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)營的一線實(shí)戰(zhàn)洞察。

蘑菇圖像識(shí)別分類實(shí)戰(zhàn):PyTorch與YOLOv5全流程解析

蘑菇圖像識(shí)別分類實(shí)戰(zhàn):PyTorch與YOLOv5全流程解析 簡介一份面向?qū)嶋H項(xiàng)目需求的蘑菇圖像分類數(shù)據(jù)集覆蓋姬松茸、阿曼妮塔、牛肝菌、Cortinarius等多個(gè)常見菌類目標(biāo)用戶是想訓(xùn)練YOLOv5分類模型或自建CNN圖像分類網(wǎng)絡(luò)的開發(fā)者與研究者。數(shù)據(jù)已經(jīng)按照訓(xùn)練集和測試集分文件夾存放并附帶JSON類別字典文件清楚標(biāo)注每個(gè)類別的名稱下載后可直接套用到分類模型流程中。壓縮包采用7z格式共包含2000個(gè)文件其中1998張JPG圖片、1個(gè)Python可視化腳本、1個(gè)JSON字典整體大小約97.67MB目錄結(jié)構(gòu)清晰明了。配套的Python腳本可一鍵批量展示樣本圖像方便快速核查各類別圖片數(shù)量與質(zhì)量省去手動(dòng)整理標(biāo)簽和路徑的麻煩。目前已有1046人學(xué)習(xí)使用對需要獲取分類基準(zhǔn)數(shù)據(jù)、快速開展訓(xùn)練試驗(yàn)或進(jìn)行遷移學(xué)習(xí)的入門和進(jìn)階讀者都非常適合。1. 12種蘑菇圖像識(shí)別數(shù)據(jù)集下載前先搞清三件事標(biāo)題寫著12種蘑菇解壓后打開類別字典 json你大概率只數(shù)得到 8 個(gè)類。別急著退貨這個(gè) 12 是原始采集批次的命名口徑真正喂給圖像分類網(wǎng)絡(luò)的是 8 個(gè)類別訓(xùn)練集 9600 張、測試集 2400 張目錄按「train/test 每類一個(gè)文件夾」組織類別字典文件 json 也一并給好了。做圖像分類、森林圖像識(shí)別或者深度學(xué)習(xí)圖像識(shí)別相關(guān)實(shí)驗(yàn)的從業(yè)者最煩的不是沒數(shù)據(jù)而是拿到原始圖后還要自己洗數(shù)據(jù)、劃訓(xùn)練測試集、寫標(biāo)簽文件一下午就耗在預(yù)處理上。這份資源的價(jià)值就在這里目錄已經(jīng)劃分好、標(biāo)簽已對齊直接用 torchvision 的 ImageFolder 或 yolov5 classify 都能吃。它適合正在練手分類網(wǎng)絡(luò)的初學(xué)者也適合需要快速跑一輪分類基線的工程團(tuán)隊(duì)。下載量不大但你省下的是半天到一天的臟活。2. 拆目錄結(jié)構(gòu)train/test 劃分、類別字典 json 與一次跑通的可視化腳本2.1 data 目錄下到底長什么樣先看文件組織再談?dòng)?xùn)練拿到資源后的第一件事不是急著寫訓(xùn)練腳本而是先完整把目錄結(jié)構(gòu)列一遍。常見做法是直接用tree /fWindows或find命令看一遍find data -maxdepth 2 -type d | sort正常你會(huì)看到類似下面的組織結(jié)構(gòu)data/ ├── train/ │ ├── Agaricus/ # 姬松茸 │ ├── Amanita/ # 阿曼妮塔 │ ├── Boletus/ # 牛肝菌 │ ├── Cortinarius/ │ └── ... # 其余類別以 json 實(shí)際內(nèi)容為準(zhǔn) ├── test/ │ ├── Agaricus/ │ ├── Amanita/ │ └── ... └── classes.json # 類別字典文件這份資源的 train 和 test 是按「每類一個(gè)文件夾」組織的不是那種影像分類里常見的images/labels.txt平鋪結(jié)構(gòu)。前者對 PyTorch 的torchvision.datasets.ImageFolder和 yolov5 的 classify 任務(wù)都是開箱即用的不需要再寫額外的路徑解析邏輯。這一點(diǎn)是選型時(shí)最省事的地方。打開classes.json里面是一個(gè)類別名到編號(hào)的映射。以摘要里提到的類別為例能看到姬松茸Agaricus、阿曼妮塔Amanita、牛肝菌Boletus、Cortinarius絲膜菌屬等實(shí)際完整類別清單以你下載到的 json 為準(zhǔn)。也可以用一段非常短的 python 把類名和數(shù)量打出來import json with open(data/classes.json, r, encodingutf-8) as f: class_idx json.load(f) print(f類別數(shù)量: {len(class_idx)}) for name, idx in class_idx.items(): print(f {idx}: {name})這里encodingutf-8是我習(xí)慣性加上的很多 json 文件在 Windows 下用默認(rèn)編碼讀會(huì)直接拋UnicodeDecodeError加一個(gè)顯式編碼參數(shù)能避開一半的路徑類事故??吹筋悇e數(shù)量是 8并且打印出來的類名里沒有亂碼說明數(shù)據(jù)源是完整的可以進(jìn)入下一步。2.2 用 show 腳本做數(shù)據(jù)集可視化9 宮格抽樣看真實(shí)圖像質(zhì)量資源里帶了一個(gè) show 腳本用于可視化數(shù)據(jù)集。它的作用就是隨機(jī)從每個(gè)類里抽圖拼成網(wǎng)格讓你一眼看出這批蘑菇圖像的質(zhì)量有沒有黑邊、有沒有水印、有沒有模糊到?jīng)]法用的圖。如果你下載的腳本能直接跑那就直接跑如果環(huán)境里缺依賴跑不起來下面這個(gè)等效腳本我用得很頻繁直接抄走就行import json import glob import random import matplotlib.pyplot as plt from PIL import Image # 讀取類別字典 with open(data/classes.json, r, encodingutf-8) as f: class_idx json.load(f) classes list(class_idx.keys()) # 3x3 網(wǎng)格每次隨機(jī)抽 9 張 rows, cols 3, 3 fig, axes plt.subplots(rows, cols, figsize(9, 9)) for i in range(rows * cols): c random.choice(classes) # 注意有些圖可能是 .png 或 .jpeg多匹配幾種后綴更穩(wěn) candidates glob.glob(fdata/train/{c}/*.jpg) \ glob.glob(fdata/train/{c}/*.jpeg) \ glob.glob(fdata/train/{c}/*.png) img_path random.choice(candidates) ax axes[i // cols][i % cols] ax.imshow(Image.open(img_path)) ax.set_title(c, fontsize10) ax.axis(off) plt.tight_layout() plt.show()邏輯說明先從classes.json讀類別清單然后用glob按類在 train 目錄下找圖片后綴同時(shí)兼容 jpg、jpeg、png 三種常見格式。random.choice負(fù)責(zé)隨機(jī)抽樣所以每次運(yùn)行看到的 9 張圖都不一樣適合快速把整個(gè)數(shù)據(jù)集的圖像質(zhì)量摸個(gè)大概。參數(shù)上figsize(9, 9)控制整體畫布大小3x3 網(wǎng)格下剛好fontsize10是標(biāo)題字號(hào)。如果你想把全部 8 類都看一遍就把rows, cols改成 2x4或者循環(huán)里固定c classes[i % len(classes)]而不是隨機(jī)抽類??磮D的重點(diǎn)就三個(gè)圖像是否帶多余水印、是否有多張子圖拼在一張里的原始采集圖、是否存在明顯失焦的圖。看到問題圖后建議在訓(xùn)練前手動(dòng)清理而不是指望網(wǎng)絡(luò)自己學(xué)出來。3. 用 PyTorch 訓(xùn)練分類基線ImageFolder 加載、驗(yàn)證集劃分與超參表3.1 用 ImageFolder 加載數(shù)據(jù)并先切出驗(yàn)證集torchvision 的ImageFolder是這類「文件夾即標(biāo)簽」數(shù)據(jù)集最省事的加載方式。它會(huì)自動(dòng)按文件夾名的字母序生成類別索引并把每張圖解析成(image, label)對。這里有一個(gè)值得注意的點(diǎn)classes.json里的編號(hào)順序和ImageFolder按字母序生成的編號(hào)不一定一致所以加載后先打印dataset.classes做一次對齊別急著訓(xùn)練。另外這份數(shù)據(jù)只給了 train 和 test沒有 val。很多新手會(huì)拿 test 邊訓(xùn)練邊驗(yàn)證這是個(gè)大坑后面避坑章會(huì)細(xì)說。正確做法是從 train 里固定切 10% 出來當(dāng)驗(yàn)證集import torch from torch.utils.data import DataLoader, random_split from torchvision import datasets, transforms # 數(shù)據(jù)增強(qiáng)Resize 到 256再隨機(jī)裁剪 224符合 ImageNet 預(yù)訓(xùn)練模型輸入 train_transform transforms.Compose([ transforms.Resize(256), transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ColorJitter(0.3, 0.3, 0.3), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ]) full_train datasets.ImageFolder(data/train, transformtrain_transform) print(full_train.classes) # 確認(rèn)類別順序 total len(full_train) n_val int(total * 0.1) train_ds, val_ds random_split(full_train, [total - n_val, n_val]) train_loader DataLoader(train_ds, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_ds, batch_size64, shuffleFalse, num_workers4)邏輯說明ImageFolder的classes屬性就是它實(shí)際使用的類別順序打印出來跟classes.json對比能提前暴露標(biāo)簽錯(cuò)位。random_split按固定比例把訓(xùn)練集切成 90% 訓(xùn)練 10% 驗(yàn)證驗(yàn)證集只用來看收斂情況不參與權(quán)重更新。Normalize用的是 ImageNet 的均值和標(biāo)準(zhǔn)差因?yàn)楹竺婕虞d的是在 ImageNet 上預(yù)訓(xùn)練過的 ResNet輸入分布必須對齊。參數(shù)說明Resize(256)RandomResizedCrop(224)是分類任務(wù)最常見的尺度策略給裁剪留了隨機(jī)空間相當(dāng)于做了一次尺度擾動(dòng)。ColorJitter(0.3, 0.3, 0.3)對亮度、對比度、飽和度各做 0.3 幅度的隨機(jī)擾動(dòng)對蘑菇這類顏色敏感的類別不建議把幅度調(diào)得更大否則會(huì)破壞菌蓋顏色的判別信息。batch_size32在 ResNet34 8GB 顯存下比較穩(wěn)num_workers4是 Linux 下的常用值Windows 下如果報(bào) DataLoader worker 相關(guān)的錯(cuò)把它改成 0 是最快的解決辦法。3.2 訓(xùn)練腳本與超參設(shè)置ResNet34 在 9600 張上的基線預(yù)處理做完就該上模型了。蘑菇圖像類間差異小、類內(nèi)差異大菌蓋形狀和顏色是主要判別特征所以我一般先用 ResNet34 而不是更大更深的模型跑基線參數(shù)量適中在 9600 張的訓(xùn)練規(guī)模下不容易過擬合訓(xùn)練一輪的時(shí)間也夠短方便反復(fù)試錯(cuò)。import torch import torch.nn as nn from torchvision import models # 類別數(shù)以 json 為準(zhǔn)而不是以標(biāo)題為準(zhǔn) num_classes len(class_idx) model models.resnet34(weightsmodels.ResNet34_Weights.IMAGENET1K_V1) model.fc nn.Linear(model.fc.in_features, num_classes) device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lr1e-3) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max30) for epoch in range(30): model.train() running_loss 0.0 for images, labels in train_loader: images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() * images.size(0) # 每個(gè) epoch 結(jié)束在驗(yàn)證集上評估一次 model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in val_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() acc 100.0 * correct / total print(fEpoch {epoch1:02d} | Loss: {running_loss/len(train_ds):.4f} | Val Acc: {acc:.2f}%) scheduler.step()邏輯說明加載在 ImageNet 上預(yù)訓(xùn)練過的 ResNet34只把最后一層全連接換成 8 類輸出這是遷移學(xué)習(xí)里標(biāo)準(zhǔn)的 finetune 做法。預(yù)訓(xùn)練權(quán)重提供了豐富的底層特征蘑菇圖像雖然在 ImageNet 里不多但菌蓋的紋理、邊緣、顏色分布依然能復(fù)用底層卷積特征所以收斂速度遠(yuǎn)快于從零訓(xùn)練。參數(shù)說明優(yōu)化器用 Adam 而非 SGD圖的是前期收斂快lr1e-3對 finetune 來說比較溫和CosineAnnealingLR把學(xué)習(xí)率在 30 個(gè) epoch 內(nèi)按余弦曲線降到接近 0后半程相當(dāng)于做精細(xì)微調(diào)。CrossEntropyLoss自帶 Softmax所以模型輸出層不需要額外加激活。如果你的顯存只有 4GB把batch_size降到 16學(xué)習(xí)率同步降到 5e-4效果差別不大。這里給一張我跑這類蘑菇分類任務(wù)常用的超參表直接照著填問題不大參數(shù)推薦值說明輸入分辨率224x224兼顧細(xì)節(jié)與顯存Batch Size328GB 顯存可跑Epochs30看驗(yàn)證集是否 plateau優(yōu)化器Adam / SGD(momentum0.9)Adam 快SGD 穩(wěn)初始學(xué)習(xí)率1e-3finetune從零訓(xùn)練則用 1e-2學(xué)習(xí)率調(diào)度CosineAnnealing后半程微調(diào)更細(xì)膩權(quán)重初始化ImageNet 預(yù)訓(xùn)練強(qiáng)烈建議別從零訓(xùn)跑完 30 個(gè) epoch驗(yàn)證集準(zhǔn)確率一般能到 90% 上下。如果沒到先別急著換模型回到 2.2 節(jié)的可視化腳本看看是不是有臟圖或者去讀一下避坑章里相似類的問題。4. 接到 yolov5 / yolov8 分類從 train 切 val 到一條命令跑起來4.1 yolov5 classify 的數(shù)據(jù)組織與類別映射yolov5 自帶的分類任務(wù)classify/train.py和 yolov8 的yolov8n-cls.pt都遵循同一個(gè)約定數(shù)據(jù)集根目錄下必須有兩個(gè)子目錄train/和val/每個(gè)子目錄內(nèi)按「每類一個(gè)文件夾」組織。注意它找的是val而不是test。這份資源給的是train/和test/所以不能直接開訓(xùn)要先做一步目錄對齊。最省事但不推薦的做法是把test/改名為val/直接訓(xùn)練。問題是這樣最終評估就只能用同一個(gè) val指標(biāo)虛高。我習(xí)慣的做法是從train/里每類抽 10% 出來獨(dú)立成val/把原始test/留作訓(xùn)練結(jié)束后的最終盲測。import os import glob import random import shutil src data/train dst_val data/val_for_yolo os.makedirs(dst_val, exist_okTrue) val_ratio 0.1 random.seed(42) for class_dir in os.listdir(src): class_path os.path.join(src, class_dir) if not os.path.isdir(class_path): continue images glob.glob(os.path.join(class_path, *.jpg)) \ glob.glob(os.path.join(class_path, *.jpeg)) random.shuffle(images) n_val max(1, int(len(images) * val_ratio)) os.makedirs(os.path.join(dst_val, class_dir), exist_okTrue) for img in images[:n_val]: shutil.move(img, os.path.join(dst_val, class_dir, os.path.basename(img)))邏輯說明對 train 下每個(gè)類別目錄先 glob 出所有圖片按固定比例抽 10%用shutil.move從 train 挪到新的 val 目錄。random.seed(42)保證每次運(yùn)行切分結(jié)果一致這樣不同輪次的實(shí)驗(yàn)對比才公平。切分后 train 少了 10% 的圖總量從 9600 變成約 8640對訓(xùn)練影響不大。如果你用的是 yolov8 的ultralytics包數(shù)據(jù)組織方式完全一樣也是根目錄下train/和val/兩個(gè)子目錄類別由文件夾名自動(dòng)推斷。所以做完這步切分兩份框架都能直接吃這份數(shù)據(jù)。4.2 訓(xùn)練命令與本地推理yolov5 / yolov8 訓(xùn)練自己的蘑菇分類模型目錄切好后訓(xùn)練命令很短。yolov5 的 classify 分支是這樣跑的# 進(jìn)入 yolov5 倉庫根目錄 python classify/train.py \ --model resnet34 \ --data /path/to/mushroom_dataset \ --epochs 50 \ --img 224 \ --batch 32 \ --device 0--model指定 backbone除了 resnet34 還可以換resnet18跑更快、efficientnet_b0跑更省內(nèi)存--data指向包含train/和val/的根目錄--img 224和--batch 32跟 PyTorch 那套一致。跑完后權(quán)重存在runs/train-cls/exp/weights/best.pt。yolov8 的寫法更簡潔用的是命令行直接指定數(shù)據(jù)集路徑y(tǒng)olo classify train \ modelyolov8n-cls.pt \ data/path/to/mushroom_dataset \ epochs50 \ imgsz224 \ batch32 \ device0modelyolov8n-cls.pt會(huì)從官方源自動(dòng)下載預(yù)訓(xùn)練分類權(quán)重data指向同樣的根目錄。yolov8 的 n 模型非常輕顯存占用不到 2GBCPU 也能跑但精度上限比 resnet34 低一些適合先驗(yàn)證流程通不通。推理也簡單yolov5 用classify/predict.pypython classify/predict.py \ --weights runs/train-cls/exp/weights/best.pt \ --source /path/to/test/Amanita/xxx.jpg輸出會(huì)打印這張圖屬于每個(gè)類別的置信度。批量驗(yàn)證整個(gè) test 目錄也可以把--source直接指向data/test它會(huì)遞歸遍歷所有子目錄并輸出每張圖的預(yù)測結(jié)果。yolov8 則是yolo classify predict modelruns/train-cls/exp/weights/best.pt source/path/to/test到這里你已經(jīng)拿到了一個(gè)能跑通全流程的分類模型。剩下的問題不是模型架構(gòu)行不行而是有沒有踩中數(shù)據(jù)本身的暗坑。5. 避坑8 類還是 12 類、標(biāo)簽錯(cuò)位與類別不均衡5.1 類別數(shù)量標(biāo)題寫 12json 里只有 8現(xiàn)象資源標(biāo)題寫著「12種蘑菇圖像識(shí)別數(shù)據(jù)集」但classes.json打開只有 8 個(gè)類別訓(xùn)練腳本里num_classes填幾都要猶豫半天。原因12 是原始采集圖片的批次口徑。項(xiàng)目正文的文件名里能看到 Lactarius、Pluteus、Entoloma、Cortinarius 等多個(gè)屬名采集階段可能按 12 個(gè)批次或 12 個(gè)來源歸檔但整理成發(fā)布版時(shí)合并成了 8 個(gè)可判別類別。摘要里明確寫了「分類個(gè)數(shù)8」所以 12 和 8 并不矛盾只是統(tǒng)計(jì)口徑不同。解決一切以classes.json為準(zhǔn)。寫訓(xùn)練腳本前先用len(class_idx)確認(rèn)類別數(shù)再回去核對ImageFolder.classes的長度是否一致。任何地方出現(xiàn)num_classes 12都是錯(cuò)的跑完訓(xùn)練再去排查標(biāo)簽錯(cuò)位就晚了。5.2 標(biāo)簽順序ImageFolder 的字母序和 json 編號(hào)對不上現(xiàn)象訓(xùn)練時(shí) loss 正常下降但驗(yàn)證集的 top-1 準(zhǔn)確率始終在 30% 上下震蕩怎么看都像隨機(jī)猜。原因ImageFolder按文件夾名的字母序自動(dòng)生成標(biāo)簽比如Agaricus排 0、Amanita排 1、Boletus排 2而classes.json里的編號(hào)可能是按采集順序或人工指定順序?qū)懙摹煞蓓樞蛞坏┎灰恢录虞d進(jìn)來的 label 含義就錯(cuò)位了模型學(xué)到的映射關(guān)系全是亂的。解決訓(xùn)練前做一個(gè)硬性校驗(yàn)不通過就不開跑import json from torchvision import datasets with open(data/classes.json, r, encodingutf-8) as f: class_idx json.load(f) dataset datasets.ImageFolder(data/train) # 方式一直接對比文件夾順序和 json 順序 print(ImageFolder 順序:, dataset.classes) print(json 順序:, list(class_idx.keys())) # 方式二斷言兩者必須一致不一致就拋異常 assert list(dataset.classes) list(class_idx.keys()), \ 類別順序不一致需要統(tǒng)一后重新生成 json如果斷言失敗解決辦法是把classes.json重新按dataset.classes的順序生成一遍而不是去改文件夾名。文件夾名是給訓(xùn)練框架看的json 只是給人看的輔助文件以文件夾名為準(zhǔn)重建 json兩邊就對齊了。5.3 類別不均衡9600 張攤到 8 類未必均勻現(xiàn)象訓(xùn)練集總共 9600 張但訓(xùn)練時(shí)發(fā)現(xiàn)某些類別的 loss 一直下不去混淆矩陣?yán)飩€(gè)別類 recall 特別低。原因9600 是總數(shù)不代表每類正好 1200 張。蘑菇采集本身受季節(jié)、地域影響很大某些常見種可能占了 3000 張稀有類別可能只有 500 張。類別不均衡會(huì)讓模型偏向樣本多的類。解決訓(xùn)練前先做一個(gè)快速統(tǒng)計(jì)用numpy數(shù)一下每類樣本數(shù)import numpy as np from torch.utils.data import Dataset # 用 ImageFolder 的 targets 屬性直接統(tǒng)計(jì) counts np.bincount(dataset.targets) for cls, count in zip(dataset.classes, counts): print(f{cls}: {count} 張)如果發(fā)現(xiàn)差距超過 2 倍就用WeightedRandomSampler做樣本加權(quán)采樣給少樣本的類更高的采樣概率from torch.utils.data import WeightedRandomSampler class_counts np.bincount(dataset.targets) weights 1.0 / class_counts[dataset.targets] sampler WeightedRandomSampler(weights, num_sampleslen(dataset), replacementTrue) train_loader DataLoader(train_ds, batch_size32, samplersampler)采樣器會(huì)讓每輪 epoch 里少樣本類別被抽到的次數(shù)顯著增加緩解偏向。代價(jià)是每個(gè) epoch 實(shí)際上看到重復(fù)樣本訓(xùn)練輪數(shù)不用加太多30 輪以內(nèi)足夠。5.4 沒有驗(yàn)證集反復(fù)用 test 調(diào)參會(huì)虛高現(xiàn)象訓(xùn)練時(shí)一直拿data/test當(dāng)驗(yàn)證集看準(zhǔn)確率調(diào)了幾輪超參后測試集準(zhǔn)確率到了 95%但換成真實(shí)場景的新圖準(zhǔn)確率掉到 80%完全沒法解釋。原因test 集被反復(fù)用于超參選擇和 early stopping它的信息已經(jīng)在訓(xùn)練過程中泄漏給模型了。測試集的有效性在于「只用一次」反復(fù)用它調(diào)參它就不再是獨(dú)立評估集結(jié)果虛高是必然的。這是分類實(shí)驗(yàn)里最常見的翻車點(diǎn)。解決嚴(yán)格三集分離。train 訓(xùn)練、val從 train 里切 10%調(diào)參、test 只做最終評估。第 4 章給的切分腳本就是專門干這個(gè)的訓(xùn)完所有實(shí)驗(yàn)后用test/跑最后一次推理這個(gè)數(shù)字才是能寫進(jìn)報(bào)告的結(jié)果。5.5 相似類難分Amanita 和 Entoloma 分不清是正常的現(xiàn)象混淆矩陣?yán)顰manita和Entoloma兩個(gè)類互認(rèn)錯(cuò)訓(xùn)練初期 loss 下降比其他類慢很多換大模型效果也沒明顯改善。原因這兩個(gè)屬的蘑菇都是典型傘菌形態(tài)菌蓋顏色、菌褶走向在視覺上非常接近人眼都容易認(rèn)錯(cuò)。類間相似度高是蘑菇分類數(shù)據(jù)集的固有難點(diǎn)不是模型或者代碼的 bug。文件名里出現(xiàn)的Entoloma_original、Lactarius_original這類字樣也能看出來原始圖里大量是野外同一生長環(huán)境拍的背景干擾大。解決先接受基線結(jié)果再針對性地做三件事。一是輸入分辨率從 224 提到 320讓模型看到更多菌蓋細(xì)節(jié)二是對易混類做定向數(shù)據(jù)增強(qiáng)比如更強(qiáng)的隨機(jī)旋轉(zhuǎn)和光照擾動(dòng)三是在驗(yàn)證時(shí)看 top-2 準(zhǔn)確率對這類相似類任務(wù)top-2 比 top-1 更有實(shí)際參考價(jià)值。別指望把這兩個(gè)類的區(qū)分做到 100%能做到 90% 已經(jīng)超過多數(shù)人工標(biāo)注水平。6. 進(jìn)階用混淆矩陣和 Top-2 準(zhǔn)確率給模型做一次體檢訓(xùn)練完的模型光看一個(gè)總準(zhǔn)確率是不夠的。蘑菇分類這種類間相似度高的任務(wù)真正能說明問題的是混淆矩陣哪兩個(gè)類容易被搞混、每個(gè)類的召回率是多少都在這一張圖里。下面這段代碼用 sklearn 生成混淆矩陣和每類的 precision / recall是我每次跑完分類任務(wù)都會(huì)執(zhí)行的固定動(dòng)作import torch import numpy as np from sklearn.metrics import confusion_matrix, classification_report import seaborn as sns import matplotlib.pyplot as plt model.eval() y_true, y_pred [], [] with torch.no_grad(): for images, labels in val_loader: images images.to(device) outputs model(images) _, predicted torch.max(outputs, 1) y_true labels.tolist() y_pred predicted.cpu().tolist() # 每類的 precision / recall / f1 print(classification_report(y_true, y_pred, target_namesval_ds.dataset.classes)) # 混淆矩陣可視化 cm confusion_matrix(y_true, y_pred) plt.figure(figsize(8, 8)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabelsval_ds.dataset.classes, yticklabelsval_ds.dataset.classes) plt.xlabel(Predicted) plt.ylabel(True) plt.show()classification_report輸出每個(gè)類別的 precision、recall、f1-score哪個(gè)類是短板一眼就能看出來熱力圖上對角線以外的亮點(diǎn)就是模型最容易翻車的類別對。看到Amanita和Entoloma互串再去針對性調(diào)數(shù)據(jù)增強(qiáng)比盲試網(wǎng)絡(luò)結(jié)構(gòu)有效得多。Top-2 準(zhǔn)確率在蘑菇分類里比 top-1 更貼近實(shí)際使用場景。eDNA 調(diào)查或者野外采集輔助識(shí)別這類應(yīng)用通常給出「最可能的兩種蘑菇」讓用戶確認(rèn)比硬要模型賭一個(gè)答案更合理。統(tǒng)計(jì) top-2 的代碼也不復(fù)雜correct_top2 0 total 0 with torch.no_grad(): for images, labels in val_loader: images images.to(device) outputs model(images) top2 torch.topk(outputs, 2, dim1).indices.cpu() # 取前兩個(gè)預(yù)測 for i, label in enumerate(labels): if label.item() in top2[i].tolist(): correct_top2 1 total 1 print(fTop-2 Accuracy: {100.0 * correct_top2 / total:.2f}%)這段代碼的要點(diǎn)是torch.topk(outputs, 2, dim1)取的是每個(gè)樣本 logits 最高的兩個(gè)類別索引只要真實(shí)標(biāo)簽落在里面就算對。在相似類多的數(shù)據(jù)上top-2 一般會(huì)比 top-1 高 5 到 10 個(gè)百分點(diǎn)這個(gè)差距本身就是數(shù)據(jù)難度的直觀體現(xiàn)。從那以后我拿到任何分類數(shù)據(jù)集第一件事永遠(yuǎn)是三件套數(shù) json 長度、跑 bincount、打印 9 宮格圖這三步走完后面基本不會(huì)翻車。希望幫到你。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
青青夜夜狠狠夜夜狠狠| 日本色视| 99啪99| BBWCUCKOLD精品熟妇| www.色婷婷.com| 另类视频丁香五月| 婷婷五月欧美| 伊人久久婷| 国产97色在线| 色综合色色| 色很很96| 激情五月久久| 9热久久| 色婷婷小说网| 如何安全看伊人婷婷| 超碰av在线| 操操天堂| 五月婷婷色| 婷婷舔| 激情伊人五月天| 国产成人综合网| 日韩av在线免费观看| 色九月欧美| 原琪琪色影院| 婷婷丁香人妻| 亚洲精品网址| 久久久久久久人妻| 丁香五月天激情小说| 亚洲精品无人区| 开心五月激情五月丁香五月婷婷| 狠狠色噜噜狠狠| av在线观看免费| 激情综合网五月在线播放| 超碰免费人人| 精品无吗va视频免费观看| 大香蕉欧美在线| 日本五月天婷婷丁香| 婷婷五月综合啪| 激情久久五月网| 狠狠干.com| 99re鈥哸鈥唙| 久热精品视频在线观| 国产XXXX搡XXXXX搡麻豆| 五月天婷爱综合| 日本44久久在线| 五月婷婷天| 九九九午夜视频| 日本色婷婷| 日韩99色| 丁香婷婷婷五月综合色情| 丁香五月婷婷激情网| 久久小视频免费| 色色热| 激情五月www| 久9久成人精品视频| 丁香五月丁香伊人| 黄色成人网站在线播放| 丁香婷婷老熟女综合网| 久99久视频| 狠狠色噜噜狠狠色噜噜噜999| 日产精品一线二线三线芒果| 色婷丁香| 五月婷婷 激情五月| 欧美日韩123| www.色五月| 丁香五月婷婷少妇| AV在线大香蕉| 97人人操人人拍| 这里只有精品99www| 97超碰99热99| 免费无码毛片一区二区A片 | 26uuu| 丁香五月婷婷激情网| 香蕉人妻AV久久久久天天| 丁香婷婷五月天在线视频| 99色综合网| 色欧美日| 成人国产网| 碰碰91| 五月天激情网页| 亚洲精品国产setv| 久99精品视频| 久久91久久精品久久| 激情久久久久久久久| 99高级会所久久| 99免费青青蜜臀| www.超碰| 国产成人+综合亚洲+天堂| 这里只有精品视频一区| 人人色性网| 91人人澡人人爽人人看| 精品AV无码超碰| 91丨九色丨东北熟女| 这里只有免费精品| 婷婷丁香亚洲五月天| 97干欧美| 丁香婷婷五月天校园春色| 天啪色| 伊人无码高清| 成人短视频免费| 激情合网婷婷| 婷婷丁香六月五月天| 99热99思午夜精品| 丁香五月婷婷88在线| 色婷婷香蕉丁丁网| 综合欧美五月婷婷| 欧洲99视频在线| 五月激情婷婷国产精品久久久久久| 激情五月综合| 狠狠操综合| 最近韩国日本免费高清观看| 99热这里只有精品1998| 管管補管管紱| 秋霞免费三级片| 日本人人超碰| 亚洲视频另类| 久久网址99热| 99热这里只有精品9| 久久综合九九| 激情综合区| 欧美综合激情五月天| 日日肏夜夜干| 激情开心五月天婷婷基地丁香社区| 天天摸天天高潮天天爽| AAA亚洲AV| 婷婷色五月色妇| 美女五月天| 99久久97| 五月激情视频网| 色爱亚洲| 狠狠综合| www.久久婷婷| 五月婷婷六月丁香五月| 99热成人精品网站| 五月丁香在线观看| 五月天六月色| 四色女婷婷| 秋霞A V毛片| 色色色区| 婷婷色综合网日韩国产| 九色视频入口91| 极骚大香蕉伊人| 日日鲁鲁鲁夜夜爽爽狠狠视频97| 碰97 久| 来吧亚洲综合网| 99在线观看| 婷婷内射视频在线| 99热国产这里只有精品| 婷婷涩五月天综合| 婷婷久久亚洲| 色婷婷欧美在线| 天天日夜夜高潮| 啪啪婷婷五月天激情| 五月婷婷久久综合| 亚洲另类在线观看| 六六久久黄色| 国产成人AV在线播放| 91婷婷五月丁香碰| 另类图片天天影视在线观看| 色色色精品无码区| 免费试看小视频 99| www.五月天婷婷姐姐| 婷婷大美在线| 99热这里只有精品22| 91精品久久久久久综合五月天| 婷婷六月五月天综合| 天天干天干| 五月婷婷开心网| 日本久久精品18| 久久久婷婷婷| 苗黎美女四级成人版一级二级毛片| 人人摸人人摸| 亚洲精品一区中文字幕乱码| 综合色图区| 秋霞影音91人妻久久| 色婷| 99原创自拍视频在线观看| 熟女少妇内射日韩亚洲| Www.狠狠| 日本九九九九| 丁香五月婷婷天激情| 色欲AV导航| 久青草影院| 久操大| 91 九色 熟女| 91久久国产自产拍夜夜91久久精品文字>91麻豆精品国产 | 在线综合91| 大香蕉伊人爱在线| 视频这里只有精品16| 五月天四色房丁香亭亭| 亚洲亚洲人成综合网络| 丁香五月激情网| 男人天堂AV在线一区二区| 呦呦v线| 射区导航| 五月丁香色停停啪啪啪| 婷婷五月天AV在线| 色五月涩涩婷婷蜜桃| 99热精国产这里只有精品| 六月色婷婷| 婷婷的99视频网站| 九九99偷拍视频| 婷婷综合视频| 激情五月综合ì香亚洲| 国产在线中文字幕| 高清 码 免费看片短视频| 热九九在线| 色五月首页| 国产无套精品一区二区| 中文字幕久久婷九女同| 五月婷婷视频啪啪美女| 日日艹思思热| 激情婷婷| 五月开心六月婷婷在线播放网站| 国产真人做爰视频免费| 96精品久久久久久久久| 婷婷 月 丁香| 99热网站| 日韩在线看AV| 五月丁香婷婷无码中文| 久久久ww| 五月婷婷综合性爱噜噜| 天天拍夜夜爽日日| 日本社区五月天激情| 欧美色色色色色| 一本狠婷婷综合| 丁香婷婷精品视频| 91成人性爱视频| 国产精品久久欧美久久一区| 狼人久草| 色色色综合| 色欧美色色色| 婷婷丁香久久| 久久婷婷五月综合色奶水99啪| 日本强伦片中文字幕免费看| 五月婷婷综合激情小说| 婷婷五月天激情四射五月天激情| 婷婷操超碰| 色婷婷AV在线观看| 夜夜做夜夜愛| 色必久悠悠影院| 婷婷五月精品| 99视频激情四射| 少妇高潮一区二区三区99欧美| 丁香五月综合激情性爱| 99.N在线视频| 日本欧美999久久久三级片| 五月情综合| 天天色综网| 综合久久综合五月天婷婷| 丁香五月天欧洲在线| 激情视频综合| 六月色激情| 99在线国| 久99婷婷色综合| 天天色天天爱天天舔| 色色色色网站| 伊人色五月| 欧美日韩aaaa| 久久全意婷婷| www色中色综合| 五月丁香欧美综合| 99这里有精品视频| 五月天婷婷婷| 色网站99| 婷婷综合另类小说| 日本高清久久| 五月丁香啪啪综合网| 99这里只有| 亚洲美女裸体被操在线观看| 伍月婷丁香花全集| 97婷婷久久丁香| 天天狠狠色| 久久人妻熟女一区二区| 色情久久久| CHINESE熟女老女人HD视频| 轮奸综合网| 天天色综网| 开心五月婷婷婷美女| 婷婷色网站| 99欧美热| 婷婷五月天激情开心网| 天天肏高清在线| 亚洲综合五月天婷婷丁香| 激情综合五月| 亚洲婷婷丁香| 美国色五月天婷婷资源站| 中文字幕不卡+婷婷五月| 99久久亚洲精品视频| 婷婷丁香色五月亚洲| 99热这里只有精品22| 先锋五月婷婷丁香草草| 激情综合网五月丁香| 五月天另类图片区99| 激情五月婷黄版| 9有码中文| av在线免费播放| 大香蕉久久久| 国产激情久久| 色综合久久久久久久久五月| 亚洲久艹| 成人在线精品| 天天婷婷天天| 69人人操人人爽| 婷婷 丁香 精品| 色婷久九| 美女要搞搞天天搞搞搞网站| 九色PORNY9l原创自拍| 操操自拍| 婷婷欧美综合| 色色色婷| 99re久久| 成人在线二区| 激情五月天色播| 久久精品99久久| 99精品在线播放| 九九综合精品| 在线看片av| 丁香婷婷六月天| 精品热青草| 激情五月婷婷色| 婷婷激情人妻| 精品影院| 精品人妻一区| 九九99九九99九九99视频网| 五月丁香婷婷综合| av五月天婷婷丁香| 亚洲色图45p| 色综合色综合网| 六月丁香婷婷视频综合在线观看| 任你爽视频| 亚洲第一视频 久久| 91成人看片| 99er精品视频| 久久婷婷伊人| AV大片在线观看| 六月婷婷av| 婷婷色系婷色| 亚洲人人操| 久色成人| 九月婷婷久久久| 人人九色| 少妇性BBB搡BBB爽爽爽视頻| 热99在线| 久久丁香综合香蕉| 91人操人人人操人| 91人妻视频| 97碰久久| ww超碰在线| 武则天精品久久| 只有久久精品免费| 日本三久久| 少妇大叫太大太粗太爽了A片| 可以看的AV| 玖月婷婷爱丁香| 婷婷五月超碰| 怡红院AV亚洲一区二区三区H| 天天干天天色天天干| 99热亚洲| 狠狠综合久久综合| 人人色人人弄人人操| 女同激情久久av久久| 亭亭社区五月天| 99在线视频精品| 婷婷五月激情四射手| 五月丁香六月色婷婷| 91精产一区三区免费观看| 最新高清无码专区| 色五月亚洲| 五月婷婷在线免费观看| 99re思思热在线视频| 五月天久久久| 99熟女啪啪视频| 深爱开心激情网| 久久婷五月| 婷婷伊人| 亚洲午夜av| 色拍九九九| 国产精品美女久久久久AV超清| z色五月播播久久| 免费日韩99| 色yeye色综合| 色色9 9| 婷婷成人AV| 五月天精品综合| 欧美极品999| 九九色中文| 无码成人AAAAA毛片AI换脸| 91ncom.色| 色色a| 久99热| 狠狠色丁香99| 美女婷婷六月色| 九九色精品| 性热视频99精品| 色偷偷人人| 激情五月婷婷网| 久久婷丁香五月| 天天操婷婷| 91要啪| 碰超在线九色| 日本色啪| 婷婷五月天99综合网站| 男人的天堂婷婷色五月| 丁香六月婷婷久久综合| 色色国产| 免费国产视频| 五月天久久婷婷| 激情丁香社区| 99性爱视频| www.色九月| 性色欲情 网站| 五月丁香啪啪啪啪| 丁香色情五月综合激情| 五月天天堂久久| 激情 婷婷| 五月天丁香综合在线| 91九九热| 五月婷婷六月综合| 五月丁香久人妻中文| 操操自拍| 国产一级片| 69热在线| 秋霞电影理论| 婷婷丁香五月高清| 五月丁香婷婷AV| 五月丁香六月婷婷无码| 久久丁香五月| jizzdr| www色哟哟| 欧美日本日韩| 99热老网站| 日日爱激情| 激情网第四色| 97五月天婷婷| 另类激情首页| 丁香久久综合| 色色色9| 婷婷黄色| www.99精品日操伊人乱碰在线| 99久久国产宗和精品1上映| 人人干av| 96精品国产综合久久久久久| 国内久久亭亭| 超碰超碰在线| 婷婷伊人激情婷婷| 婷婷五月丁香婷婷| 五月综合六月婷婷| 丁香婷婷色| 日本狠狠色| 另类亚洲电影| www.91操| 综合在线丁香五月| 夜夜夜夜夜操| 婷婷色网| 男人的天堂97| 亚洲婷婷月丁香五月| 少妇婷婷五月天| 五月婷婷深深爱| 久久久久久久久久8888| 69久热| 天天操天天操综合| 成人精品一区日本无码网 | 久久日韩婷婷五月| 丁香五月天视频| 五月天婷婷综合网| 九九色情网五月天| 日韩一区二区在线播放| 99色在线视频| 婷婷操久久| 开心婷婷五月| 日韩不卡DvD| 九九热超碰| 色婷婷五月综合激情中文字幕| 色天堂A| 天天爽夜夜爽天天爽夜夜爽| 婷婷伊人网| 婷婷综合伊人| 99在线国| 精品一二三区久久AAA片| 色色综合激情| 婷婷爱五月天人人爱| 五月综合激情网| 欧美综合五月丁香六月婷| 亚洲男人的天堂婷婷色五月| 人妻久久人妻久久第一区| 精品夜夜澡人妻无码AV| 亚州激情网站无码| 狠狠狠狠狠干| 五月深爱婷婷| 狠狠草在线观看| www色综合| 婷婷五月情| 99视频综合网| 99热6色| 五月丁香啪啪啪| 久久久久亚洲A∨成人乱码电影| 久热AA| 五月婷婷九九热| 永久地址 色| 综合色、色综合| 激情婷婷五月黑人| 亚洲妇女熟BBW| 五月激情另类| 五月激情小说| www夜夜操wwwcon| 亚洲色就是色色色| 极品人妻videosss人妻| 日本一级淫| 激情美女五月天激情在线| 丁香88AV五月婷婷| 五月婷婷综合精品| 玖玖爱伊人| 婷婷五月天激情小说| 婷婷丁香成人五月天| 婷婷五月天成人| www。五月,com| 欧洲免费视频色| 综合色色五月| 裸体美女丁香五月天。| 亚洲黄3级片网站欧美| 夜夜大香蕉婷婷丁香| 国产精品色婷婷99久久精品| 操碰97| 激情婷婷另类| 久久9999| 久/久精品99看9| www夜夜操wwwcon| 在线综合91| 思思热久久阴99| 婷婷综合网站| 久久久精品色色色| 91色五月| 久久免费少妇高潮99精品| 97亚洲婷婷| 99丁香五月婷| 五月天色色色色色| 午夜69成人做爰视频| 99成人免费热视频| 五月婷丁香在线视频在线| 中文婷婷狠狠| www.狠狠| 五月丁香婷婷色色| 五月婷婷在线免费观看 | 五月婷婷与六月丁香图片激情| 中文网AV| 婷婷五月丁香成人| 激情第四色| 五月久久亚洲| 婷婷五月乱交换| 色色色网站| 人人摸人人干| 色色色9| 天天操九九插| 色五月激情综合网| 五月丁香婷中文| 中文字幕视频色婷婷| 99精品在线| 色5月丁香婷婷| 亚洲精品五月| 五月天激情日色在线| 热九九在线| 91免费看片| 91日本在线免费| 极品人妻VIDEOSSS人妻| 婷色五月| 欧美色色色色色色| 99这里只有精品| 激情www| 丁香五月激情在线| 男女久久婷婷五月天| 多精窝99在线视频| 五月天天天综合| 日韩一级片| 精品99视频| 玖玖婷婷婷丁香五月| 草久私拍| 人妻中文av| 另类亚洲电影| 97在线日本| 国产原创视频91九色| 超级碰91| 99九九在线| 色七七九九| www.yw尤物| 亚洲综合激情五月天婷婷| 天天五月丁香五月| 婷丁香五月天| 99热香港| 能直接看的AV网站| 激情丁香五月天图片| 激情视频综合| 91久操| 亚洲国产精品VA在线看黑人| 热日韩欧美| 99国产精品白浆在线观看免费| 99国产精品久久久久久久久久久 | 色婷婷五月天小说网| 激情综合色婷婷六月天| 五月丁香六月婷婷久久| 久9无码视频| 狠狠色婷婷777| 色五月六月| 精品一二三区久久AAA片| 成人五月天。COM| 夜色.cnm| 99热最新精品| 91人人爽久久涩噜噜噜| 色私五月婷婷| 99国产精品久久久久久久久久久| 99久久婷婷精品视频| 碰人人97| 色婷婷综合五月| 久久99热在线观看| 欧洲一区二区| 久久五月婷6 9| 五月婷婷偷拍| 影音先锋 婷婷| 另类专区在线| 色情五月| 亚洲另类久久| 99性爱视频| 婷婷六月丁香五月图区| 激情综合5| 欧美综合五月丁香六月婷| 婷婷色色丁香五月天| 亚洲精品第一国产综合亚AV | 五月婷婷天堂| 欧美三级韩国三级日本三斤| 五月丁香花伦理电影| 4399亚洲视频| 亚州第一A片| 久久AV电影| 亚洲激情av| 999热这里只有美国精品| 狠狠丁香| 五月天社区婷婷丁香社区| 综合色在线| 开心五月激情| 色情久久久| 狠狠综合色网| 99精品在这里| 丁香八月综合激情| 六月婷婷七月丁香| 99久re热视频精品98| 另类亚洲视频| 大香蕉婷婷久久| 色9月| 色五月在线观看| 涩综合婷婷| 日韩另类| 97香蕉久久超级碰碰高清版| 色色色色区| 天天干天天干天天干天天干天天| 人人插操| 欧美一区二区三区不卡影视| AV成人在线网站| 五月激情五月婷婷五月天在线| 久热精品免费视频4| 台湾综合丁香五月蜜桃| 亚洲精品国产熟女久久久| 婷婷五月天.com| 午夜天天精品视频| 激情婷婷五月天日本系列| 久久天堂女人| 亚洲热视频在线| 91狼友视频网页更新| 国产美女精品| 热思思九九| 99热777| 99视频在线观看视频| 日本欧美成人片AAAA| 五月丁香婷婷啪啪综合| 超碰在线精品| WWW.五月天9999| 婷婷丁香大香蕉| 国产熟妇的荡欲午夜视频| 久热超碰| 五月丁香婷婷色播无码| 色噜噜狠狠色综合日日| 大香蕉AV在线| 欧美性生交XXXXX无码小说| 色狠狠综合网| 婷婷五月天社区| 五月激情综合深爱| 婷婷激情五月综合| 加勒比久热| 人妻久久久久久久 | 亚洲视频一区| 婷婷五月天伦理| 国产在线自| 成人在线不卡| 五月天婷婷亚洲| 99综合自拍| 久久五月天婷婷| 欧洲激情精品婷婷| 激情综合4月| 婷婷色播色五月五色五月天色妇| 偷偷与邻居做爰完整视频| 欧美色久| 五月丁香六月欧美综合网站| 五月丁香六月婷婷不卡免费无码| 色久女| 国产又爽又猛又粗的视频A片| 天天上天天爽| 99re青青草| 色婷视频| 99九九玖玖| 99精品久久久久久久婷婷久久| 婷五月天影院| 欧美电影在线观看| 久色网址| 天天干天干| 久久这有这里精品| 久热无码| 色丁香久久| 色欲婷婷五月天丁香| www婷婷色| 亚洲 在线 另类| 五月婷婷丁香| AV五月丁香| 五月天综合视频网| 九九热这里只有精品31| www,av好吊操| 五月激情综合网| 婷婷涩涩五月天| 五月天婷婷综合网| 97精品欧美91久久久久久久| 婷婷99狠狠躁天天| 五月丁香综合啪啪| 99热综合在线观看| 五月天久久综合婷婷丁香| 亚洲激情网站| www.五月瑟| 日本va欧美va精品发布视频| 丁香六月激| 五月香婷婷| 婷婷五月丁香综合亚洲 | 五月色婷婷激情| 思思热精品在线观看| 综合久久五月天| 日本五月婷婷| 激情色色色| 强辱丰满人妻HD中文字幕| 婷婷成人丁香色情基地30 | 99九九中文字幕视频| 色噜噜五月天| 99视频精品全部免费看| 日本高清久| 国产片天天爽夜夜爽| 久久这里面只有精品视频| 九九精品视频在线6| 五月丁香AV在线| 97色色视频| 日本一级一级一级一级| 欧美大片免费播放器| 亚洲激情综合| 加勒比久热| 婷婷九月综合| 亚州操操| 久久伊人日日夜夜| 狠狠干五月丁香| 婷婷久久免费看| 六月丁香VA| 99久在线精品99re5热视频| 狠狠草狠狠草| 伊人婷婷五月天| 激情婷婷五月天| 加勒比久热| 婷婷五月电影| 天天操夜夜啊| 欧美Va在线| 婷婷色五月丁香六月欧美啪| 野战J办公桌椅H| 9久热免费视频99| 五月亭久久无码视频| 91大神操美女| 色噜噜婷婷| 婷婷六月综合激情| 激情中文在线| 亚洲九九免费| 99热99极品观看| 日本操天堂| 久激情| 人妻尝试久久久久久久久久久久| 99啪啪网| 九月色婷婷婷| 丁香婷婷六月天| 五月丁香六月天| av婷婷丁香| 2050人人操免费工开爱| 丁香六月婷婷综合啪啪| 日本熟妇乱妇熟色A片蜜桃| 婷婷干| 丁香五月婷婷激情尤物| 婷婷色播六月无码| 狠狠色噜噜狠狠狠狠综合| 婷婷在线视频| 九色视频91疯狂| 激情丁香五月婷婷| 丁香五月婷婷婷桃花影院| 大功率国产在线| 丁香五月婷婷激情中文| 特黄三级片| 丁香五月天社区婷婷| 日本女天天爽| 爽天天天天天天天| 8090在线影视少妇| 亚洲综合视频网| 婷婷激情五月天小说| 99色在线| 婷婷色5月天在线。| 成人综合网站| 五月婷丁香| 俺去也综合| 婷婷趴趴| 五月天色社区| 九九精品片一| 久久精品A片777777| 久热这里只有精品在线观看 | 人人干女人| 色婷操逼| 超碰97久久| 日良久久| 婷婷放心五日爱| 可以直接看的av| 久久精彩视频99| 99久在线精品99re8| 色插人人| 五月婷婷久久综合| 深爱综合网| 九九亚洲小视频| A片试看120分钟做受图片| 婷婷色中文字幕| 99九九久久| 99爱这里只有精品| 天天操天天插天天射| 婷色五月天| 99九九热在线观看| 亚洲狠狠干| 大香蕉九九热| 色色色综合网| 久草热视频在线观看| 日韩AV成人电影| 99热免| 91综合在线| 综合激情五月丁香| 久热2025无码| 野战J办公桌椅H| 99精在线| 久久黄色免费视频| 久久99看免费| 98国产精品综合一区二区三区| 五月天婷婷色小说| 欧美婷婷日本| 91打屁股免费看| 五月婷婷 激情五月| 91视频五月丁香| 99热亚洲| 综合久久97| 亚洲精品九九| 拍真实国产伦偷精品| 亚洲婷婷开心五月| 久青操| 久久精99| 日本久久人| 六月亭亭久久综合激情| 久久婷网| 亚洲妇女熟BBW| 激情五月开心五月丁香五月| 性婷婷| 日本97在线| 99热这里有精品| 婷婷激情六月综合| 婷婷丁香五月天综合AV| 色婷婷五月天av在线| 六月丁香啪啪啪| 天天色色天天| 婷婷色五月激情| 一区二区成人电影| 日韩99无码| 五月天桃色深爱网| 五月丁香花开综合网| 丁香五月 综合| 91在线看免费 九九九九| 九九九九九九毛片| 99久久久免费| 97人人操| 区区欧美你爱| 我爱婷婷五月天综合88| 欧美WW在线网| 99re视频在线| 日韩熟女啪啪视频| 超碰人人在线| 天天干天天做| 国产人妻777人伦精品HD| 亚洲五月天婷婷| 婷婷内射视频在线| 99爱在线免费视频| 99视频这里有精品| 激情五月天综合网| 99视频一区| 俺也去在线视频| 97视频久久| 538在线精品| 五月天婷婷视频30| 天天日婷婷| 日逼免费视频| 老司机伊人| 爱操人妻| 欧美 日韩 成人| 夜夜 操无码| 狠狠CAO日日穞夜夜穞AV| 日本乱子人伦在线视频| 久久综合九九| 日韩啪啪视品| 丁香婷婷91在线观看视频| 国产激情综合五月久久| 日韩无码人妻一区二区三区综合 | 伊人大香蕉综合在线| 91色吧网| 欧美在线骚货| 婷婷六月丁香欧美视频在线| 天天综合五月天| 久草热8精品视频在线观看| 超级久久久| 99开心五月五月丁香激情| 色5月婷婷| 九九亚洲视频| 久re在线| 亚洲av网站| 五月花婷婷丁香| 伊人www22综合色| 亚洲V国产V欧美V久久久久久| 99精品这里只有免费视频| 久久久婷丁香五月| 婷婷亚洲色| 婷婷丁香五月综合| 婷婷五月天AV| 99青青草99| 99ri久久| 日本va视频| 久久婷婷五月天综合| 丁香激情网| 香蕉视频91| 久久精彩视频| 99日本视频| 天天艹夜夜爽| 丁香五月电影| www.爱婷婷.com| 【乱子伦】黄色| 99热在线看片| 中国女人做爰A片| 99热亚洲精品| 亚洲女婷婷五月基地综合久久久| 丁香 久久| 成人网站在线观看视频| 激情五月天激情五月天| 久久五月丁香| 久久婷婷七月丁香| 9久久精品| 99热精品中文字幕| 91超级碰| 秋霞AV吧| 九月激情婷婷丁香| 99热这里有精品6| 色综合久久久久| 久久久99视频| 婷婷九月在线| 色色色五月婷| 日本社区五月天激情| 操逼巨乳91| 1999天天操夜夜操| 丁香五月婷在线观看| 婷婷D区| 色综合夜夜| 99热自拍| 久久久这里都是精品| 五月婷婷中文字幕| 久久综合综合综合| 四色99久久| 七月婷婷色香综合网| 五月丁综合在线观看| 婷婷综合网站| 26.uuu丁香五月婷婷| 亚洲综合激情五月| 免费看片在线观看| 五月丁香婷婷激情视频| 99精品视频免费观看近期发布| 91人妻PORNY九色大屁股| 91超级碰在线视频| av在线免费网站| 久久作爱| 日本久久网| 激情久久久久| 538在线| 五月丁香在线观看| www.91久久| 欧美搡BBBBB摔BBBBB| 天天久久人人| 超碰97在线操| 激情影院丁香五月| 屁股翘好撅高迎合跪趴| 99爱视频精品| 嫩草AV久久伊人妇女超级A| 五月丁香猫咪久久婷婷综合视频激情四射网入口 | 亚洲愉拍99热成人精品| 久久婷婷色| 激情五月天色| 人妻丰满精品一区二区A片| 五月丁香六月婷婷色日| 五月丁香福利| 色中色综合| 九九色婷| 国产色婷婷亚洲| 婷婷色色综合| 色婷婷狠| 五月丁香六月婷婷久久久综合| 青青草99热久久精品国| 91久久九久久九久久九久久九久久| 亚洲AV另类| 久久98热re| 色综合久久天天综合网 | 欧美99热| 九九干视频| 婷婷激情性爱| 五月天社区| 色综合射婷婷| 韩国情人在线电视剧免费观看高清版全集 | 狠狠狠人妻| 激情五月天婷婷丁香| 天天干天天拍| 丁香五月色网| 这里只有精品久| 第四色网婷婷| 久碰久| 天天日夜夜爽| 欧美日韩99| 天天在线XXX| 精品怡红九九九| 五月天自拍网| 亚洲精品中文字幕成人片| 香蕉综合在线| 五月婷婷婷婷网| 華人性愛AV在線| 色色精品色| 久久9精品| www.cao.com久久| 裸体做A爰片毛片A片免费| 色婷婷激情| 色婷婷六月天在线| 九九热区一区二区三区| 五月久久噜噜| 色婷婷婷av| 日木狠狠干| 探花搜索结果 - 黄上黄| 另类婷婷五月天啪帕帕| 欧美电影在线播放| 超碰日日操| 殴美激情综合网| 99视频只有精品| 五月丁香婷婷基地| 五月天综合在线观看视频| 久久久久人妻中文| 九九精品视频在线观看| 五月婷婷AV| 久热网站| 久久国产色| 26uuu精品一区二区| 丁香五月激情婷婷婷婷在线观看| 五月丁香婷婷成人伊人网| 色五月婷婷中文字幕| 99热在线资源| 中美月韩免费A片| 爆乳熟女一区二区三区爆乳| 精品自拍97| 色九月综合网| 亚洲视频久久| 99色视频| 色婷婷久久综合久色| 91超级碰碰| 婷婷五月天伊人在线| 日日噜狠狠色综| 五月天伊人av| 69热在线| 婷婷五月天激情AV影院| 成人精品99| www.henhengan| AA丁香综合激情| 国产欧美日韩综合精品一区二区| 国产人妻777人伦精品HD| 草草夜夜操| 丁香五月激情综合婷综| 色域五月婷婷丁香| 婷婷伊在线| 99热精地址| 天天日本夜夜谢| 天天肏高清在线| 日韩久久成人| 亚洲激情综| 五月婷婷|欧美| 99热99日…..| 六月香五月婷| 97操操操| 中文字幕按摩做爰| 久久综合综合久久| 很很操96| 综合网啪| 婷婷色中文字幕| 秋霞AV美国| 日在线V视频在线播放| 精品五月天| 99熟女| 日韩99无码| 五月丁香久久| 天天 青草 丝袜制服 在线| 美欧日韩国产成人在战| 97久久精品视频| 亚洲婷婷在线播放十月| 丁香婷婷五月综合色情| 五月丁香色色网| 婷婷五月天免费| 涩五月婷婷| 久久香蕉网| 天天插天天插天天插天天插 | 成AV人片一区二区三区久久| 中文字幕AV在线播放| 丁香五月激情五月| 影音先锋 一区| 激情内射p| 色亭亭九月| 综合伊人狠狠| 亚洲AV成人一区二区在线观看| 深爱五月中文字幕| 国产精品久久久久久亚洲毛片| WWW色色色COm| 99在线视频资源| 综合色影| 婷婷色综合| 五月天色色激情综合| 丁香婷婷色五月| 五月婷成人| 99热在线观看| 亚洲婷婷开心五月| 在线理论片| 99久久久| 色色日本欧美| 五月天激情网站| 九九大香视频| www狠狠| 538午夜激情| 丁香五月欧美婷婷综合| 丁香婷婷激情网站| 国产精品人妻在线网址| 激情另类综合| site:xmssd.com| www.99热国产| 亚洲第一综合| 婷色五月| 91精品久久久久久久久久| www激情五月天| 激情爱爱网站| 五月丁香久久| www.夜夜操.com| AA丁香综合激情| WWW嗯嗯啊啊啊啊| 天天操综合网| 开心婷婷中文字慕| 精品一二三区久久AAA片| 国产成人+亚洲+欧洲| 久久99精品久久久久久噜噜| 欧美成人精品A片免费一区99| 婷婷五月天堂一本在线| 91九色中文字幕女在线观看| 91超级碰碰碰| 久久六月综合| 韩日在线熟女| 果冻传媒A片一二三区| 九月激情网| 五月丁香无码| 丁香六月激情综合| 精品九九网| 麻豆WWWCOM内射软件| 超碰在线免费9| 99久久精品网| 日韩九九视频| 五月婷婷九九久久| 99视频| 九月婷婷| 一月婷婷色色| 天天干-天天日| 99免费热视频在线| 五月天啪啪网| 国产精品A成V人在线播放| www.天天干| 精品久久久久久久人妻| 丁香五月视频在线观看| 色碰碰视频| 久久九九99桃花视频| 丁香五月激情综合久久| 色色丁香婷婷综合| 99re青青草| 激情婷婷五月丁香啪啪啪| 亚洲精品无码久久| 夜丁香五月婷婷| 激情五月五月五月婷婷| 色婷婷色99国产综合精品| 丝雨一区二区| 99性爱| 99热精品免费| 热五月婷婷| 99在线观看视频| 丁香网五月网| 五月天婷婷久久综合| 涩涩涩,com| 99操久久| 日本97在线| 成人丁香五月婷| 开心五月色婷婷综合开心网| 人人妻人人澡| 久久AV电影| 亚洲激情五月婷婷日日| WWW嗯嗯啊啊啊啊| 99热这里只有精品99| 91人妻人人做人碰人人爽九色| 第四色五月婷婷| 激情婷婷丁香| 人人草人| 亚洲激情.com| 九九热99热| 天天人人人人人人人人人人人| 99精在线| 天天操,天天插| 久久996re热这里只有精品无码| 五月天自拍视频| 亚洲激情综合五月婷婷啪啪| 久色网五月| 日日日天天干| 婷婷社区五月天| 五月婷婷开心丁香| 婷婷五月激情中文字幕| 碰97久久| 99热最新| 精品影院| 在线播放 精品| 日本九九网| 成人噜噜网| 狠狠操天天操| 丁香五月综合在线视频| 色五月婷婷操逼| 激情五月天视频| 99久久婷婷国产综合精品电影| 7777久久亚洲中文字幕| 香蕉操亚洲| 五月噜噜噜色综合| 日日夜夜狠狠干| 99精品热| 99ER热精品视频| 夜夜AVV| 97人妻碰碰中文无码久热丝袜| 激情五月六月婷婷综合啪啪| 深爱婷婷色| 综合久久99| 很很干天天干| 99精品综合在线| 五月天快乐开心激情网|