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。

圖像分類實(shí)戰(zhàn):基于5700張西瓜病數(shù)據(jù)集的遷移學(xué)習(xí)訓(xùn)練

圖像分類實(shí)戰(zhàn):基于5700張西瓜病數(shù)據(jù)集的遷移學(xué)習(xí)訓(xùn)練 簡(jiǎn)介西瓜病識(shí)別圖像分類數(shù)據(jù)集是一套面向圖像分類入門與農(nóng)業(yè)病害識(shí)別應(yīng)用的高質(zhì)量標(biāo)注資源適合深度學(xué)習(xí)初學(xué)者與研究者快速搭建分類模型。資源共2000個(gè)文件含1998張JPG圖片覆蓋花葉病毒、健康、炭疽病和霜霉病四個(gè)類別已劃分訓(xùn)練集與測(cè)試集并按類別分目錄存放另附JSON標(biāo)注文件和Python可視化腳本可快速查看圖像與標(biāo)簽。壓縮包約156.94MB結(jié)構(gòu)清晰下載后即可接入PyTorch/TensorFlow訓(xùn)練。目前已有59人瀏覽學(xué)習(xí)。作者還提供CNN分類網(wǎng)絡(luò)改進(jìn)的配套專欄結(jié)合資源中的訓(xùn)練集與可視化腳本讀者可完成從數(shù)據(jù)處理、模型訓(xùn)練到精度優(yōu)化的完整流程適合課程設(shè)計(jì)、科研預(yù)實(shí)驗(yàn)或項(xiàng)目練手。1. 拿到約5,700張已標(biāo)注的西瓜病識(shí)別數(shù)據(jù)集先別急著開訓(xùn)做圖像分類的同行應(yīng)該都有體會(huì)找一個(gè)“已標(biāo)注、能直接用”的垂直領(lǐng)域數(shù)據(jù)集有多難。西瓜病識(shí)別這個(gè)方向尤為典型——公開數(shù)據(jù)集里大多是葉片病害果實(shí)表面的病斑識(shí)別要么樣本少要么標(biāo)注只給到病害大類。手上這份正好反過來約5,700張數(shù)據(jù)已經(jīng)完成標(biāo)注類目落在西瓜果實(shí)常見病害和正常果上拿來跑圖像分類模型基本不需要再做標(biāo)注層面的返工。這篇文章想和你聊清楚三件事這5,700張適合做什么量級(jí)的任務(wù)、從標(biāo)簽解析到訓(xùn)出第一個(gè)模型的完整路徑、以及真正會(huì)讓結(jié)果翻車的邊界條件。適合誰看做課程設(shè)計(jì)、搞論文實(shí)驗(yàn)、或者想練手垂直領(lǐng)域分類落地的工程師這個(gè)規(guī)模不會(huì)大到讓你等訓(xùn)練等到下班也不會(huì)小到訓(xùn)完毫無說服力。2. 先讀標(biāo)注再談?dòng)?xùn)練目錄結(jié)構(gòu)與標(biāo)簽解析2.1 數(shù)據(jù)集最常見的兩種組織方式這類已標(biāo)注圖像分類數(shù)據(jù)集拿到手先看目錄不要急著寫訓(xùn)練腳本。常見做法有兩種第一種是images目錄存放全部圖片另配一個(gè)JSON或CSV文件記錄文件名和類別第二種是直接按類別建子目錄每個(gè)文件夾名就是標(biāo)簽。兩種組織方式?jīng)Q定了后面的數(shù)據(jù)讀取代碼完全不一樣。約5,700張的規(guī)模不算大但如果你一開始就假設(shè)錯(cuò)了標(biāo)簽格式后面的清洗步驟全要返工。判斷方式很簡(jiǎn)單打開根目錄看有沒有標(biāo)注文件。有JSON或者CSV就走映射方案純文件夾結(jié)構(gòu)就走目錄讀取方案。下面這段代碼用Python同時(shí)兼容兩種方案省得你反復(fù)改import os import json import csv from collections import Counter dataset_root ./watermelon_disease # 方案A有標(biāo)注文件JSON/CSV if os.path.exists(os.path.join(dataset_root, annotations.json)): with open(os.path.join(dataset_root, annotations.json), r, encodingutf-8) as f: ann json.load(f) # 常見格式之一{images: [{file_name: 001.jpg, label: anthracnose}], categories: [...]} items [(d[file_name], d[label]) for d in ann[images]] elif os.path.exists(os.path.join(dataset_root, labels.csv)): with open(os.path.join(dataset_root, labels.csv), r, encodingutf-8) as f: reader csv.DictReader(f) items [(row[file_name], row[label]) for row in reader] # 方案B按類別子目錄組織 else: items [] for class_name in os.listdir(dataset_root): class_dir os.path.join(dataset_root, class_name) if not os.path.isdir(class_dir): continue for fname in os.listdir(class_dir): if fname.lower().endswith((.jpg, .jpeg, .png)): items.append((os.path.join(class_name, fname), class_name)) counter Counter(label for _, label in items) print(f總樣本數(shù): {len(items)}) for label, cnt in counter.most_common(): print(f{label}: {cnt})這段代碼的邏輯是先探測(cè)標(biāo)注文件再兜底讀目錄最后統(tǒng)計(jì)類別分布。參數(shù)說明annotations.json和labels.csv是常見的兩種標(biāo)注文件名實(shí)際以你拿到的文件名為準(zhǔn)如果叫別的名字就把os.path.exists里的路徑改掉。encodingutf-8在Windows下最好加上否則中文類別名容易讀成亂碼。跑完這段你會(huì)得到兩個(gè)關(guān)鍵信息類別數(shù)和各類別樣本量——這兩個(gè)數(shù)字直接決定后續(xù)要不要做重采樣。2.2 把類別分布打出來看第一輪坑就藏在里面統(tǒng)計(jì)結(jié)果不要只看總數(shù)要把每個(gè)類別的數(shù)量打印出來。約5,700張聽上去挺均衡實(shí)際垂直領(lǐng)域數(shù)據(jù)集的類別分布往往偏得離譜健康果可能占一半某種病害只有三百張。如果某類占比低于5%直接進(jìn)訓(xùn)練的話模型大概率把這類全部忽略。下面這個(gè)表是這類數(shù)據(jù)集常見的分布形態(tài)具體數(shù)字以你拿到手的實(shí)際統(tǒng)計(jì)為準(zhǔn)類別典型占比風(fēng)險(xiǎn)提示健康果40%-50%數(shù)量充足注意與病斑果的特征區(qū)分炭疽病15%-25%病斑特征明顯容易學(xué)偏到果皮反光疫病10%-15%與日灼病在顏色上容易混淆日灼病8%-12%顏色偏淺黃和健康果亮度接近其他/少見病害5%-10%樣本太少需要過采樣或者干脆合并類別看到少數(shù)類只有兩三百張的時(shí)候先別急著刪。圖像分類里有一種做法叫類別合并——把癥狀相似、樣本都少的病害合并成一個(gè)“其他病害”類。約5,700張的數(shù)據(jù)規(guī)模合并后每類至少能有500張以上訓(xùn)練才穩(wěn)。這一步的取舍會(huì)在最終精度上體現(xiàn)得非常明顯我后面講避坑章節(jié)時(shí)會(huì)再展開。3. 數(shù)據(jù)清洗與劃分約5,700張里藏著多少重復(fù)和錯(cuò)標(biāo)3.1 去重腳本哈希比對(duì)一步到位已標(biāo)注數(shù)據(jù)集不等于干凈數(shù)據(jù)集。垂直領(lǐng)域數(shù)據(jù)集經(jīng)常是從多個(gè)來源湊來的同一個(gè)果實(shí)的不同角度照片、同一張圖被縮放過兩次、甚至同一張圖在不同類目下各出現(xiàn)一次這些情況都不少見。約5,700張的規(guī)模人工翻一遍不現(xiàn)實(shí)寫腳本做哈希比對(duì)是標(biāo)準(zhǔn)做法。import hashlib from collections import defaultdict def file_md5(path, chunk_size8192): h hashlib.md5() with open(path, rb) as f: while chunk : f.read(chunk_size): h.update(chunk) return h.hexdigest() hash_map defaultdict(list) duplicates [] for file_path, label in items: # items 來自上一節(jié)的解析結(jié)果 full_path os.path.join(dataset_root, file_path) if not os.path.exists(full_path): continue digest file_md5(full_path) hash_map[digest].append((file_path, label)) for digest, file_list in hash_map.items(): if len(file_list) 1: duplicates.extend(file_list) print(f疑似重復(fù)文件組數(shù): {len([v for v in hash_map.values() if len(v) 1])}) for dup in duplicates: print(dup)這段腳本用MD5做文件級(jí)去重全等重復(fù)同一文件復(fù)制改名一定會(huì)被抓到。參數(shù)說明chunk_size8192是分塊讀取的緩沖區(qū)大小約5,700張圖片全量算一遍MD5也就幾秒到十幾秒。抓到重復(fù)文件后建議保留其中標(biāo)注信息更詳細(xì)的那條另一條直接從items里剔除。但要注意MD5只能抓全等重復(fù)。同一張圖被人為加了水印、調(diào)了亮度、改了尺寸MD5就對(duì)不上了。這時(shí)候要用感知哈希pHash或者直接用圖像縮放后做像素差比對(duì)。約5,700張的規(guī)模下pHash全量比對(duì)是秒級(jí)到分鐘級(jí)的事值得跑一遍import cv2 import numpy as np def perceptual_hash(image_path, size(32, 32)): img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) img cv2.resize(img, size, interpolationcv2.INTER_AREA) # 用離散余弦變換的低頻分量做特征 img_float np.float32(img) / 255.0 dct cv2.dct(img_float) # 取左上角8x8低頻塊去掉第一個(gè)直流分量 low_freq dct[:8, :8].flatten()[1:] median_val np.median(low_freq) return (low_freq median_val).astype(np.uint8) # 對(duì)items抽樣計(jì)算兩兩比較漢明距離距離小于閾值視為疑似重復(fù)這段不做全量?jī)蓛蓪?duì)比——約5,700張兩兩比對(duì)的復(fù)雜度是O(n^2)沒必要。常見做法是抽樣幾百張做快速篩查確認(rèn)數(shù)據(jù)源風(fēng)格差異大不大。如果這步發(fā)現(xiàn)大量近重復(fù)圖我一般會(huì)寫一個(gè)窗口式的增量去重把漢明距離小于10的圖片打印出來人工二次確認(rèn)。注意去重和后面的數(shù)據(jù)劃分是兩件事先去重再劃分順序不能反過來。3.2 按“來源組”而不是“單張圖”劃分訓(xùn)練驗(yàn)證集劃分訓(xùn)練集、驗(yàn)證集、測(cè)試集約5,700張的常規(guī)比例是7:1.5:1.5也就是訓(xùn)練約3,990張驗(yàn)證和測(cè)試各約855張。但真正影響模型可信度的不是比例而是劃分的單位。如果你拿到的是多角度拍攝的數(shù)據(jù)同一顆西瓜出現(xiàn)在多個(gè)文件里隨機(jī)按單張圖去劃分訓(xùn)練集和驗(yàn)證集里會(huì)出現(xiàn)同一個(gè)果實(shí)的相似照片驗(yàn)證集精度虛高落地實(shí)測(cè)立刻打回原形。正確做法是先看文件名或者目錄結(jié)構(gòu)里有沒有“來源分組”的信息。有的數(shù)據(jù)集文件名類似field1_20230912_001.jpg前半段就是分組鍵有的按采集批次分了子目錄。按組劃分再隨機(jī)抽組代碼如下import random from collections import defaultdict group_items defaultdict(list) for file_path, label in items: # 按文件名前綴分組常見分隔符是 _ 或 - group_key file_path.split(_)[0] group_items[group_key].append((file_path, label)) groups list(group_items.keys()) random.seed(42) random.shuffle(groups) train_groups groups[: int(len(groups) * 0.7)] val_groups groups[int(len(groups) * 0.7) : int(len(groups) * 0.85)] test_groups groups[int(len(groups) * 0.85) :] train_items [item for g in train_groups for item in group_items[g]] val_items [item for g in val_groups for item in group_items[g]] test_items [item for g in test_groups for item in group_items[g]] print(f訓(xùn)練集: {len(train_items)}, 驗(yàn)證集: {len(val_items)}, 測(cè)試集: {len(test_items)})這段代碼的核心邏輯是先提取分組鍵對(duì)組做隨機(jī)化再按組劃分。參數(shù)說明split(_)[0]是常見的分組鍵提取方式實(shí)際要以文件名的命名規(guī)則為準(zhǔn)可能是前兩個(gè)字段、也可能是中間某段看了文件名格式再定。random.seed(42)固定隨機(jī)種子保證實(shí)驗(yàn)可復(fù)現(xiàn)。如果文件名看不出分組信息退而求其次的做法是檢查圖片的采集時(shí)間戳或EXIF信息但這步比較費(fèi)工時(shí)不是所有數(shù)據(jù)集都具備條件。4. 訓(xùn)練第一個(gè)模型用預(yù)訓(xùn)練圖像分類模型做遷移學(xué)習(xí)4.1 為什么約5,700張不要從零訓(xùn)練在圖像分類這個(gè)任務(wù)上約5,700張數(shù)據(jù)做從零訓(xùn)練是筆虧本買賣。ResNet從零訓(xùn)到收斂需要百萬級(jí)數(shù)據(jù)支撐5,700張連正則化都?jí)翰蛔∧P椭苯舆^擬合到訓(xùn)練集。現(xiàn)在主流的圖像分類模型都在遷移學(xué)習(xí)路徑上用ImageNet預(yù)訓(xùn)練權(quán)重做初始化凍結(jié)前幾層只微調(diào)后面幾層和分類頭。這是垂直領(lǐng)域小數(shù)據(jù)集的標(biāo)準(zhǔn)打法也是工業(yè)界最穩(wěn)的做法。模型怎么選ResNet18和EfficientNet-B0是兩類代表ResNet系列結(jié)構(gòu)簡(jiǎn)單、顯存占用小、在CPU上也能做推理EfficientNet-B0精度略高且參數(shù)更少但對(duì)輸入分辨率更敏感默認(rèn)的224x224輸入表現(xiàn)不錯(cuò)。如果你只想快速在西瓜病識(shí)別上跑通流程ResNet18足夠在意的指標(biāo)是Top-1準(zhǔn)確率而不是推理速度就上EfficientNet-B0。至于ViT這類強(qiáng)Transformer架構(gòu)在約5,700張規(guī)模下預(yù)訓(xùn)練權(quán)重的作用沒有CNN陣營那么強(qiáng)容易在微調(diào)后期精度爬不上去。import torch import torch.nn as nn import torchvision.models as models from torch.utils.data import Dataset, DataLoader from torchvision import transforms from PIL import Image class WatermelonDataset(Dataset): def __init__(self, items, dataset_root, transformNone): self.items items # [(file_path, label), ...] self.root dataset_root self.transform transform self.class_to_idx self._build_class_index() def _build_class_index(self): unique_labels sorted(set(label for _, label in self.items)) return {label: idx for idx, label in enumerate(unique_labels)} def __len__(self): return len(self.items) def __getitem__(self, idx): file_path, label self.items[idx] img Image.open(os.path.join(self.root, file_path)).convert(RGB) if self.transform: img self.transform(img) return img, self.class_to_idx[label] transform_train transforms.Compose([ transforms.Resize((256, 256)), transforms.RandomCrop(224), transforms.RandomHorizontalFlip(p0.5), transforms.ColorJitter(brightness0.2, contrast0.2, saturation0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) transform_eval transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) model models.resnet18(weightsmodels.ResNet18_Weights.IMAGENET1K_V1) num_classes len(set(label for _, label in items)) 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) train_loader DataLoader( WatermelonDataset(train_items, dataset_root, transform_train), batch_size32, shuffleTrue, num_workers4 ) val_loader DataLoader( WatermelonDataset(val_items, dataset_root, transform_eval), batch_size32, shuffleFalse, num_workers4 ) criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lr3e-4) for epoch in range(20): 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() # 每個(gè)epoch后驗(yàn)證 model.eval() correct, total 0, 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() val_acc correct / total print(fEpoch {epoch1:02d} | Loss: {running_loss/len(train_loader):.4f} | Val Acc: {val_acc:.4f})這段代碼是完整的訓(xùn)練骨架幾個(gè)關(guān)鍵參數(shù)值得細(xì)說models.ResNet18_Weights.IMAGENET1K_V1加載ImageNet預(yù)訓(xùn)練權(quán)重。這里用帶權(quán)重的枚舉寫法不推薦pretrainedTrue這種舊方式因?yàn)樾掳鎡orchvision已經(jīng)把參數(shù)名改了。model.fc nn.Linear(model.fc.in_features, num_classes)替換最后一層全連接輸出維度改成實(shí)際類別數(shù)。分類頭的初始化會(huì)用默認(rèn)方式不需要額外處理。batch_size32約5,700張訓(xùn)練集一個(gè)epoch大約125個(gè)batch20個(gè)epoch是2,500次迭代在單張消費(fèi)級(jí)顯卡上幾分鐘就能跑完一輪實(shí)驗(yàn)。lr3e-4遷移學(xué)習(xí)的典型學(xué)習(xí)率區(qū)間是1e-4到5e-43e-4是一個(gè)安全中間值。如果發(fā)現(xiàn)Loss震蕩劇烈降一個(gè)數(shù)量級(jí)到3e-5再試。幾個(gè)訓(xùn)練時(shí)的注意點(diǎn)ColorJitter對(duì)西瓜病識(shí)別很敏感——過度調(diào)飽和度會(huì)讓病斑顏色失真建議把saturation調(diào)低到0.1RandomCrop配合Resize是先放大到256再隨機(jī)裁剪到224相當(dāng)于引入輕微的尺度擾動(dòng)對(duì)病斑大小變化有抑制作用。訓(xùn)練過程中盯著驗(yàn)證集Loss如果驗(yàn)證Loss在第10個(gè)epoch之后不降反升大概率是過擬合了有兩種處理提前停止或者把學(xué)習(xí)率降到1e-5繼續(xù)跑幾個(gè)epoch。4.2 類別不均衡時(shí)的損失函數(shù)調(diào)整如果第2章的統(tǒng)計(jì)結(jié)果顯示少數(shù)類占比很低直接用CrossEntropyLoss會(huì)讓模型偏向多數(shù)類。這時(shí)候可以給損失函數(shù)加類別權(quán)重權(quán)重和樣本量成反比from collections import Counter class_counts Counter(label for _, label in train_items) total sum(class_counts.values()) class_weights torch.tensor( [total / (len(class_counts) * class_counts[label]) for label in sorted(class_counts.keys())], dtypetorch.float32 ).to(device) criterion nn.CrossEntropyLoss(weightclass_weights)這個(gè)權(quán)重公式的含義是每個(gè)類的權(quán)重 總樣本數(shù) / (類別數(shù) × 該類樣本數(shù))。樣本量少的類別權(quán)重放大樣本量多的類別權(quán)重縮小。比如某類只有300張權(quán)重算出來是約3.2另一類有2,000張權(quán)重約0.48訓(xùn)練時(shí)模型會(huì)“更在意”樣本少的類。加了類別權(quán)重之后驗(yàn)證集指標(biāo)不要只看整體準(zhǔn)確率要看每一類的召回率。約5,700張這個(gè)規(guī)模小類可能只有幾十個(gè)樣本整體準(zhǔn)確率85%但小類召回率為0的情況在西瓜病識(shí)別里太常見了我下面會(huì)把這個(gè)問題單獨(dú)放進(jìn)避坑清單。5. 避坑指南西瓜病識(shí)別訓(xùn)練里最常見的四個(gè)翻車現(xiàn)場(chǎng)5.1 驗(yàn)證集精度高實(shí)際測(cè)試卻翻車做圖像分類的人一定見過這個(gè)場(chǎng)景訓(xùn)練時(shí)驗(yàn)證集精度一路爬到92%拿到新的西瓜圖片一測(cè)識(shí)別結(jié)果完全不對(duì)。發(fā)現(xiàn)這類問題要先去查數(shù)據(jù)劃分方式。之前說過如果同一來源同一顆西瓜、同一塊地、同一天拍攝的近重復(fù)圖片被拆進(jìn)了訓(xùn)練集和驗(yàn)證集驗(yàn)證時(shí)模型見過了近似圖像成績(jī)自然虛高。解決方法是回到第3章的按組劃分思路重新生成三個(gè)集合后再訓(xùn)練。另外一個(gè)隱蔽原因是測(cè)試圖片的來源分布和訓(xùn)練集差異太大比如訓(xùn)練集全是田間拍攝測(cè)試卻用了倉庫里的照片光照、背景、拍攝距離全部變化模型見過的特征對(duì)不上。處理手段是手動(dòng)把測(cè)試集里識(shí)別錯(cuò)誤的圖挑出來看確認(rèn)是特征分布漂移還是模型本身學(xué)錯(cuò)了。5.2 病斑太小模型學(xué)的是果皮反光不是病斑西瓜病斑在整張圖中的占比往往很小尤其是早期病斑可能只有十幾個(gè)像素。模型在這種數(shù)據(jù)上學(xué)到的特征可能是果皮的高光區(qū)域、葉片的綠色背景、甚至照片角落的水印而不是真正的病斑紋理。我遇到過一版模型看起來精度很高用熱力圖一看關(guān)注的全是果實(shí)邊緣的反光區(qū)域。解決辦法有三個(gè)一是先做目標(biāo)裁剪把果實(shí)區(qū)域從背景中分離出來再送入分類模型常見做法是先用目標(biāo)檢測(cè)器定位果實(shí)或者人工裁剪后重新訓(xùn)練二是把輸入分辨率從224提高到384給病斑多留一些像素三是用Grad-CAM這類可視化工具逐張檢查發(fā)現(xiàn)學(xué)錯(cuò)特征就去調(diào)整預(yù)處理或者換模型。在約5,700張的規(guī)模下優(yōu)先嘗試后兩種方案成本最低見效最快。5.3 少數(shù)類完全學(xué)不動(dòng)訓(xùn)練結(jié)束時(shí)少數(shù)類準(zhǔn)確率依然是0的問題多數(shù)來自訓(xùn)練過程中模型從未把該類的loss降到有效范圍。排查手段是在每個(gè)epoch打印loss per class如果某個(gè)類平均loss一直不下降就是沒學(xué)進(jìn)去。原因通常有兩個(gè)一是類別權(quán)重加得不夠把權(quán)重調(diào)大一倍再試二是該類的訓(xùn)練樣本之間差異太大病斑形態(tài)、角度、光照各不相同模型通過有限的50張樣本學(xué)不到穩(wěn)定的類別特征這時(shí)候需要檢查標(biāo)注是否有誤把同類樣本鋪開人工過一遍。如果標(biāo)注沒問題另一個(gè)方向是把類別合并同類病害合并成一個(gè)大類雖然細(xì)粒度信息丟了但至少模型在這個(gè)類上有區(qū)分度。5.4 訓(xùn)練過程中Loss出現(xiàn)NaN約5,700張的小數(shù)據(jù)集上用Adam優(yōu)化器Loss出現(xiàn)NaN的概率不大但也不是沒有。常見誘因是學(xué)習(xí)率過大導(dǎo)致梯度爆炸或者輸入圖像中有損壞的圖片文件截?cái)嗟腏PEG數(shù)據(jù)讀取時(shí)返回了空張量。一個(gè)排查思路是先把學(xué)習(xí)率降到1e-5跑幾個(gè)epoch看是否復(fù)現(xiàn)不復(fù)現(xiàn)就是學(xué)習(xí)率問題另一個(gè)做法是所有訓(xùn)練圖片做一遍完整性校驗(yàn)——用PIL打開并轉(zhuǎn)換RGB拋異常的圖片直接從items里剔除。另外使用混合精度訓(xùn)練AMP時(shí)也要注意小數(shù)據(jù)集上精度縮放策略設(shè)置不當(dāng)也會(huì)導(dǎo)致NaN通常把torch.cuda.amp.GradScaler的init_scale參數(shù)降低即可。6. 最后的進(jìn)階技巧用Grad-CAM驗(yàn)證模型到底在看什么地方訓(xùn)練完模型先別急著驗(yàn)收精度指標(biāo)。我現(xiàn)在的習(xí)慣是花半小時(shí)做一輪可視化歸因這個(gè)動(dòng)作幫我躲開了至少三次誤報(bào)。Grad-CAM能生成熱力圖標(biāo)記出模型做決策時(shí)關(guān)注的圖像區(qū)域這對(duì)病斑類任務(wù)非常關(guān)鍵——判斷模型看的是“病斑”還是“背景”一目了然。from pytorch_grad_cam import GradCAM from pytorch_grad_cam.utils.model_targets import ClassifierOutputTarget from pytorch_grad_cam.utils.image import show_cam_on_image import matplotlib.pyplot as plt model.eval() cam_model GradCAM(modelmodel, target_layers[model.layer4[-1]]) # 隨便挑一張測(cè)試集里的病斑圖 img_path, true_label test_items[0] img Image.open(os.path.join(dataset_root, img_path)).convert(RGB) input_tensor transform_eval(img).unsqueeze(0).to(device) target [ClassifierOutputTarget(class_idx)] grayscale_cam cam_model(input_tensorinput_tensor, targetstarget)[0] visualization show_cam_on_image( np.float32(np.array(img.resize((224, 224)))) / 255.0, grayscale_cam, use_rgbTrue ) plt.imshow(visualization) plt.axis(off) plt.show()這段代碼把熱力圖疊加在原始圖像上邏輯說明target_layers[model.layer4[-1]]選擇ResNet最后一個(gè)卷積塊作為特征提取層病斑的位置信息在這一層仍然保留ClassifierOutputTarget指定要看哪個(gè)類別的激活區(qū)域——傳入錯(cuò)誤類別就能看到模型在判斷這個(gè)類時(shí)看的是哪里。如果熱力圖中心偏離病斑區(qū)域、落在果皮反光或背景上說明模型沒學(xué)到該學(xué)的特征。配合一個(gè)簡(jiǎn)單的量化檢查手動(dòng)框出測(cè)試圖像上的病斑區(qū)域用標(biāo)注框或者簡(jiǎn)單摳圖計(jì)算熱力圖高亮區(qū)域和病斑區(qū)域的IoU。如果IoU低于0.3這張圖的預(yù)測(cè)結(jié)果就要打上問號(hào)。用這個(gè)方法在約5,700張的驗(yàn)證集或測(cè)試集上抽100張左右做一次抽樣檢查基本就能判斷模型學(xué)的是“西瓜病”還是“西瓜反光”了。這個(gè)習(xí)慣幫我篩掉過很多表面高精度、實(shí)際不可用的模型權(quán)重。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
婷婷五月丁香六月天亚洲综合| 九九热只有这里是精品| 亚洲色婷婷色| 蜜乳中文字| 另类激情首页| 99久久网站| 国产精产国品一二三在观看| 4399伦理午夜| 色噜噜狠狠色综合日日免费| 久久看婷婷| 99re热在线视频| 色色影院aaaav| 亚洲bt丁香五月天婷婷激情小说| av网址在线| 99热精品在线| 婷婷趴趴| 99综合99| 九九综合精品| 在线超碰免费| 99er日韩| 日狠狠| 九九偷拍网| 国产精品美女久久久久AV超清| 色婷婷激情五月天丁香| 婷婷性爱| 欧美黄色韩日网| 日韩色色视频| 天天肏天天肏| 爱草视频在线| 丁香五月影院| 蜜桃婷婷狠狠久久综合| 五月丁香六月欧美综合| 婷婷色丁香五月| 国产精品扒开腿做爽爽爽A片唱戏| 99在线一区| 无码九九| 天天综合五月天| 精品夜夜澡人妻无码AV| 久草A片| 狠狠狠狠狠狠狠狠草| 操骚货在线| 五月天综合网| 伊人久久大香网| 五月丁香六月婷婷亚洲| 天天插天天插| 婷婷精品在线| 26uuu亚洲| 婷婷亚洲天堂| 九月激情网| 亚洲色在线观看| 九九黄色网| 4399伦理午夜| 五月天婷婷爱| 五月婷婷久草| 五月亚洲激情| 五月成人网站| 九热久| 五月婷婷婷婷婷| 思思热精品在线视频| 激情综合丁香| 久99热| 久久丁香五月婷婷| 色情综合网| 97碰碰电影| 大香蕉手机视频| 十月色综合| 色丁香久久| 香蕉大综综综合久久| 亚洲狠狠婷婷综合久久久| 婷婷99狠狠躁天天躁中| 激情久久 婷婷| 婷婷五月图片小说视频| 熟女人妻视频| 果冻传媒A片一二三区| 激情综合自拍五月婷婷色五月| 99综合视频在线| 婷婷五月天AV在线| 七月丁香婷婷 色色| 亚洲小视频免费看| 99熟女| 久久精品五月| 国产精品色婷婷AV综合色色| 99天堂在线观看免费视频| 色五月xxx| 激情爱爱网站| 激情婷婷久久| 99久久婷婷五月综合| 久久免费干| 少妇口诉沐足视频播放器网址| 99碰碰| 激情五月婷婷视频一区二区三区| 情趣视频66| 逼特逼在线免费播放| 91丨九色丨东北熟女| 99精品视频偷拍| 日碰日| 激情六月丁香综合| 天天做天天爽| 婷婷五月天改成什么了| 九九热AV| 人妻系列久久久久久久久久久| 成人国产综合| 丁香五月性| 五月婷婷色情| 97视频91| 精品人人操| 丁香 亚洲 久久| 日韩久久日| 这里只有精品在线播放| 91久久网站| 色情一区二区播放| 久久33视频| www.五月激情红色| 99热有精品在线观看| RenRenSe在线视频网站| 国产99久| 性爱视频99| 色停停影院五月天| 亚洲最大激情无码| 亚洲激情综| www.五月丁香| 综合色情网| 久久婷婷综合基地| 亚洲视频a| 99re8这里只有精品99re8热视频| 《战争与艾拉》完整版| 五月丁香婷婷五月色| www,色中色| 欧美性生交XXXXX无码小说| 国产综合激情五月久久| 亚洲国产成人AV在线 | 99热 免费| 亚洲成人综合在线| 五月天丁香综合在线| 久久开心五月天激情| 五月天激情综合网| 五月婷婷中文字幕| 国产一级婬片毛片| 亚洲爱婷婷| 激情五月天偷拍综合网| 99热婷婷| 精品香蕉99久久久久网站 | 思思99久久| 开心五月激情网| 青青.com| 以及AA大片看看| 色婷五月天激情| 丁香久月婷| 婷婷久久久久| 激情婷婷综合| 综合精品99| 日韩啪啪视频| 99在线看片| 日本丰满久久| 五月天综合色| 开心婷婷五月中文字幕组| 97国产精品女人碰碰| 99九无网码| 在线播放成人网站| 丁香五月开心七月| 国产欧美第五十五页| 熟女婷婷网站一婷婷五月一丁香婷婷一婷婷激情网| 在线观看视频1区| 五月综合色| 六月婷婷天天操夜夜爽视频| 99A片| 婷婷五月天亚洲综合| 性日本激情| 成人免费黄色短视频| 91成人性爱视频| 婷婷五月花| 第1影院之五月婷婷| 人人草人人爱| www.久久99热地址发布| 99在线免费观看| 狠狠插狠狠| 在线你懂的亚洲欧| 无人区码一码二码三码医生系列| 精品人妻一区| 狠狠操天天操综合| 婷婷网影院| 国产成人综合网| 天天爽天天干天天| 五月丁香六月婷婷精品| 亚州第一A片| www.婷婷五月| 这里只有精彩视频| 天天综合图片| 色婷婷久久综合| 欧美黄色一级录像| WWW.桔色成人.COM| 天天天天天天天操| 色狠狠五月天| 97碰人人操| 青柠影视免费高清电视剧| 亚洲综合五月天婷婷| 天天插天天狠| 久久多色| 91九色PORNY中文啦| 开心深爱激情网| 免费五月婷婷网| 五月丁香久人妻中文| 色婷婷四虎| www.婷婷| 激情影院丁香五月| 丁香五月综合亚洲| 九九爱激情| 99热主页日本| 人草人人| 99视频精品全部免费观看| 婷婷综合亚洲| 综合精品啪啪| 狠狠色噜噜狠| 五月婷婷综合在线| 婷婷伊人| 久久久五月五丁香| 五月婷婷综合在线视频小说| 99热这里精| 国产精品久久..4399| 婷婷激情区| 丁香六月啪| 开心五月深爱五月| 99性视频| 天天摸天天高潮天天爽| 综合五月天亚洲婷婷| 欧美性爱中文字幕| 久久性爱激情| 91久久国产自产拍夜夜91久久精品文字>91麻豆精品国产 | 99视频内射三四| 99ri视频在线观看| 高清a片基地| 亚洲成人在线播放| 五月丁香啪| 色婷婷免费观看| 五月婷六月| 色高清无码视频| 五月天婷婷色色| 婷婷九月狠狠色| 狠狠色噜噜狠狠狠狠狠色综合久久| 久99视频| www.夜夜| 日本天天操| 亚洲AV日韩无码| 色五月丁香婷婷| 五月婷深深爱激情网| ri电影在线| 热久久91| 欧美综合五月丁香六月婷| 大香蕉丁香| 色婷婷很很丝袜| 亚洲妇女熟BBW| 五月丁香六月激情综合啪啪| 玖玖资源站国产| 久久婷婷色情7777网站| 中文字幕精品在线观看| 99在线视频资源| www.99精品视频| 黄色短视频在线观看| 欧美A级成人婬片免费看理论| 婷婷五月天,影院| 日本人妻伦在线中文字幕| 久久人妻久久| 五月丁香啪啪网| 五月色婷| 欧美色色色色色| 热九九精品| 爱久综合| www.婷婷.com| 激情综合网激情五月俺也去| 日本色五月| 五月丁香啪啪啪综合网| 国产亚洲在线| 丁香五月天视频| 欧美精品99久久久| 久热九九| 一二线视频 另类| 色五月激情五月| 亚洲精品字幕在线观看| 欧美情色一区| 色五月色五天色情网址| 97碰碰电影| www激情网站| 色综合久久88| 91九色国产| 亚洲六月婷婷| 五月天色婷伊人| 激情影院内射| 日本全黄一级999| 九色激情| 吊色AV男人的天堂| 天天开心天天色| 美女天天久久| 激情小说之五月| 婷婷丁香五月,狠狠综合| 五月色丁香激情| 婷婷色丁香六月| 五月丁香六月激情欧美综合| 九色自拍| 欧美黑人巨大性生话| 国产做爰视频免费播放| 九九色网| 国产精品成人网址| 色域五月婷婷丁香| 丁香桃色综合网| 久久这里有精品99| 婷婷激情六月视频| 久草热在线视频| 日韩精品AV一区二区三区| 在线中文AV| 六月婷在线| www.久久爱.com| 久久九九视频网站| 亚洲激情97五月天| 亚洲在线操| 五月婷婷综合网| 日韩人妻AV在线| 久久久久视剧HD| 精品99在线观看| 色色婷| 能看的av片| www、色色色| 狼友超碰| 激情婷婷五月天日本系列 | 欧美日韩成人在线网| 婷婷久热| 国产一二三四五六七八视频| 欧洲毛片基地c区| 婷婷五月天AV| 久久精品噜噜噜成人A∨色欲 | 成人网站免费sxj| 色在线视频网2025| 欧美性爱五月天| 色婷婷色综合| 狠狠做六月爱婷婷综合aⅴ| 国产高清精品色| 激情五月色婷婷| 婷婷亚洲色| 九色激情| 婷婷天天舔| 丁香五月婷老师| 五月天偷拍| 欧美在线| A1片久久久| 日韩成人五月天| 五月天激情无码| 激情综合区| 日本人人超碰| 五月婷久久| 夜夜爽天天日| 久久538| 91熟妇大香蕉| 五月丁香直播| 色情丁香五月婷婷精品| 色色热日| 日本精品。999| 丁XX 成人| 色狠狠色噜噜AV天堂五区| 超碰高清在线| 久草网大香视频| 丁香婷婷久久| 99视频网址| 中文中文在线| 激情五月丁香五月| 综合网天天| 亚洲天堂99| 久草丁香婷婷五月天婷| 亚洲综合婷婷五月天| 欧美日韩成人在线| 久久久久激情网| 五月婷婷六月爱| 9久久久久久久久久久| 淫视馆av三区| 狠狠操天天操综合| 中文av网站| 99精品女人天堂| 久久99激情五月天| 激情都市丁香婷婷| 欧类av怡春院| 婷婷香香五月| 欧美综合五月丁香六月婷| 男人先锋久久| 国产婷婷五月中文字幕高清| 五月婷久久| 青青日韩| 五月丁香黄色视频| 玖玖爱伊人网| 五月婷婷开心激情六月蜜桃| 九九热在线视频| 久9视频| 人人操婷婷| 丁香久久AV| 久热伊人| 日本久久婷婷| 91热视频色网站| 色综合99色| 五月婷婷综合色啪首页| 六月丁香啪啪| 免费视频舔| 9999三级片| 欧美啪啪网| 欧美性爱5月天天天看| 欧美性做爰大片免费看办公室| 在线成人网站| 最新色色五月天| 六月综合婷婷开心伊人 | 五月丁香亚州综合网| 丁香五月综合图片在线观看| 五月激情天| 五月婷婷xxx| 激情综合网址| 91尤物九色在线| 色噜噜狠狠色综合网| www,超碰| 激情爱爱网站超大免费| 婷婷六月综合| 婷婷97碰碰| 日本操片| WWW.婷婷五月天.COM| 色婷亚洲五月丁香| 天堂综合久久| 91丨九色丨白浆| 国产免费一区二区三区三州老师F1F1.CC | 日韩少妇内射免费播放| 婷婷五月AV| 丁香婷婷狠狠97| 狠狠操狠狠狠| 日本三级99人妇网站| 婷婷五月天首页| 亚洲春色奇米影视| 婷婷日日夜夜| 国产资源在线视频| 97人人操在线| 亚洲夜五月| 丁香六月婷| 男人天堂亚洲综合| 99婷五月| 97 A I色色| 丁香五月婷婷婷桃花影院| 六月婷婷五月天| 欧美一线视频| 国产在线中文字幕| 婷婷五月成人有| 99精品偷自拍| 能直接看的AV网站| 六月激情丁香一道本7777| 五月丁香六月激情| 五月丁香六月婷综合成人综合| 亚洲中文字幕AV| 亚洲激情av| 欧美激情综合| 战争与艾拉电影免费观看| 五月婷婷激情在线| 9热在线观看| 日韩啪啪视频| 极品少妇XXXX精品少妇偷拍| 色色COm| 久xxxx| 日本在线视频www色| 激情综合亚洲| 97夫妻超碰| 丁香六月婷婷姐网| 97极品在线| 婷婷丁香十月| 艾小青av| 人妻激情视频| 99热18| 五月色精品| 海外网站专业操老外| 色五月综合激情| 亚洲99激情| 五月天婷婷狂暴白浆| 天天做天天爱天天要| 激情婷婷久久| 亚洲熟妇AV乱码在线观看| 激情五月天色婷婷综合| 人人九色| 少妇被躁爽到高潮无码文 | 久久激情综合| 五月中旬婷婷丁香六| 99免费偷拍视频| 五月婷婷婷| 99热只有精品在线观看| 亚洲色图五月丁香| 亚洲亚洲人成综合网络| 99热这里只有精品免费| 婷婷六月丁香在线| 色色草97| 丁香桃色网| 99思思热只有在这里看| 综激情网| 99A片| 97碰久久| 婷婷五月丁香久久| 99久在线精品99re8| 国产成人精品一区二三区熟女在线| 成人五月天视频| 天天日天天添| 一本九九色| 六月色色| 婷婷的色色五月天| 五月天久久成人| 丁香婷婷91在线观看视频| 久久综合九九| 九月av| 综合在线丁香五月| 欧美精品99| 色综合久久久综合久久网| 婷婷五月天综合网| 逼里香不卡| 女人露出p毛视频www网站| 97成人在线视频| 久久这里只有精品热在99| 激情丁香五月天图片| 玖玖资源站国产| 操操日韩| 婷婷五月天国产传媒| 丁香九月久久| 小视频久久久aaa| 思思网站| 亭亭色色五月天| 美女视频图片久久91| 激情婷婷六月天| 五月婷婷中文| 色五月视频无码播放| 婷婷射丁香| 97色五月丁香婷婷| 国产暴力强伦轩1区二区小说| 在线观看av网站| 丁香五月六月激情| 久久久久久草黄色片AV在线观看| 91色在线| 操日本色| 日本一级淫| 婷婷五月无码| 日本婷色| 九九热经典视频在线观看| 久久五月六月| 成人婷99最新| 97婷婷狠狠久久综合9色| 国产精品天天狠天天看| 丁香五月影院| 六月丁香综合| 婷婷丁香小说| 热99热9| 精品婷婷五月视| 农村熟妇高潮精品A片| 电影蜘蛛女| 熟女网站久久| 九月av在线| 中文字幕免费高清电视剧| 色狠狠综合网| 色噜噜狠狠色综合日日| 日韩色情亚洲五月天婷婷| 国产乱子轮XXX农村| 色五月丁香婷婷综合| 九九九这里只有精品| 色婷婷精品视频| 天堂久热| 午夜伊人大香蕉| 99久久婷婷| 狠狠干狠狠色| 欧美色婷婷| www.五月天色色.com| 六月丁香婷婷色综合| 激情综合五月婷| 超碰二区| 9 1在线视频| 国产九月婷婷| 玖玖婷婷色欲| 91热视频| 丁香综合日产精品久久| 搡BBBB搡BBB搡五十| 人人草人人舔| 五月综合视频| 天天操婷婷| 精品乱码久久久久| 深爱五月激情五月| 久久a热| 玖玖精品视频| 99色色视频| 26uuu在线观看| 成人网站在线观看视频| 亚洲九区| 亚洲天天操| 91狠狠色丁香婷婷综合久久精品| 狠狠香蕉| 五月丁香六月| 乱岳熟女50岁| 亚洲无AV在线中文字幕| 全部老头和老太XXXXX| 国产高潮A片羞羞视频涩涩| 国外亚洲成AV人片在线观看| 少妇水多A片太爽了| .精品久久久麻豆国产精品| 亚洲精品又粗又大又爽A片| 日产精品久久久久久久蜜臀| 清纯唯美 激情四射| 99在线资源视频| 思思热99er| 久热在线观看视频9| 亚洲视频久久| 午夜婷婷久久 | 4399人妻无码久久久| 婷婷成人五月天| 欧美丁香五月97色| 99热精品在线| 亚洲第一综合| 日日操夜夜擼| www.ywav| 五月婷婷|欧美| 狠狠狠狠狠狠色| 六月婷婷av| 五月色视频| 五月婷成人网| 深爱激情六月| 开心激情站| 国产成人综合在线| 色九月| 无码视频国内精品久久久| 99riAV成人在线视频| 五月丁香亭亭AV女优| 狼友超碰| 26uuu.| 黄页大全十八禁| 久久人妻伊人| 99ri在线观看视频| 国产伦亲子伦亲子视频观看| 狠狠色狠狠色综合日日91| av第一二区| 久久久999精品| 99高级会所久久| 天天干天天射综合网| 色婷婷综合网| 久久婷色| 青青操成人福利| 婷婷丁香九月| 天天色天天干天天插| 五月开心深深爱激情综合| 丁香激情五月天| 激情五月婷婷丁香| 色色欧美。| 国产小网站| 激情综合区| 97色色色色色色色色色色色色色| www色五月| 日本色色色| 婷婷香草网| 五月久久网| 五月丁香婷婷网网网网| 五月丁香激情六月| 中文字幕在线资源| 97在线观视频免费观看| 婷婷五月18永久免费网站| 激情婷婷五月久久| 婷婷五月天在线观看免费| 六月丁香啪啪啪| 精品人妻伦一二三区久久| 91在线资源| 久热无码| 伊人久久婷婷| 久久久中文| 亚洲看av的网站| 五月婷婷免费在线观看视频| 日本久久综合| 婷婷色五月开心五月| 91丨九色丨熟女|老版| 91色噜噜狠狠狠狠色综合| 欧美色九| 自拍偷窥99热| 色色色色色色色色综合网| 丁香六月开心| 久久久婷| sewuyuejiqingwang| 99精品成人无码A片观看金桔| 亚洲成色综合网站免费观看| 成人做爰高潮A片免费视频| 婷婷色五月久久| 狠狠色综合五月人人| www,av好吊操| 成人VAV视频在线观看| 国产精品色色| 色色五月天丁香| 九九热超碰| 欧美五月丁香在线| 99精品成人无码A片观看金桔| 涩涩五| 蜜桃婷婷丁香综合久久开心亚洲| 激情九九六月激情免费视频| 久久99综合网| 亚洲精品国产成人AV在线| 婷婷六月丁香五月| 婷久看人爽| 99婷五月| 丁香婷婷月| 99人妻碰碰碰久久久久视| 色婷五月天| 曰曰久久| 婷婷五月激情综合| 日日操,夜夜爽| 任你干线上免费视频有3吗| 色婷婷激情| 91热久久| 无码免费人妻A片AAA毛片西瓜| 天天舔日日肏夜夜爽| 91人碰| 99无码视频| 久久五月婷综合网| 婷婷丁香五月天大香蕉| 久久久久婷婷| 六月丁香婷婷天堂| 97人人干。| 亚洲六月色婷婷| 五月天婷婷色五月天| 亚洲色就是色色色| 六月丁香激情| 色九月婷婷综合| 99ri视频| 开心五月婷婷在线| 久久久99日本大片| 三级三久久线久久99久目本WW| 玖玖精品资源| 97欧美在线| 99色| 久久五月综合| 四色永久成人网站| 亚洲AV影片在线观看| 欧美日本va| 九九色图| 久久久国产精品黄毛片| 深爱激情五月网| 极品色丁香| 99综合入口| 久热91| 亚洲激情区| 久热99热| 五月天激情美女久久| 婷婷激情视频| 六月丁香婷婷天堂| 91精品综合久久婷婷九色| 九九黄色网| 99热手机在线精品| sS丁香五月婷婷| www99xxxx五月丁| 婷婷色六月| 婷婷色色欧美| 五月丁香六月婷婷啪啪综合 | 久久婷婷五月天| 丁香五月激情综合在线观看| 五月天婷婷色色网| 少妇人妻人伦A片| 中文久久婷婷| 久久996re热这里只有精品无码| 日本九九网| 99精品视频在线观看| 久热AA| 六月天六月婷| 婷婷综合久久| 超碰在线94| 99ER热精品视频| 99操久久| 国产日韩亚洲欧美在线观看| 五月噜噜噜色综合| 99狠狠操一| 搡BBBB搡BBB搡18| www.婷婷亚洲基地| 色五月综合激情| 色五月丁香五月激情五月激情| 婷婷色色丁香| 精品人妻午夜一区二区三区四区 | 五月婷婷久草在线视频综合| 五月色丁香综合| 亚洲色色五月天| www,婷婷,com| 天天操综合网| 国产精品色婷婷久久久精品| 激情五月天色爱| 99综合视频一体| 99久高清视频| 亚洲第一成人无码A片| 精品人人操| 色视频五月天| 婷婷天天综合| 日本的α片xxxwww| 天天射天天干天插色综合| 国产女生爱爱AA| 最近中文字幕大全免费版在线| 综合AV在线| 丁香五月婷婷影院| 激情婷婷五月天在线观看| 亚洲 综合中文| www.五月天色色.com| 97丁香视频| 99日韩| 國語久久婷| 思思热视频| 婷婷五月综合激情小说| 天天爽夜夜爽夜夜爽精品| 五月丁香婷婷综合视频| 婷婷五月综合免费在线| 狠狠婷婷色综合| 99久热| 五月天婷婷激情在线色图| 婷婷色片| 五月婷婷狠狠干| 婷婷五月天成人动漫 | 99热的无码| 99精品97| 久久香视频| 超碰成人黄色网| 色J香五月天| 午夜丁香六月婷| 一本婷婷丁香久久| 六月激情网| 色情免费视频播放| 另类图片激情五月天| 九九色欲网| 六月丁香影院| 日本玖玖在线| 1024操逼| 国产精品久久久久久久久久免费| 五月天成人综合| 亚洲中文字幕AV| 婷婷丁香宗合888| 五月天桃色深爱网| 五月天.com| 激情小说五月欧美亚洲丁香| www.狠狠干com| 久久 这里只有精品1| 丁香五月色播中文在线播放| 狠色狠色狠狠色综合网| 秋霞电影一级黄| 五月天色色激情综合| 91丨九色丨白浆秘| 色播五月| 99热这里只有精品1| 夜夜爱网站| 人妻精品一区二区三区| 色综合伊人网| 狠狠操综合| 99热免费| 99国产精品久久久久久久久久久| 丰满少妇猛烈A片免费看观看 | 思思热在线观看| 色五月六月| 99视频在线精品免费观看2| 五月婷婷激情久久| 思思热视频在线观看| www五月| 亚洲天堂色色| 九九成人视频| 国产精品久久欧美久久一区| 96精品成人无码A片观看金桔| 国产AV一区二区三区最新精品| 欧美性生交XXXXX无码小说| 欧美性生交XXXXX无码小说| 国产69久久久欧美黑人A片| 成人做爰高潮A片免费视频| 老妇六区| 欧美日韩色色| 国产亚洲av片| 97干综合网| 97影院一级片| 超碰com| 丁香六月婷婷综合| 激情五月丁香婷婷夜夜操| 天堂婷婷五月在线| 五月丁香 久久久| 秋霞三及片| 玖玖资源天天无码| 亚洲色五月婷婷| 五月丁香 啪啪| 五月激情啪啪| 色色色色综合网| 国产人妻人伦精品一区二区| 拍真实国产伦偷精品| 欧美性生交xXxX久久久| 色五月天婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷 | 色婷婷网大全在线| 第1影院之五月婷婷| 婷婷五月激情的图片| 色婷婷XXXXX| 婷婷五月天最新综合你懂的| 26uuu欧美亚洲日韩| 狠狠五月激情丁香六月| 色综合五月| 91精品久久久久久综合五月天| 日日干夜夜干| 大香蕉久久视频久久视频| 97婷婷久久丁香| 色原狠狠综合| 99免费综合网| 五月丁香天堂网婷婷| 亚洲六月婷婷| 亚洲人人操| 五月丁香激情啪啪| 久久一级AV| 久久青草国| 97久久久久| 亚州激情在线视频| 伊人啪啪网| 亚洲成人网在线观看| 国产精品99久久久久久久女警| 91碰免费视频| 婷婷色吧| 高潮毛片遮挡费高一百度| 久久九九大香蕉电院| 俺去也婷婷| 色婷婷综合视频| 丁香婷婷AV| 香蕉久久六月| 色爱99| 热99AV网站| 久久综合爱| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | 黄色成人网站在线播放| 激情婷婷五月天日本系列| 国产亚洲色婷婷久久99精品91| 激情五月天小说网| 欧美A A A A A| 九月激情网| 深爱激情五月天婷婷网| 激情综合网五月激情| 97色色婷婷| 五月婷婷丁香91| 五月婷激情影院| jiujiu无码五区| 五月丁香激情综合网| 婷婷五月天激情网| 丁香六月激情国产| 五月丁香网av| 五月色色激情网| 色噜噜狠狠色综合日日| 婷婷丁香五月天操逼| 久热只有这里有精品| 天天爽天天草| 婷婷色网| 香蕉五月婷婷| 婷婷五月丁香综合激情小说| 五月天色不卡| 精品一二三区久久AAA片| 香焦网五月天| 色久五月| 超碰在线精品| 丁香婷婷欧美综合| 九九RE视频在线精品| 99日这里只有精品| 久久怡红院| www.色色com| 天天搞夜夜六| 色播五月综合网| 九九色网专区| 97色婷婷成人综合在线观看| 激情五月四色| 亚洲精品字幕在线观看| 91肏| 亚洲最大五月六月丁香婷婷| 六月激情网| 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… | 丁香五月天婷婷激情| yw国产AV| 欧美精品久久久久久视频观看| 97干婷婷| 超碰97在线观看免费| 精品久久婷婷五月天| 狠狠干综合| 激情婷婷激情在线不卡| 人妻射精AV| www.色综合.com| 91男人资源站| 婷婷亚洲激情在线观看视频| 亚洲热热视频| 无码人妻AV久久久一区二区三区| 黄色AV日韩| 天天久| 9视频在线成人网站| 狠狠色噜噜狠狠色噜噜噜999| 可以免费观看的AV| 婷婷五月天天| 久久五月天精品视频| 操逼视频一区| 99人人干人人操| 五月综合激情视频| 欧美一级色| 大香蕉婷婷五月天| 色色色热热热| WWW久久99久久99久久| 五月丁六月香av| 久久久久久人妻| 久久精品五月天| 色婷婷小说网| 久久久五月天婷婷成人网| 天天日夜夜夜操操操操| 91色久| 综合色情网| 亚洲精品在线视频| 激情综合九| 精品九九视频| 中文字幕按摩做爰| 亚洲激情四射| 日日噜噜夜夜狠狠久久丁香六月| 亚洲av午夜精品一区二区| 五月天激情社区| 亚洲亚洲人成综合网络| 五月花综合网| 欧美性丁香色色五月天干干| 日本色图综合| 久久在线大香蕉| 久久亚洲天堂| 色五月婷婷五月天激情综合| 婷婷视频在线碰| 丁香伊人综合| 国产亚洲精品AAAAAAA片| 思思热在线视频观看精品| 无码操B| 天天日天天舔天天摸| 色婷婷丁香| 久草A片| 人妻AV在线观看| 婷婷久久精品| 综合色影院| 免费AV在线网址| 国产午夜一区二区三区| 91在线看片| 色噜噜狠狠狠综合曰曰曰| 欧州婷婷五月天综合| 色色日韩无码| 五月激情四射网站| 五月丁香婷婷伊人| 五月婷A V在线| 六月婷色六月| 成人丁香婷婷| 五月婷导航| 果冻传媒A片一二三区| 国色天香伊人狠狠色| 色色色色色九九九九九| 免费视频这里只有精品| 久久天堂女人| 激情五月婷婷色| 超碰免费电影| 婷婷性爱五月天| 九九色黄色| 久久性爱视频| 91丁香五月| 99精品大片| 五月婷婷 婷婷五月 一区二区 久久久| 国产精品99久久久久久猫咪| 天天婷婷综合亚洲亚洲| 色婷狠狠| 丁香 婷婷 亚洲 熟女| 久久久久久久久久久jjjj| 天天五月情| 麻豆雪千夏| 淫视馆AV在线| 欧美三级韩国三级日本三斤| 欧美黑人巨大猛烈cuckold| 国产人妻人伦精品一区二区| AV79| 五月丁香婷婷中文网| 99这里只有精| 五月天婷婷基地丁香| 99性爱| 热99只有精品| 色九月丁香婷婷蜜桃在线观看| 深爱婷婷丁香五月激情| 九九久久免费视频44| 97色永久免费视频| 婷婷中文字幕| 五月天伊人网| 深爱网深爱综合网| 亚洲成人日韩无码精品| 天天日,天天插| 一级精品999WWW| 久久小视频| 婷婷色五月久久| 亚洲性爱AV| 91丨九色丨丰满人妖| 天天做天天爱高潮片| 性做爰A片免费视频A片直播 | 4399伦理午夜| 在线不卡视频| 国产精品-第3页-91JQ就要激情网91JQ5.JQJQ926.XYZ | 五月丁香婷婷色| 开心五月激情网| 五月天影院| 在线观看欧美| 丁香五月人妻| 极品人妻videosss人妻| 2022久久婷婷| 亚洲综合1024| 色综合天天网| 97色综合视频| 午夜成人AV在线| 五月伊人视频在线看| 操逼综合网| 久久色五月天综合网| 中文精品在| 噼里啪啦在线观看免费完整版视频 | 任你草| 五月天婷婷成人资源站| 欧美激情伊人| 五月丁香激情综合| 丁香六月无码| 亚洲天堂啪啪| 荫道BBWBBB高潮潮喷| 五月天激情国产综合婷婷| 久热黄色| 99亚洲精品| 五月天伊人手机在线播放AV| 国产精品人妻在线网址| 大香蕉五月天婷婷| 婷婷激情六月天视频| 久久久久亚洲AV无码网影音先锋| 99这里只有精品| 五月天狠狠草| 五月婷婷深深爱| 欧美内射AAAAAAXXXXX| 五月丁香综合在线| 久久最新色色色| www.第四色99| 91玖玖| 天天色色婷婷| 亚洲色夜| 天天爽天天爽| 狠狠干婷婷| 怕怕視頻| 免费观看日韩成人av| 五月激情婷婷在线| 俺去啦综合网| 丁香五月天网站| 久久丁香婷| 激情综合久久| 色五月六月婷婷| 色综啪啪| 五月婷婷亚洲色视频| 成人天天爽| 亚洲激情六月丁香| 婷婷六月久久综合导航| 激情五月亚洲| 综合色播| 亚洲精品第一国产综合亚AV | 99久久精品国产色欲| 成人小说 五月天 婷婷| 超碰国产AV| 天天色色天天| 婷婷五月天狠狠| 五月天激情站| 激情久久丁香| 亚洲字幕AV一区二区三区四区| 欧美精产国品一二三区| 天天 青草 丝袜制服 在线| 色综合久久44| 日本玖玖在线| 在线播放成人网站| 综合XX网| 五月天激情婷婷五月天久久| www91在线| 国产精产国品一二三在观看| www色五月| 五月中旬婷婷丁香六| 人妻九九九九| 亚洲啪| 99免费视频| 五月天婷婷激情综合| 777久久综合视频| 亚洲成人超碰| 一级片无码| 99噜噜噜在线播放| 97性视频| 97丁香五月| 亭亭色天香| 99久久久国产大片| 国产性爱一级| 热婷婷av| 天天色天天操天天射| 丁香六月婷婷开心| 色色com| 99爱免费视频| 高清激情av在线观看| 日本欧美国产| 五月婷婷丁香大香蕉| 五月丁香婷婷成人网| 五月天开心网| 色婷婷激情| 婷婷五月天成人网站| 开心亚洲久久开心| 婷婷五月激情网站| 色综合中文色综合网| 亚洲天堂制| 久久婷婷五月综合色欧美| 在线播放中文字幕| 婷婷九月激情| 五月丁香成人网| 丁香五月婷婷色播艳门照| 婷婷色5月天在线。| 婷婷大香蕉| 综合99视频| 丁香五月激情啪啪啪啪| 草了bav视频在线观看| 91狠狠综合久久久| 日韩在线视频中文字幕| 激情文学五月丁香六月婷婷| 99久久精品网| 5月婷婷六月丁香| aaaaaa片| 99免费综合网| 97操在线视频| 国产综合婷婷| 久久综合五月婷婷| 91婷婷视频| 欧美精品18| 久热超碰| 亚洲人妻av| 五月丁香 啪啪| 激情第四色| 99综合| 99精品免费| 久久婷婷五月天| 六月久久婷婷| 天堂久久性| 亚洲天堂九九九| 99视频| 亚洲亚洲人成综合网络| WWW.桔色成人.COM| 99这里有精品| 四色五月婷婷| 久久99久久99精品免视看婷婷| 婷婷99中文字幕| 五月婷精品| 五月婷婷色影院| 人人人操 超碰| 色五月婷婷基地| 婷婷五月大香蕉| 激情综合网五月丁香| 精品99在线| 99久热这里只有精品| 亚洲天堂aaa| 五月婷婷基地| 色综合激情| 欧美人妻一区二区| 开心五月婷| 狠狠插狠狠| AV五月婷婷露脸| 99re鈥哸鈥唙| 久久金品黃色| 99热这里只有精品青草| 韩国激情五月天综合网| 色综合色综合色综合色综合| 日韩aaa| 激情五月综合| 狠狠干夜夜干| 五月婷婷五月天| 99色干| 五月婷婷六月丁香五月| 人人操AV| 色5月婷婷色| 激情婷婷| 日本三级日本三级99| 激情五月激情综合网| 中字幕视频在线永久在线观看免费 | 欧美精品狠狠色丁香婷婷| 九九美女视频| 日韩日比视频| 欧美影院婷婷| 丁香五月激情六月欧亚激情综合导航| 五月丁香五月丁香| 激情综合网亚洲色图|