合婷婷| 少妇性按摩无码中文A片| 久久全意婷婷| 日日做夜夜爱| 碰久久精品w| 俺去也在线官网| 国产99久久久国产精品免费看| 另类的婷婷| www.99视频| 97色婷婷成人综合在线观看| 色色色色色色色色综合网| 91综合国免费久入| 91操人| 操逼视频一区| 久热九九| 五月婷婷中文字幕| 五月天六月色| 婷婷五月天777| 2018国产大陆天天弄| 天天日夜夜B久久| 亚洲免费看片| 免费精品66| 疯狂做受XXXX高潮A片| 婷婷五月天日本国产| 丁香五月偷拍| 色5月婷婷| 猫咪伊人AV| 日韩欧美一级大黄网站| 99久久五月丁香野外| 综合五月婷婷| 99热国内精品| 天天爽天天操| 亚洲无码九九| 91综合在线视频| 99视频网址| 91精品久久久久久久久| 丁香五月香蕉| 亚洲九九在线| 亚洲成人av在线播放| 国产成人AV在线播放| 99九九综合久久九九| 日韩一级片| 久久小视频免费| 五月激情综合网婷婷| 色综合伊人网| 久久亚洲网| 欧美激情综合五月色丁香| 日日做夜夜爱| 日本色图综合| 91色呦哟| 激情爱爱网站超大免费| 激情六月丁香综合| 丁香狠狠色婷婷久久无码视频| 亚洲综合五月天| 五月丁香日本一抹本| 久久涩视频| 久久九精品| 五月婷婷伊人网| 蜜桃婷婷狠狠久久综合| 性做久久久久久久免费看| 岛国AV网| 99成人网站| 亚洲婷婷丁香五月| 97精品人人A片免费看| 99性视频| 六月婷婷狠狠| 综激情网| YW无码| AV电影在线播放| 五月婷婷欲色| WWW,激情五月天,COM| 色亭亭九月| 五月丁香啪啪| 五月婷婷六月丁香在线视频免费在线观看| 草美女在线观看视频在线播放| 欧美一线视频| 久久婷婷五月天激情新地址| 五月天桃色深爱网| 91啪啪网| 99在线亚洲| 婷五月丁香俺| 99激情在线| 一起操最新网址| 99热这里只有精品99| 婷婷五月天电影网| 日日操,夜夜撸| 91Chinese在线| 丁香五月很很肏| 香蕉久久国产AV一区二区| 五月婷婷av| 五月天色婷婷视频| 亚洲视99| 五月丁香啪啪激情| 中文字幕欧美久久| 丁香花五月天婷婷成人社区| 少妇性按摩无码中文A片| 色婷婷丁香五月| 五月天五月色| 天天天操天天天爰| 性爱综合网| 激情综合色婷婷啪啪六月天| 婷婷综合国产| 激情5月婷婷| 九九综合| 色欧洲| 超碰不卡在线| 久久婷婷五月综合| 色综合色| 色婷婷狠狠| 欧洲综合视频在线观看。欧洲,亚洲综合食品在线观看。 | 久久99大全| AV色色天堂中文| 亚洲乱码精品久久久久..| 丁香五月激情啪| 久久久精品人妻| 久热精品视频| 开心五月综合| 五月成人网天天| 五月www| 欧美在线骚货| 亚洲色色在线| 丁香六月婷婷高清| 五月天色婷婷小说| 26uu| 精品皮股午夜AV| 六月丁香五月亭亭| 人人摸人人射| 亚洲噜色| 无月播播激情在线观看视频| 婷婷五月天激情网站| 丁香五月婷婷俺也要去| 久久色情综合免费网站| 狠狠五月天| 五月天色区| 婷婷金品综合视频| 婷五月天| 久久婷婷成人| 99色婷婷视频| 蜜臀A∨在线水帘洞| 噜噜色五月| 99热99ai| 丁香五月婷婷色综合基地| 久久狠色噜噜狠狠狠狠97| 丁香九月综合| 五月丁香拍拍激情综合| www.思思99热| 激情五月天小说| 五月丁香六月婷婷综合网站 | 五月天停停基地| 99色在线观看视频| 激情五月天影院| 噜噜噜久久| 在线视频你懂得| 综合五月婷婷| 电影91久久久| 综合久久伊人| 久久五月激情综合| 亚洲精品五十一区| 丁香五月av在线| 日本va欧美va欧美va| 色婷婷久久综合中文久久一本| 丁香婷婷情色五月天| 4438激情网| 日韩无码成人电影| 国产精品涩涩涩视频网站| 婷婷五月天成人综合网| 婷婷99狠狠| 激情五月天色网站| 99热精品在线| 丁香综合久久| 五月丁香六月综合情在线观看| 深爱丁香网| 欧美va| 婷婷综合精品视频97| 在线只有精品| 99热精品在线| 爱狠射| 96丁香六月婷婷蜜桃综合久久| 婷婷第六色| 日本成人噜噜噜噜噜| 天天日夜夜拍| 五月丁香成人网| av中文网| 丁香五月婷婷色情综合| 99色热视频| 日韩aaaaa| 天天日天天插| 丁香六月婷婷色XXXXX| 色五月综合在线| wwccc久久久| 可以看的AV| 激情五月天婷婷五月天| 一级内射毛片| 激情五月色婷婷| 被强行糟蹋的女人A片| 色综合久久综合中文综合网| 99爱视频在线播放| 韩国婷婷丁香五月| 狠狠搞五月天| 97色婷婷在线观看| 丁香婷婷综合影院| 成人片黄网站色大片免费毛片| 996er热| 五月婷婷激情久久| 伊人六月丁香婷婷| 久久综合丁香五月| 日韩av在线电影| 婷婷久久女人| 亚洲六月色| 天天干天天拍| 性爱久久| 日本在线观看99| 九九色热| 五月丁香激情综合啪啪| 三年高清大片免费观看国语| 97香蕉久久超级碰碰高清版| 丁香婷婷六月在线资源观看| 六月婷婷五月天| 日本97在线看片| 色久婷婷五月| 男女免费视频999| 亚洲深喉aV| 99热精品在线播放| 99热综合| 九九久久9 9在线观看| 婷婷色色网| 亚洲色频| 182tv992tv人之初午夜免费观看| 国产激情综合五月| 色欲天天综合网| 五月丁香A∨在线| 五月综合婷婷网| 综合色99| 狠狠色官网| 日韩在线视频中文字幕| 99热只有精品在线| 亚洲色频| 九九九干精品| 操人妻AV| 亚洲国产精品SUV| jiZZdr| 丁香五月香蕉| 少妇搡BBBB搡BBB搡毛茸茸 | 99精品亚洲| 激情综合亚洲色婷婷五月| mmm1717.6dbm人人爱人人操| 99热免费精品热久久66| 亚洲婷婷在线播放十月| 超碰免费成人| 久操干| 婷婷五月六月丁香| 99久高清视频| 猫咪伊人AV| 男同91| 午夜69成人做爰视频| 97色婷婷| 五月天综合| 丁香五月婷婷基地| 日韩综合久久| 色在线99| 色综合色| 色婷婷丁香| 丁香五月婷婷激情中文| 就爱射中文字幕资源网| 天天色天天噜| www.五月激情红色| 99色热视频| 欧美一区二区三区不卡影视| www.久久五月天.com| 99热精在线九九久久保| 久久九九免费大视频| 日本激情ⅩXX免费视频| 九月大香蕉| 六月丁香av| 99这里只有免费的小视频在线观看| 伍月婷丁香婷| 人人操Av| 激情婷婷综合| 久久婷婷伊人| 久综合| 天天综合五月| 婷婷久久伊人| 亚洲激情综| 五月婷婷色影院| 亚洲成人在线免费| 久久激情五月| 婷婷成人五月天成人文学| 色色狼人综合| 久久久久久久久久久97| 99久久精品色老| 免费视频WWW在线观看网站| 99在线观看精品| 91超碰在线观看| 激情久久久| 久热九九| 天天成人丁香美女AV| 婷婷六久久| 久久a热| 九艹在线| 九九这里都是精品| 天天日日天天| 五月丁香久久网| 激情中文在线| 久操综合| 丁香5月激情网| 九九精品片一| 激情综合网激情五月欧美| 中文字幕久久一区二区三区| 五月婷婷丁香在线| 女婷久久| 久9热| 六月色婷婷欧美| 婷婷五月欧美综合| 伊人色综合网| 如何安全看伊人婷婷| 亚洲精品V天堂中文字幕| 婷婷五月天成人基地| 中文字幕黄色电影网址| 激情六月综合| 国产精品蜜臀99| 综合五月丁香97| 超碰av在线| 五月天激情AAAA| 新激情综合| 人妻内射视频| 五月激情婷婷女| 99热99极品观看| 桃色五月天| 婷婷五月天激情五月天网站| 人妻激情综合| 香蕉久操| aa久久| 96性爱视频| 在线99色| 久久久天堂国产精品女人| 色婷婷AV久久久久久久| 99re在线观看| 五月天婷婷激情四射综合| 日本一级一级一级一级| 欧美色色色色色色色| www.精品99| 婷婷丁香五月天综合激情| 日韩超碰在线| 婷婷五月天亚洲综合网| 亚洲中文字幕av| 婷久久高清| 色五月激情综合网| 丁香 婷婷 亚洲 熟女| 九九色影院| 婷婷伊人综合| 激情五月天小说网| 99热国产免费| 色五月天综合| 久久资源网五月婷| 真实熟女-91九色| 五月婷婷啪啪| 99九九视频| 久久er+| 看全色黄大色大片| 97人碰人操| 五月激情六月综合| 五月婷婷六月丁香综合在线| 国产毛片精品一区二区色欲黄A片| 99色免费观看全部| 亚洲综合在线播放| 99re久热只有精品6在线直播| 狠狠插日日干撸| 日本婷久久| 亚洲国产精品SUV| 一级性感毛片| 开心五月婷婷五月| 五月婷婷丁香成人网| 青青久久五月天丁香婷婷| 99综合成人视频在线观看| 日本天天操| 五月天激情网址| 99噜噜噜在线播放| 五月丁香久久久| 色九月欧美| 婷婷五月色网| 超碰九色| 五月丁香六月婷婷网| 激情五月婷婷色综合| 婷婷色片| 久久婷婷六月综合国际| 99网| 婷婷五月av| 91青娱乐青青草| 91久久网站| 亚洲天堂久久| 久久激情综合| 性生活视频98791| 五月天婷婷在线AN| 99爱精品视频| 亚洲色婷婷婷婷人人爽| 婷婷色网| 97碰碰视频在线观看| 99精品女人天堂| 九九精品9| 大战熟女丰满人妻AV| 激情五月天视频| 五月婷婷激情性爱| 婷婷久久精品| 欧美色性色好| 色婷婷成人| 婷婷开心激情五月激情网| 丁香激情婷婷网| 五月丁香六月合| 天天爱天天做天天舔| 天天日日人| 亭亭五月丁香综合欧美| 97自拍视频在线| 色婷婷综合久久久久| 婷婷色五月开心五月| 婷婷五月天你懂的| 婷婷99丁香| 久久婷婷成人综合色怡春院| 另类在线| 五月婷A V在线| 91视频久久久| 婷婷亚洲五| 日本 @ va 免费| 丁香五月手机在线| 亚洲精品V天堂中文字幕| 39视频第二区| 五月天开心激情网色欲无码| 精品亚洲VA网站| 欧美人妻一区二区| 在线看AV| 欧美一级色| 五月婷婷欧美激情| www.99色| a级毛片一区二区免费视频| 超碰在线视屏| 婷婷五月天婷婷| 日本色道视频网站| 91男人资源站| 思思99热热热99| 婷婷五月色播放| 婷婷色播婷婷| 激情图片久久| 婷婷之六月丁香| 97超碰人人操| 免费日本aⅴ中文字幕| 久久99免费视屏| 久久ab| 99热婷婷| 狼人狠狠操| 久久婷婷五月天激情唯美| 秋霞性爱AV| 肏日网在线看| 五月视频日本免费观看| 天天操B| 99热99日天天干| 色欲Av五月天| 精品99视频| 国产精品成av人在线视午夜片| 亚洲性受XXXX五月丁香| 天天爱天天秀天天做| 激情五月天天| 色播五月婷婷综合| 9热精品| 九九久久玖玖爱| 桃色激情婷婷伊人网| 狠狠丁香| 亚洲人妻电影| 日韩操| 亚洲欧洲中文日韩久久AV乱码| 色婷婷免费观看| 激情综合网五月天| 久久久高清| 91热er| 亚洲激情五月天| 亚洲色图45p| 日本色狠狠| 黃色三级三级三级三级 qixing300.shrkbk.com www.jinbozs.com tianmiaosw.com | 丁香五月影视| 久热伊人在91| 五月婷婷五月天亚洲无码| 成人无码髙潮喷水A片| 99啪啪视频| 色色日本欧美| 一级黄色操B| 丁香五月婷婷俺也要去| 无码少妇高潮喷水A片免费| 久久er免费视频| 一本久道综合色婷婷五月| 98永久精品| 天天天天操| 伊人青涩网| 亚洲亚洲永久无码777777| 爱iii做iiii日| 久久婷婷欧美| 野战J办公桌椅H| 天天插天天草人人玩| 婷婷亚洲色| 国产噜一噜天天噜| 日韩啊啊啊| 91操人| 久久激情视频| 色色色国产| 丁香九月婷| 91色在线/日韩| 婷香五月| 丁香婷婷性爱| 色婷婷视频在线| 九九激情网| www.婷婷五月| 亚洲综合激| 色婷婷五月天| 色情播放| 久久久精品婷婷五月天| 色欲天天综合| 亚洲第二AV| 99热这里只有精品8| 伊人久久大香天蕉亚洲特级| 99只有这里有精品在线视频| 丁香婷婷综合激情五月色| 日日夜夜狠狠| 桃色激情五月天| AV在线观看网站| 婷婷的99视频网站| 色情成人五月天| 色必久悠悠影院| 免费视频在线观看的网站| 天天综合永久| 亚洲 成人 电影av在线观看| 亚洲热综合| 激情五月色婷婷| 六月丁香婷| 精品网站99| 亚洲六月综合激情久久下卡| 五月婷婷啪啪啪啪| 99久精品| 99A片| 中文字幕丁香五月| 一本到不卡高清DVD| 欧美色色色色色| 色婷婷免费观看| 婷婷伊人网| 激情www.98com| 激情av网| 丁香啪啪| 色国产五月| 99久久超级| 久色| 欧美群妇大交乱婬网| 中文字幕1区2区。| 欧美婷婷综合| www.狠狠| av中文字幕免费观看| 这里只有精品1| 日韩成人综合网| 亚洲成av人影院| 九九色综合九九色| 爱射综合| 日韩AV中文在线观看| A久久| 操操操操操操婷婷五月天| 天天射天天插天天干| 丁香五月在线观看| 久久五月天激情美女| 鲁鲁色五月| 免费AV在线| 26uuu.| 97人人操com| 天天色综网| 激情狠狠丁香月| 婷婷爱五月| 超碰免费人人| 天天做天天摸| 91一起操| 男人大jjc女人免费视频| 五月香婷婷| 丁香五月婷婷婷婷欧美综合| 亚洲综合五月天婷婷| 日韩成人电影在线播放| 九九精品这里只有| 久草婷| 三级三久久线久久99久目本WW| 亚洲综合丁香婷婷六月天| 大香蕉欧美在线| 亚洲无AV在线中文字幕| av在线免费网站 | 婷婷丁香六月| 色偷偷色婷婷| 色亚洲视频| 色九亚洲| 五月天婷婷婷| 狠狠色婷婷777| 夜丁香五月婷婷| 伊人五月天综合网| AV六月丁香| 激情九月婷婷| 五月天综合| 伊人五月久久| 久热成人| 日本 色综合| 国产成人精品123区免费视频| 免费看欧美成人A片无码 | 丁香五月综合| 久99久热| 五月丁香婷婷基地| 思思re视频在线| 啪啪综合| 婷婷99综合| 久9热在线视频| 伊人9999| 色色色综合网| 97sese婷婷| 色播丁香| 亚洲人妻电影| 婷婷五月天com| 日本三级中国三级99| 丁香五月激情图片婷婷| 色婷婷综合视频| 亚洲第一精品网站| 五月婷婷偷| 天天干天天操天天射| 无码免费人妻A片AAA毛片西瓜| WWW,五月| 一级A片天天操夜夜操| 久热9| 丁香五月婷婷久久久| 99色视频| 婷婷久久精品| 99热精品9| 九九九这里只有精品| 97久久超视频| 熟妇人妻中文字幕无码老熟妇| 婷婷色啪| 亚洲色亚洲精品| 亚洲精品久久久久久久久久飞鱼| 亚洲AV日韩无码| 另类视频五月天| 久久久精品色色色| 五月噜噜| 婷婷五月开心中文字幕色| 狠狠色丁香久久久婷| 看婷婷五月天网| 丁香五月天激情四射网络不好 | 五月婷婷综合在线视频| www.zbzhongsen.com| 婷婷久久综合| 六月婷婷激情小说网| 无码四色色色| 香蕉网久久| 97luluse| 99操| 99日本黄站| 五月天婷婷在线AN| 婷婷五月另类网站| 日本人妻伦在线中文字幕| 婷婷久久综合久| 色婷婷综合网站| 九九亚洲视频| 99热66| 99精品偷自拍| 久草热8精品视频在线观看| 热九九精品| 激情开心五月天| 狠狠综合网| 亚洲精品久久久无码| 青青草视频免费观看| 成人午夜天| 久久人人做人人妻人人玩精品va| 日日操夜夜擼| 久久久久久99日本| 久久月天堂| 91日综合欧美| 99热在线看片| 亚洲 视频 导航 一区| 婷婷丁香色情| 91日韩在线| 99热乎| 99热99热在线观看| 五月丁香啪啪啪啪| 天天色天天色天天色天天色天天色| 丁香五月精品| 人人爽天天爽| 14色综合婷婷| 婷婷视频网| www.色综合| 欧美午夜乱妇午夜福利| 色婷婷综合久久| 日本一区二区三区精品视频| 色一情一乱一乱一区9| www98日本小时间到了| 日本高清久久| 婷婷五月天777| 婷婷丁香五月,狠狠综合| 久草五月天| 久久婷五月综合| 超碰av在线| 强辱丰满人妻HD中文字幕| 在线精品97| 五月丁香婷婷成人版| 99热99色| 日韩成人精品一区久久久久| 久久婷婷五月综合色和| 激情无码网| 99热这里只有精品8| 丰满少妇乱A片无码| 99在线爽| 91一起艹| 日日干日日s| 丁香五月Av| 91狠狠综合久久久久久| 八戒青柠影视剧在线观看| 五月停停99| 九九综合色综合| 深爱五月综合网| 婷婷色五月综合| 99久在线精品| 欧亚成人A片一区二区| www.色色com| 99er6免费视频热播| 五月丁香婷中文| 五月丁香激情综合啪啪| 亚洲激情综合| 97在线/日本| 九九国产视频| 狠狠干五码| 九九热中文| 国产一区二区av免费| 色播播婷婷| www.sd-xiangsu.cpm| 婷婷婷婷色| 久久国产色| 97超碰色| 无码九九| 五月综合激情视频在线| 91色久| 熟美女麻豆| 亚洲俩性性爱图片久久第六页| 岛国AV网| 日本片日本片祼观看网站在线看中文版网页在线看| 九九精品9| 玖热精品综合视频| 九九性视频| 99精品国产热久久91色欲| 女同激情久久av久久| 99熟女视频| 九九99免费视频| 成人av免费观看| 亭亭五月丁香综合欧美| 丁香婷婷人妻| 丁香五月情色| 婷婷五月天av网| 色色亚洲无码| 色婷婷在线综合色播网| 日日色五月天| 久久五月天黄色五月天色网址| 色狠狠六月| 天天综合天天玩夜夜玩天天玩夜夜玩| 天色综合网站| 一级A片天天操夜夜操| 五月婷网站| 日日夜夜久| 色婷狠狠| WWW.17C亚洲精品| 97操碰视频| 中文字幕在线观看视频www| 第五色婷婷| 婷婷久久五月天| 香蕉AV777XXX色综合一区| 人人人操 超碰| 婷婷色资源| 色五月婷婷天堂| 超碰国产av| 超碰人人射| 99er6免费视频热播| 草操AV在线| 狠狠干激情五月| 狠狠干思思热| 九九热在线99| 丁香五月成人| 色色色国产| 五月丁香婷婷成人网| 91碰碰碰| 五月丁花六月丁香综合| 蜜乳久AV| 99精品这里只有免费视频| 99激情在线| 丁香 亚洲 久久| 激情六月日韩| 8050一级网| 日本va欧美va欧美va精品| 99热9999| 开心婷婷五月激情网小说| 啪啪干伊人婷婷| 婷婷激情五月天小说校园| 99热精品免费| 综合久久综合久久| 激情婷婷五月| 日韩成人无码| 99riAV成人在线视频| 丁香五月WWW| 97在线/亚洲| 丁香五月天激情网址| 天天插夜夜爽| 色婷婷AV久久久久久久| 狠狠色五月| www.操.com| 激婷网| 五月婷综合性中心| 99精品国产乱码久久久人妻| 五月天五月色婷婷综合| 五月开心久久| 九九这里只有精品在线视频| 97色色色色色| 日本va欧美va欧美va精品| 丁香五月激情啪啪| 久久精品99| 欧美激情综合| 精品乱码视频| 99视频这里有精品| 99思思在线视频| 开心激情婷婷| xxxx五月激情| www.婷婷五月天| 婷丁香五月天| www.五月天| 丁香久久五月天视频在线观看| 影音先锋女人AA鲁色资源| 五月丁香va| 麻豆WWWCOM内射软件| 天天爽人人爽| 亚洲天堂婷婷| 思思re99视频在线观看| 手机在线视频观看9| 夜夜干夜夜操| 黄网在线免费播放| 日日干天天射| 亚洲色啪| 深爱五月激情| 六月丁婷婷| 精品欧美一区二区三区久久久| 新激情五月开心五月婷婷五月丁香五月| 五月天色色无码| 亚洲天码视频www蛋播视频| 99超碰在线免费| 五月天伊人综合| 色色操| 国产又粗又大又爽又黄| 五月丁香人人婷婷在线观看| 丁香婷婷六月| 伊人色综合网| 超碰在线人人| 婷婷导航| 狠狠色综合网站| 美腿丝袜AV天堂网| 九九亚洲综合| 天天色天天爽| 99色视| 99热这里只有精品在线播放| 亚洲网视屏| 日韩在线观看网址| 67194中文字幕| 亚洲天堂AV免费片| 五月亭亭性| www婷婷| 日韩小视频在线99| 国产亚洲色婷婷久久99精品91| 99综合99| 久久狠狠干| 97精品人人A片免费看| 97碰碰在线观看视频| 深夜婷婷五月丁香| 99色视频在线| 婷婷午夜| 色婷婷五月影视| 丁香五月在线伊人| 欧美25p| 国产激情综合五月久久| 我想看国产大学生口爆吞精的视频| 伊人五月天综合网| 欧美色爱五月天| 99精品免费视频| www.91AV.com| 婷婷五月天AV网| 99久久激情视频| 婷婷五月激情网| 亚洲视频1区| 色五月丁香五月五月婷婷| 欧美色色网| 婷婷九月色| 光棍影院日韩精品| 欧洲激情五月天婷婷| 婷婷色五天| 在线18av | 黄网免费观看| 爽极品色| 九九久久偷拍| 97久久超碰| 性生活视频98791| 九九色影院| 日韩啪啪视品| 日本人妻A片成人免费看片| 五月婷婷免费| 婷婷丁香五月天影院 | 五月久久五月激情| 夜夜干夜夜操| 国自产拍偷拍精品啪啪一区二区| 91丨九色|PRNY熟妇| sewuyuejiqingwang| 九九久久五月天| 丁香婷婷浪潮AV久久综合| 9九热视频| 高清无码入口| 日本欧美成人片AAAA| 丁香五月激情啪| 秋霞三及片| 色婷婷基地| www.射伊蕉婷婷| 丁香五月天啪啪激情综合网| 99色婷婷| 9久热在线精品| 色婷婷五月天激情在线播放| 99视频35精品视频在线观看| 欧美十二区| 国产精品久久久99视频| 亚洲六月婷婷| 国产69久久久欧美黑人A片| 91色五月| 岛国AV网| www.五月天| 香蕉综合在线| 天天婷婷| AA片在线观看视频在线播放| 97人人干人人操| 五月天色丁香| 丰满少妇猛烈A片免费看观看| 男女99免费视频| 深爱五月激情五月| 不卡在线中文字幕无| 激情婷婷| 伊人色综合网| 欧美日韩成人综合9| 九九蜜臀精品| 狠狠爱婷婷| 在线sebiav精品视频| 五月天成人伊人| 九热视频| 99在线视频免费|