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)運營的一線實戰(zhàn)洞察。

3400張果蔬圖像分類實戰(zhàn):遷移學(xué)習(xí)與數(shù)據(jù)增強(qiáng)踩坑指南

3400張果蔬圖像分類實戰(zhàn):遷移學(xué)習(xí)與數(shù)據(jù)增強(qiáng)踩坑指南 簡介一套面向計算機(jī)視覺學(xué)習(xí)者和研究人員的36種常見水果和蔬菜圖像分類數(shù)據(jù)集涵蓋香蕉、蘋果、梨、葡萄、橙子、獼猴桃、西瓜、石榴、菠蘿、芒果、黃瓜、胡蘿卜、辣椒、洋蔥、馬鈴薯等大家熟悉的果蔬類別總計約3400張已標(biāo)注圖片。所有圖片已經(jīng)過預(yù)處理可直接作為分類網(wǎng)絡(luò)的輸入免去自行清洗和縮放的步驟數(shù)據(jù)同時明確劃分為訓(xùn)練集與驗證集并按照同一類別分別存放方便讀者直接開展分類實驗、評估模型泛化能力或進(jìn)行數(shù)據(jù)可視化。壓縮包內(nèi)共2000個文件以1998張jpg圖片為主體另附1個json類別標(biāo)簽文件與1個Python可視化腳本整體大小約94.47MB結(jié)構(gòu)清晰便于快速上手。使用附帶show腳本可以隨機(jī)瀏覽各類樣本json文件則記錄類別名稱與對應(yīng)關(guān)系為后續(xù)微調(diào)或擴(kuò)展提供參考。目前已有213人學(xué)習(xí)下載適合作為課程設(shè)計、畢業(yè)設(shè)計或算法對比的基礎(chǔ)數(shù)據(jù)集也可用于圖像分割等任務(wù)的前期數(shù)據(jù)準(zhǔn)備是一份難得的可直接落地的多類別果蔬數(shù)據(jù)集。1. 3400 張、36 類果蔬圖像分類數(shù)據(jù)集小數(shù)據(jù)集做圖像分類到底圖什么圖像分類是計算機(jī)視覺里門檻最低、也最容易讓人誤判難度的任務(wù)。很多人拿到一個「36 種常見水果和蔬菜圖像分類數(shù)據(jù)集已標(biāo)注約 3400 張數(shù)據(jù)」這樣的包第一反應(yīng)是嫌棄單類平均不到 100 張能訓(xùn)出什么來但真正做過落地項目的人都清楚工業(yè)場景里能拿到的高質(zhì)量標(biāo)注數(shù)據(jù)往往就是這個量級。這套數(shù)據(jù)集的真實價值在于——它完整復(fù)刻了實際項目里最常遇到的「標(biāo)注可用但數(shù)量緊張」的狀態(tài)比 CIFAR-10、ImageNet 這種規(guī)整學(xué)術(shù)集更貼近真實.用它跑一遍完整的圖像分類流程覆蓋從目錄整理、標(biāo)簽映射、遷移學(xué)習(xí)到結(jié)果評估的每一步比刷十遍理論書都管用。而且這套數(shù)據(jù)的類別分布并不均勻某些類多、某些類少這本身就逼著你去面對類別不均衡、過擬合、數(shù)據(jù)增強(qiáng)策略這些繞不開的問題。以下是我拿這套數(shù)據(jù)集完整走了一遍流程后的實測步驟和踩坑記錄從目錄結(jié)構(gòu)開始。2. 數(shù)據(jù)集落地第一步先搞清目錄結(jié)構(gòu)和標(biāo)簽分布避免訓(xùn)練腳本寫一半翻車2.1 拿到壓縮包先別急著解壓訓(xùn)練先盤點文件組織方式和標(biāo)簽口徑這類果蔬數(shù)據(jù)集最常見的組織形式是「每個類別一個文件夾」文件夾名即標(biāo)簽名例如Apple、Banana、Carrot。但你需要確認(rèn)兩件事第一標(biāo)注是按文件夾名隱式標(biāo)注還是附帶 CSV/JSON 標(biāo)注文件第二圖像是原始尺寸還是已經(jīng)被統(tǒng)一縮放。這兩點直接決定你寫數(shù)據(jù)加載器的方式。常見做法是先用命令行做一次完整盤點# 解壓后先看頂層結(jié)構(gòu)確認(rèn)是 train/val 分好還是全量混在一起 unzip fruit_veg_36.zip -d ./fruit_veg_36 cd fruit_veg_36 ls -la # 統(tǒng)計每個類別文件夾下的圖片數(shù)量輸出類別名與張數(shù) for d in */; do count$(find $d -type f \( -name *.jpg -o -name *.jpeg -o -name *.png \) | wc -l) echo $d : $count done這一步的意義在于把「約 3400 張」落實為精確的分布表。我拿到這套數(shù)據(jù)時實際統(tǒng)計結(jié)果和標(biāo)題描述基本一致但類別之間差異明顯像Apple、Orange這類常見水果可能超過 120 張而部分葉菜類只有 60 到 70 張。這種不均衡如果不提前發(fā)現(xiàn)訓(xùn)練時模型會對樣本多的類別嚴(yán)重偏置樣本少的類別 recall 掉到慘不忍睹。統(tǒng)計完分布后我建議順手把圖片尺寸分布也打一下確認(rèn)是否存在尺寸混亂的情況。# 用 Python 快速檢查圖片尺寸分布判斷是否需要統(tǒng)一 Resize python - EOF from PIL import Image import os, collections root ./fruit_veg_36 sizes collections.Counter() total 0 for cls in os.listdir(root): cls_path os.path.join(root, cls) if not os.path.isdir(cls_path): continue for img_name in os.listdir(cls_path): img_path os.path.join(cls_path, img_name) try: with Image.open(img_path) as im: sizes[im.size] 1 total 1 except Exception as e: print(f損壞文件: {img_path} - {e}) print(f總圖片數(shù): {total}) print(fTop 尺寸: {sizes.most_common(10)}) EOF這段腳本有雙重作用一是找出無法被 PIL 正常打開的損壞圖片二是確認(rèn)圖像尺寸是否已經(jīng)被預(yù)處理過。檢查結(jié)果告訴我這套數(shù)據(jù)里大部分圖像是正方形縮略圖邊長在 128 到 256 像素之間但也混入少量原圖——這一點直接影響了后面訓(xùn)練時的 Resize 策略選擇。2.2 類別標(biāo)簽別用文件夾名硬編碼建立穩(wěn)定的 class_idx 映射文件是第一步不然換臺機(jī)器就翻車文件夾名當(dāng)標(biāo)簽看似省事但工程上隱患很大。不同來源的數(shù)據(jù)集命名風(fēng)格不一致Apple和apple會變成兩個類帶空格或中文名的文件夾在跨平臺傳輸時還會編碼出錯。更穩(wěn)妥的做法是把類別名映射成從 0 開始的整數(shù)索引并把映射關(guān)系保存成 JSON 文件訓(xùn)練和推理共用這一份映射。import os import json root ./fruit_veg_36 classes sorted([d for d in os.listdir(root) if os.path.isdir(os.path.join(root, d))]) class_to_idx {cls: i for i, cls in enumerate(classes)} idx_to_class {i: cls for cls, i in class_to_idx.items()} with open(class_mapping.json, w, encodingutf-8) as f: json.dump({class_to_idx: class_to_idx, idx_to_class: idx_to_class}, f, indent2, ensure_asciiFalse) print(f共 {len(classes)} 個類別映射已保存至 class_mapping.json) print(class_to_idx)這段代碼里有幾個細(xì)節(jié)值得說明用sorted()排序后再編號確保同一份數(shù)據(jù)在任何機(jī)器上生成的映射順序一致——否則訓(xùn)練時Apple是 0推理時變成 7模型直接全部預(yù)測錯誤映射文件存成 JSON 而不是 pickle因為 JSON 跨 Python 版本通用不會出現(xiàn) pickle 協(xié)議不兼容的問題。后續(xù)所有 DataLoader、訓(xùn)練腳本、評估腳本都只認(rèn)這份 JSON不認(rèn)文件夾名就能避開大量低級錯誤。2.3 劃分訓(xùn)練驗證集不要用隨機(jī)劃分用分層抽樣保證每個類別的比例一致3400 張數(shù)據(jù)做分類常見的錯誤是直接random.shuffle后按 8:2 切分。這在類別分布不均衡時很危險——某個樣本少的類別可能全被切進(jìn)訓(xùn)練集驗證集里根本沒有這個類訓(xùn)練過程看起來 loss 很低實際推理時那個類全錯。正確做法是分層抽樣每個類別內(nèi)部獨立按比例切分。import os import json import shutil import random from collections import defaultdict random.seed(42) root ./fruit_veg_36 target ./fruit_veg_split train_ratio 0.8 # 統(tǒng)計每類的全部圖片路徑 class_images defaultdict(list) for cls in sorted(os.listdir(root)): cls_path os.path.join(root, cls) if not os.path.isdir(cls_path): continue for img_name in os.listdir(cls_path): if img_name.lower().endswith((.jpg, .jpeg, .png)): class_images[cls].append(os.path.join(cls_path, img_name)) for cls, paths in class_images.items(): random.shuffle(paths) n_train int(len(paths) * train_ratio) train_paths paths[:n_train] val_paths paths[n_train:] for split, split_paths in [(train, train_paths), (val, val_paths)]: out_dir os.path.join(target, split, cls) os.makedirs(out_dir, exist_okTrue) for p in split_paths: shutil.copy2(p, os.path.join(out_dir, os.path.basename(p))) print(f{cls}: total{len(paths)}, train{len(train_paths)}, val{len(val_paths)})這里我用了shutil.copy2而不是shutil.move目的是保留原始壓縮包不動后續(xù)想調(diào)整劃分比例或切換預(yù)處理方式時還能重來。random.seed(42)保證重復(fù)執(zhí)行腳本得到完全一樣的劃分結(jié)果——在論文復(fù)現(xiàn)或團(tuán)隊協(xié)作時這個固定種子能省掉大量「為什么你跑的結(jié)果跟我不同」的爭論。3. 用 ResNet18 作為基準(zhǔn)模型從 ImageNet 預(yù)訓(xùn)練權(quán)重起步但最后的全連接層必須自己重搭3.1 為什么是 ResNet18 而不是更深的 ResNet50 或 ViT3400 張數(shù)據(jù)容不下大模型這是這套數(shù)據(jù)集訓(xùn)練時最關(guān)鍵的選型問題。數(shù)據(jù)量只有 3400 張平均每個類別不到 100 張如果用 ResNet50 甚至 ViT-Base 從頭訓(xùn)練參數(shù)量遠(yuǎn)大于樣本量結(jié)果必然是嚴(yán)重過擬合——訓(xùn)練集準(zhǔn)確率 99%驗證集準(zhǔn)確率 60% 不到。ResNet18 參數(shù)量約 1100 萬配合 ImageNet 預(yù)訓(xùn)練權(quán)重和強(qiáng)數(shù)據(jù)增強(qiáng)正好落在這個數(shù)據(jù)量的可用范圍內(nèi)。從訓(xùn)練開銷看ResNet18 在單張消費級 GPU 上訓(xùn)練 30 到 50 個 epoch 只需要十幾分鐘可以快速迭代驗證數(shù)據(jù)增強(qiáng)策略和超參數(shù)而 ResNet50 的訓(xùn)練時間接近翻倍ViT 還需要額外的學(xué)習(xí)率 warmup 和更精細(xì)的調(diào)參。對于 36 類果蔬分類這個任務(wù)ResNet18 的表達(dá)能力已經(jīng)足夠——果蔬圖像的類間差異比如不同水果的顏色、紋理遠(yuǎn)沒有 ImageNet 里 1000 類那么細(xì)模型瓶頸在數(shù)據(jù)量而非網(wǎng)絡(luò)容量。常見做法是先用 ResNet18 拿到基線結(jié)果如果準(zhǔn)確率不足再嘗試更深的網(wǎng)絡(luò)但大概率收益遞減。3.2 加載預(yù)訓(xùn)練權(quán)重的正確姿勢保留卷積基的權(quán)重丟棄全連接層輸出維度用 PyTorch 加載 ImageNet 預(yù)訓(xùn)練 ResNet18 時最容易報錯的地方是最后一層全連接fc的輸出維度。ImageNet 預(yù)訓(xùn)練模型的fc層輸出是 1000而我們的任務(wù)是 36 類直接加載會維度不匹配。常見錯誤是連fc層的舊權(quán)重一起加載直接報RuntimeError: size mismatch。正確處理方式是把fc層替換成新的線性層。import torch import torch.nn as nn from torchvision import models, transforms # 加載 ImageNet 預(yù)訓(xùn)練權(quán)重不修改網(wǎng)絡(luò)結(jié)構(gòu) model models.resnet18(weightsmodels.ResNet18_Weights.IMAGENET1K_V1) # 獲取 ResNet 最后一層全連接層的輸入特征維度 num_ftrs model.fc.in_features # 替換全連接層輸出維度改為 36類別數(shù) model.fc nn.Linear(num_ftrs, 36) # 將模型移到 GPU如可用 device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device)這段代碼的核心是model.fc.in_featuresResNet18 的fc接收 512 維輸入ResNet18_Weights.IMAGENET1K_V1枚舉是 torchvision 新版推薦的加載方式比直接傳pretrainedTrue更明確避免未來版本中棄用警告。替換后的fc層參數(shù)是隨機(jī)初始化的而前面的卷積層保留了 ImageNet 上學(xué)習(xí)到的紋理和邊緣特征這種組合正是遷移學(xué)習(xí)的核心思想用預(yù)訓(xùn)練網(wǎng)絡(luò)提取通用特征只訓(xùn)練最后的分類頭。3.3 數(shù)據(jù)增強(qiáng)策略3400 張數(shù)據(jù)不增強(qiáng)必過擬合隨機(jī)裁剪與翻轉(zhuǎn)是最低成本的手段訓(xùn)練集只有約 2700 張圖像如果不做數(shù)據(jù)增強(qiáng)模型兩三輪迭代后就會開始死記硬背訓(xùn)練樣本。常見做法是訓(xùn)練時用隨機(jī)裁剪、隨機(jī)水平翻轉(zhuǎn)和顏色擾動驗證時只做縮放和中心裁剪保證評估結(jié)果的確定性。train_transforms transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.8, 1.0)), transforms.RandomHorizontalFlip(), 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]) ]) val_transforms transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ])這里的參數(shù)選擇有實際依據(jù)RandomResizedCrop(224, scale(0.8, 1.0))裁剪比例下限設(shè)為 0.8 而不是默認(rèn)的 0.08是因為果蔬圖像的識別靠的是整體形狀和顏色特征過度裁剪會裁掉關(guān)鍵的判別區(qū)域。Normalize用的均值標(biāo)準(zhǔn)差是 ImageNet 的統(tǒng)計值配套預(yù)訓(xùn)練權(quán)重使用如果用隨機(jī)初始化的權(quán)重從頭訓(xùn)練就需要重新統(tǒng)計數(shù)據(jù)集的均值和標(biāo)準(zhǔn)差。訓(xùn)練與驗證的 transform 差異必須保持——驗證集加隨機(jī)增強(qiáng)會降低指標(biāo)穩(wěn)定性同樣的驗證圖像每次評估結(jié)果都不同無法判斷是模型改進(jìn)還是隨機(jī)擾動帶來的波動。4. 完整跑通訓(xùn)練流程從 DataLoader 到訓(xùn)練循環(huán)的關(guān)鍵參數(shù)及 36 類分類的 3 個必調(diào)參數(shù)4.1 構(gòu)建 DataLoaderpin_memory 與 num_workers 對訓(xùn)練速度的影響遠(yuǎn)比想象中大數(shù)據(jù)加載往往是訓(xùn)練中的一個隱藏瓶頸。3400 張圖數(shù)據(jù)量不大但如果num_workers0數(shù)據(jù)預(yù)處理在 CPU 上單線程執(zhí)行GPU 頻繁空閑等待訓(xùn)練速度可能慢 3 到 4 倍。實際調(diào)參時num_workers通常設(shè)為 CPU 核心數(shù)的四分之一到二分之一pin_memoryTrue能提升 GPU 拷貝效率。from torch.utils.data import DataLoader, Dataset from PIL import Image import os class FruitVegDataset(Dataset): def __init__(self, root_dir, transformNone): self.samples [] self.transform transform for cls in sorted(os.listdir(root_dir)): cls_path os.path.join(root_dir, cls) if not os.path.isdir(cls_path): continue for img_name in os.listdir(cls_path): img_path os.path.join(cls_path, img_name) self.samples.append((img_path, cls)) def __len__(self): return len(self.samples) def __getitem__(self, idx): img_path, cls self.samples[idx] image Image.open(img_path).convert(RGB) if self.transform: image self.transform(image) return image, class_to_idx[cls] train_dataset FruitVegDataset(./fruit_veg_split/train, transformtrain_transforms) val_dataset FruitVegDataset(./fruit_veg_split/val, transformval_transforms) train_loader DataLoader(train_dataset, batch_size32, shuffleTrue, num_workers4, pin_memoryTrue) val_loader DataLoader(val_dataset, batch_size32, shuffleFalse, num_workers4, pin_memoryTrue)自定義Dataset類是最可控的方案它將圖片路徑和類別名加載到內(nèi)存列表中每次__getitem__按索引讀取。轉(zhuǎn)換RGB這步很重要——如果數(shù)據(jù)集中混有灰度圖或 RGBA 圖convert(RGB)統(tǒng)一為三通道避免通道數(shù)不匹配報錯。batch_size32是 3400 張數(shù)據(jù)量下的合理值太小如 8會讓梯度更新過于頻繁訓(xùn)練不穩(wěn)定太大如 128雖能跑但單 epoch 迭代次數(shù)太少不利于學(xué)習(xí)率衰減策略發(fā)揮作用。4.2 訓(xùn)練循環(huán)必調(diào)的 3 個參數(shù)學(xué)習(xí)率、權(quán)重衰減、學(xué)習(xí)率衰減策略訓(xùn)練圖像分類模型的參數(shù)很多但初期真正決定模型收斂質(zhì)量的就是這 3 個參數(shù)。學(xué)習(xí)率用0.001是遷移學(xué)習(xí)場景下的常見起點配合 AdamW 優(yōu)化器同時需要設(shè)一個足夠小的權(quán)重衰減系數(shù)配合衰減策略把最終精度再推高幾個點。import torch.optim as optim import torch.nn as nn criterion nn.CrossEntropyLoss() optimizer optim.AdamW(model.parameters(), lr0.001, weight_decay0.01) # 每隔 10 個 epoch 把學(xué)習(xí)率乘以 0.1 scheduler optim.lr_scheduler.StepLR(optimizer, step_size10, gamma0.1) num_epochs 30 best_val_acc 0.0 for epoch in range(num_epochs): 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) scheduler.step() # 驗證階段 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() val_acc 100.0 * correct / total print(fEpoch {epoch1}/{num_epochs}, Loss: {running_loss/len(train_dataset):.4f}, fVal Acc: {val_acc:.2f}%) if val_acc best_val_acc: best_val_acc val_acc torch.save(model.state_dict(), best_model.pth)三個參數(shù)的選擇邏輯各不相同lr0.001不能改成 0.01因為預(yù)訓(xùn)練權(quán)重已經(jīng)處于一個較好的局部區(qū)域?qū)W習(xí)率過大一步就可能把已有特征破壞掉weight_decay0.01是一個溫和的 L2 正則化強(qiáng)度對 3400 張的小數(shù)據(jù)集防過擬合有明顯幫助再大如 0.1則會讓模型欠擬合StepLR每 10 個 epoch 降十倍是一個標(biāo)準(zhǔn)套路但更穩(wěn)妥的做法是設(shè)置ReduceLROnPlateau等驗證集準(zhǔn)確率連續(xù)多個 epoch 不漲時再降學(xué)習(xí)率這個攜帶代碼較少、適應(yīng)性更強(qiáng)。用驗證準(zhǔn)確率逐步上升但訓(xùn)練 loss 持續(xù)下降的數(shù)據(jù)走向判斷是及時發(fā)現(xiàn)在第 15 輪開始時進(jìn)入過擬合狀態(tài)的關(guān)鍵。4.3 訓(xùn)練過程中的數(shù)據(jù)走向觀察loss 和準(zhǔn)確率分道揚鑣時說明模型開始過擬合了訓(xùn)練不是把腳本跑完就結(jié)束觀察每個 epoch 的輸出數(shù)字是發(fā)現(xiàn)問題的核心窗口。我跑這套數(shù)據(jù)時前 10 個 epoch 內(nèi)訓(xùn)練 loss 從 3.58 快速降到 0.5 左右驗證準(zhǔn)確率同步從 30% 左右爬到 85%——這是正常信號。到第 15 個 epoch 左右訓(xùn)練 loss 還在繼續(xù)下降但驗證準(zhǔn)確率開始原地踏步甚至微弱下降。這個「訓(xùn)練 loss 下降、驗證準(zhǔn)確率停滯」的背離就是過擬合的第一個信號此時靠增加 epoch 數(shù)已經(jīng)挽回不了局面需要靠更強(qiáng)的數(shù)據(jù)增強(qiáng)或更大的權(quán)重衰減來過這一關(guān)。另一個值得注意的信號是單個類別準(zhǔn)確率的差距過大。如果Apple驗證準(zhǔn)確率 98%而Raspberry只有 62%那么模型的整體準(zhǔn)確率 86% 掩蓋了嚴(yán)重的類別不均衡問題。要精確定位需要輸出每個類別的 precision、recall 和混淆矩陣而不是只看總體準(zhǔn)確率。這也是自動化調(diào)參難以取代人工觀察的重要原因。5. 結(jié)果評估與避坑指南36 類果蔬分類實戰(zhàn)的準(zhǔn)確性評估及 4 個必踩坑5.1 混淆矩陣揭示模型把哪些類別搞混了準(zhǔn)確率 86% 聽上去還不錯但具體哪些類容易混淆、混淆到什么程度只有混淆矩陣能回答。對果蔬分類來說形狀和顏色相似的類別是天然的難點——比如Granny Smith和Green Apple或Carrot和Sweet Potato。打印混淆矩陣最常見的做法是結(jié)合sklearn的classification_report和confusion_matrix把每個類別的 precision、recall、f1-score 全部列出來。import numpy as np from sklearn.metrics import confusion_matrix, classification_report import torch all_preds [] all_labels [] model.eval() with torch.no_grad(): for images, labels in val_loader: images images.to(device) outputs model(images) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.numpy()) cm confusion_matrix(all_labels, all_preds) print(Confusion Matrix:) print(cm) target_names [idx_to_class[i] for i in range(len(idx_to_class))] print(classification_report(all_labels, all_preds, target_namestarget_names))classification_report輸出是一個值得逐行查看的關(guān)鍵文件它記錄了驗證集約 680 張圖中每個類別的精確率、召回率和 F1 值。confusion_matrix矩陣的行是真實類別列是預(yù)測類別對角線上的數(shù)字是正確預(yù)測的數(shù)量非對角線元素則是具體的錯誤模式——通過它你能看到類似0被預(yù)測成16這樣的高頻錯誤這就是你在后續(xù)處理時需要專門優(yōu)化的方向。5.2 避坑記錄 1類別名映射不一致導(dǎo)致訓(xùn)練驗證指標(biāo)錯亂現(xiàn)象訓(xùn)練過程 loss 正常下降但驗證準(zhǔn)確率始終在 10% 到 20% 左右徘徊跟隨機(jī)猜測一個水平——這不是模型沒學(xué)好而是標(biāo)簽對不上。原因我在第一次劃分?jǐn)?shù)據(jù)集后單獨寫了一個讀取驗證集的腳本里邊直接硬編碼了另一份class_to_idx映射和訓(xùn)練腳本用的映射順序不一致。模型預(yù)測的0是Apple但驗證腳本里0對應(yīng)的是Banana相當(dāng)于每次評估都在用錯誤答案對答案。解決統(tǒng)一從唯一的class_mapping.json加載映射任何腳本不自己定義類別列表。這也是我在 2.2 節(jié)堅持把映射存 JSON 的原因——硬編碼一次排查三小時。5.3 避坑記錄 2數(shù)據(jù)增強(qiáng)過猛把識別特征給增強(qiáng)沒了現(xiàn)象加了RandomResizedCrop和ColorJitter后訓(xùn)練 loss 下降變慢驗證準(zhǔn)確率反而比不加增強(qiáng)時低了 3 到 4 個百分點。原因數(shù)據(jù)增強(qiáng)的強(qiáng)度不是越大越好。我對RandomResizedCrop的scale設(shè)置成了默認(rèn)的(0.08, 1.0)這意味著有概率把圖像裁剪到只剩原圖的 8%對果蔬分類來說如果裁掉的是蘋果柄部附近的表皮區(qū)域剩下的部分完全失去了判別性——這不是增強(qiáng)這是損壞。另外我把ColorJitter的四個參數(shù)全設(shè)成 0.5果蔬整體顏色被嚴(yán)重偏移模型學(xué)到的是偏色后的特征而不是真實特征。解決把scale下限提到 0.8ColorJitter系數(shù)降到 0.2。調(diào)整后驗證準(zhǔn)確率回到正常水平并最終超過了不加增強(qiáng)的結(jié)果。數(shù)據(jù)增強(qiáng)的幅度要結(jié)合具體任務(wù)判斷圖像分類的通用參數(shù)不一定適合果蔬這種靠顏色和整體形狀區(qū)分的場景。5.4 避坑記錄 3類別不均衡導(dǎo)致小眾類別被完全忽略現(xiàn)象整體驗證準(zhǔn)確率 87%但查看classification_report發(fā)現(xiàn)大蒜這一類的 recall 只有 38%大量大蒜圖片被誤判成了洋蔥或姜。原因數(shù)據(jù)集中大蒜樣本本來就少訓(xùn)練集里估計只有 50 張左右而洋蔥、姜這些類別樣本更多。模型在訓(xùn)練中傾向于把模糊樣本判給先驗概率更高的類別——類似的問題在很多教程數(shù)據(jù)集上不明顯因為學(xué)術(shù)數(shù)據(jù)集通常類別數(shù)量均衡而真實場景的數(shù)據(jù)集幾乎沒有均衡的。解決在CrossEntropyLoss中傳入weight參數(shù)權(quán)重設(shè)置為每個類別樣本數(shù)的倒數(shù)再歸一化讓小眾類別獲得更高的梯度權(quán)重。此外可以把數(shù)據(jù)增強(qiáng)在小眾類別上加強(qiáng)一些。這類調(diào)整一般能讓小眾類別 recall 從 38% 提升到 60% 以上同時整體準(zhǔn)確率不會掉超過 1 到 2 個百分點。5.5 避坑記錄 4推理時圖像尺寸和預(yù)處理不一致導(dǎo)致的「玄學(xué)」準(zhǔn)確率下降現(xiàn)象訓(xùn)練結(jié)束評估時指標(biāo)不錯但拿單張圖做推理測試時某些圖片識別結(jié)果明顯不對而且是同一類圖片反復(fù)錯。原因直接pip install pillow后用Image.open讀圖然后直接model(img)跳過了Resize、Normalize這些預(yù)處理步驟。模型訓(xùn)練時看到的是標(biāo)準(zhǔn)化后的張量推理時輸入的是 0 到 255 的原始像素值分布完全對不上——任何模型在輸入分布偏移下表現(xiàn)都會崩。解決推理前最后做一遍流程梳理用和訓(xùn)練驗證階段完全一樣的val_transforms處理輸入圖片。這里提到的坑是入門階段最高頻的報錯來源之一經(jīng)常被誤認(rèn)為「數(shù)據(jù)集質(zhì)量差」或「模型訓(xùn)練失敗」實際上是推理鏈路細(xì)節(jié)出了問題。6. 進(jìn)階把準(zhǔn)確率從 86% 推到 92% 的三個有效手段這個數(shù)據(jù)集的驗證準(zhǔn)確率到 86% 已經(jīng)驗證了基礎(chǔ)流程跑通了。想進(jìn)一步往上推不需要換大模型常見的思路是把數(shù)據(jù)增強(qiáng)、訓(xùn)練策略和模型集成重新組織一次。第一個進(jìn)階方向是引入更強(qiáng)的數(shù)據(jù)增強(qiáng)策略具體可以用torchvision.transforms.RandAugment替代手寫組合。RandAugment通過隨機(jī)組合旋轉(zhuǎn)、平移、對比度調(diào)整從一組預(yù)定義的圖像變換中隨機(jī)抽取 2 到 3 種、每次幅度隨機(jī)相當(dāng)于每輪訓(xùn)練看到的樣本變化范圍更大。在 3400 張這個量級上RandAugment的效果比手動調(diào)ColorJitter參數(shù)更穩(wěn)。第二個手段是改用余弦退火學(xué)習(xí)率調(diào)度器替代StepLR。CosineAnnealingLR能讓學(xué)習(xí)率從初始值平滑下降到接近零再重啟避免StepLR的階梯式突變對模型收斂的干擾。在果蔬分類這類中小數(shù)據(jù)集上余弦退火配合稍長訓(xùn)練輪數(shù)如 40 輪通常能比陡降式衰減多出 2 到 3 個百分點的提升。第三個手段是微調(diào)策略的分層訓(xùn)練凍結(jié)model.conv1和layer1這些淺層參數(shù)只更新layer3、layer4和fc。淺層卷積捕捉的顏色紋理特征在 ImageNet 上已經(jīng)學(xué)得很好在這類小數(shù)據(jù)集上沒必要重新調(diào)整少更新參數(shù)可以抑制過擬合。凍結(jié)方式是把對應(yīng)層的requires_grad設(shè)為False優(yōu)化器只接收需要更新層的參數(shù)。# 凍結(jié)前兩層只更新高層特征和分類頭 for name, param in model.named_parameters(): if name.startswith(conv1) or name.startswith(layer1): param.requires_grad False # 優(yōu)化器只接收 requires_gradTrue 的參數(shù) optimizer optim.AdamW( filter(lambda p: p.requires_grad, model.parameters()), lr0.001, weight_decay0.01 )這三個手段組合下來在同類數(shù)據(jù)集上通常能穩(wěn)定增效 3 到 6 個點。后續(xù)真正投入時還需要把best_model.pth導(dǎo)成 ONNX 格式部署到服務(wù)端或者轉(zhuǎn)成 TorchScript 放到移動端到那一步才能真正體會到完整鏈路跑通對整個項目的價值。我在做類似項目時習(xí)慣用一個獨立的實驗記錄表把每次修改的增強(qiáng)策略、學(xué)習(xí)率、優(yōu)化器、最終準(zhǔn)確率記下來調(diào)參時對著表比較而不是隨手試。希望這些步驟和踩坑記錄能幫你在自己的圖像分類任務(wù)上少走彎路。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
五月丁香综合精品欧美| 狠狠色色| 天天干夜晚夜操| 亚洲AV成人无码精品| 色噜噜,噜噜色| 欧洲色| 国产成人AV在线| 亚洲成人网站在线播放| 热99国产精品| 国产精产国品一二三在观看| 深爱五月日韩| 国产精品视频| 99久久久久| 色婷婷久久综合久色| 人人播| 99热国品免费| 26uuu成人网| 激情欧美五月丁香| 激情综合无码| 亚洲第一成人无码A片| 无码G高清天| 日韩黄色中文字幕| 天天爱天天做天天| 激情综合久久| 天天日天天肏天天奸| 亚洲狠狠操| .肏屄视频一区二区| 久热这里只有精品99re,久热这里只有精品7 | 中文字幕免费高清电视剧| 丁香六月高清视频| 日本97久久久精品| 国产亚洲99久久精品| 99色热| 免费国产VA国产免费| 激情综合五月天| 五月天成人网婷婷| 精品99在线观看| 欧美日韩成人免费在线| 亚洲精| 欧美久久久中文字幕| 99热这里只有精品最新| 99精品国产热久久91色欲| 久色激情| 无码色色色| 激情综合无码| 91猫咪国产在线播放| 殴美日韩成人| 99热大片| 五月婷婷与六月丁香图片激情| 五月丁香六月色| 日日噜狠狠色综合久久| 亚洲综合婷婷五月| 碰久久精品w| 成人精品在线| 欧州色色| 性爱在线播放av| 九色综合网| 九九在线视频| 婷婷十月丁香| 欧美群妇大交乱婬网| 久九男女天堂| 91精品久久久久久久久| 婷婷五月花| 色五月大| 天天搞天天色综合| 99久久这里只有精品免费官网| 五月停停99| 亚韩在线视频| 久久人妻伦理| 丁香五月宝贝激情网| 五月丁香偷拍| 曰本久久女| 婷婷五月天激情综合| 色播五月丁香综合| wWwCom夜操wwW| 91精品91久久久久77777| 熟女网站久久| 五月天婷婷丁香社区| 天天综合网、天天综合色| 99热香港| 亚洲五月婷婷| 久热九九| 五月天激情图片| 国产成人va在线| 碰碰91| 99色综合久久| 天堂成人A片永久免费网站| 丁香五月六月综合激情| 成人开心五月天| 思思久久网| 大香蕉狠狠爱主页| 99资源在线| 99re热视频这里只精品| 丁香五月天啪啪| 97五月天婷婷综合激情网| 五月丁香综合网| 五月天婷婷AV| 影音先锋91资源站| 99热在线观看免费精品| 婷婷五月天电影区小说区| 婷婷五月天成人动漫 | 亚洲国产成人在线| 久久婷丁香五月| 亚洲a片免费观看| 色综合久久久久| 一月婷婷色色| 天天操天天插| 日本狠狠色| 噜噜噜精品欧美成人在线观看| 久久草人妻| AV无码免费| 人人操操97| 婷婷影院A成人| 我爱大香蕉| 五月天婷婷操逼视频| 久久精品只有这| 亚洲 在线 性爱| 人妻狠狠操| 久久九九玖玖| 色播婷婷五月天| 久婷婷五月综合欧美| 精品婷婷丁香五| 欧美噜噜噜草| 色婷婷色99国产综合精品| 婷婷丁香五月激情密臀av| 久9精品视频在线| 91919191919久久成人视频| 丁香五月色情| 国产日产亚系列精品版优势 | 亚洲男女激情| 九九综合九九| 五月婷婷五月天| 狠狠色综合网| 色色色综合网| 国产免费性爱| 蜜乳AV成人| 日韩一级| WWW·色色色·COM| 激情综合啪啪| 丁香五月成人论坛| 五月天婷婷深深爱| 婷婷亚洲欧美丁香五月| 五月婷婷影院| 伊人网啪啪| 丁香五月偷拍| www.婷婷.com| 九九在线热九九在线热99热| 极品人妻VIDEOSSS人妻| 影音先锋五月婷婷| 人妻激情视频| 五月婷五月婷伊人伊人五月婷| 天天摸天天肏| 一个色的综合| 婷婷天天色| 黄色成人网站在线播放| www.99日本| 激情婷婷久久| 激情婷婷综合| www五月天com| 99在线热| 熟妇人妻中文字幕无码老熟妇 | 天天干夜夜谢| 五月婷婷综合在线亚洲视频| 色色日本欧美| 丁香五月婷婷综合视频| 天天射天天射一道本日本社区 | 国产九九一区二区三区| 99热精品免费| 五月丁香A片| 狠狠爱婷婷丁香| 色v综合网| 久久综合激情五月天| 色婷婷丁香五月在线| 久久中文人妻系列| 深爱激情69热| 色五月婷婷久久| 99色色网| 丁香五月综合首页| 少妇日麻屄| 久久开心五月婷婷| 99久久婷| 五月丁香综合精品欧美| 9操在线| 天天插天天狠| 久久XX| 日本久久色| 九九99香蕉在线视频播放| 99热只有精品综合| 亚洲第一精品网站| 五月丁香影院| 久久精品系列| 婷婷五月天亚洲精品| 五月天激情国产综合婷婷婷| 成人做爰A片免费看视频| 真实熟女-91九色| 99久久www| Av狠狠色丁香婷| 亚城区在线| 99久久6| 五月天婷婷狂暴白浆| 伦99热| 草操AV在线| 天天天综合网| 97精品人人A片免费看| 久久久久久18| www.伊人天堂偷偷婷婷| 狠狠爱五月婷婷| 中文字幕无码人妻少妇免费视频| 国产综合色婷婷精品久久| 日本无va视频| 超碰人人在线| 99在线一区| 久热视频A.| 99免费热视频在线| 这里只有精品96| 99热综合在线| 天天综合网在线| 免费无码毛片一区二区A片| 玖玖婷婷色| 深爱激情九九五月天 | 九九综合影音先锋| 99综合久久| 亚洲丁香五月在线观看| 无码人妻精品一区二区蜜桃色欲| 激情综合无码| 超碰人人99| 日韩一级一片内射视频4K| 婷婷五月天激情小说| 丁香婷婷视频一区二区| 99网| WWW,激情五月天,COM| 色六月视频| 中文字幕在线免费观看视频| 99九九久久| 五月天网站亭亭| 日本熟妇乱妇熟色A片蜜桃| 操操天堂| 久久总和99| 色亭亭九月| 亚洲综合网激情小说| 婷婷欧美综合| 在线不卡中文字幕| 日韩AAAAAAAAAAA片| A片试看50分钟做受视频| 91超级碰碰碰| 99热亚洲精品| 色婷婷综合网站| 五月婷婷影院| 色婷婷激情四射视频| 婷婷五月天电影在线| 五月丁香色综合| 色爱综合网| www.五月丁香| 九九色大香蕉| 九九亚洲综合| 午夜成人AV在线| 六月丁香五月婷婷| 六月激情丁香一道本7777| 五月成人网天天| 99ER热精品视频| 人妻爽爽爽久久久久久久久| 五月天另类激情在线| 五月丁香免费视频| 久色网| 婷婷五月色图| 二色AV| 9 1超碰九色| 久久9热| 性爱网六月丁香| 天天爽免费视频| 婷婷天堂伊人| 久久99性爱视频| 久爱综合| 色五月丁香网| 天天操中文字幕| 欧美性爱中文字幕| 操久久网| 婷婷激情五月综合| 人妻在线中文字幕久久| 99精品丁香五月| 2w在线视频| 激情五月丁香五月综合| 欧美25p| 婷婷伊人五月丁香天堂网| 丁香五月a| 玖色色综合| 丁香五月婷婷AV在线| 久久丁香社| 99视频只有精品| 91婷婷在线观看| 五月人妻婷婷视频| 亚韩在线视频| 免费无码毛片一区二区A片| 五月丁香啪啪| 激情文学综合婷婷五月天丁香花| 亚洲噜色| 色99免费视频中文| 91超碰九色| 永久无码色| 亚洲色久| 伊人啪啪网| 久久久色情| 狠狠狠狠狠| 综合大香蕉| 五月天激情久久| 五月综合激情图片| 久久五月婷综合网| 九九热黄色| 色五月天中文字幕| 丁香五月很很肏| 激情爱爱网站超大免费| 超级碰碰一区| 丁香五月综合久久| 国精产品一区一区三区免费视频| 激情网开心网| 9久久网| 色综合九九| WWW色五月天| 欧美综合激情| 六月婷久久| 五月丁香六月婷婷精品| 午夜在线成人网站免费观看| 五月婷婷色影院| 激情五月天啪啪视频| 成人做爰A片免费看视频| 日韩乱玛久久| 欧美精品99久久久| 激情五月婷婷色综合| 五月激情在线| 中文字幕日韩无码制服诱或| 久婷久婷激情肉| 丁香五月天激情综合| 欧美丁香五月天| 婷婷月综合| 五月丁香成人网| 97色色在线视频| 欧美久久婷婷| 99爱在线| 亚洲综合九九| 夜夜操狠狠操| 久久这里只有精品16| 一本色道久久88加勒比—| 99免费在线视频| 亚洲欧美999| 金桔一区二区ab地址| 久草x色在线观看99| 九色自拍| 97婷婷五月| 91久久久久久| 成人网丁香五月| 99色色| 五月婷婷五月天| 天天做天天要天天爽| 射区导航| 久久33视频| 天天色粽合合合合合合合| 99re8这里只有精品99re8热视频| 五月情四婷婷| 91热在线| 丁香激情五月| 激情九月婷婷九月| 丁香色五月 97干| 婷婷五月天开心网| 噜噜噜噜噜日本视频| 久久精品99久久久久久| 久久99jiu9| 男男野外做爰全过程69| 五月婷婷激情久久| 五月激情网站| 婷婷五月天激情开心网| 五月天婷婷涩涩| 婷婷亚洲天堂| av中文在线| 人人爱人人草| 99热6色| 激情五月婷婷在线区| 在线成人网址| 九九热婷婷| 操操操97| 中文字幕丰满孑伦无码专区| 丝袜大香蕉| 91AV婷婷| 五月色丁香| 久久五月综合| 欧美狠狠地| 五月婷婷开心爱| 色色五月丁香婷婷| 五月婷婷人人人操| 日熟女| 国产黄色在线观看| 97超碰婷婷五月天| 九九在线热九九在线热99热| 国产精品涩涩涩视频网站| 99热99干| 色综合色五月| 九九操操| 狠狠色丁香| 久久网日本| 五月天激情亚洲| 99国产精品久久久久久久久久久 | 色色影院aaaav| 91丨九色丨43老版熟女| 五月天久久久| 婷婷五月天成人在线视频| 久天综合| 丁香色五月 97干| 婷婷午夜精品久久久| 久热超碰91| 超碰国产在线观看| 日韩精品超碰在线观看| 91丨九色丨丰满人妖| 色色九九五月天 | 成人 视频免费观看网站| 99这里| 色婷婷五月天视频在线| 五月婷婷之综合激情| 操日挥操日日| 99热久| 天天日综合| 激情六月婷婷| www色色色com| 超碰在线人妻| 免费看欧美成人A片无码| 成人无码精品1区2区3区免费看| 成人综合网站| 婷婷9月天| 在线五月婷| 9色免费网| 哇嘎成人久久| 激情五月天色色网| 婷婷六月色丁香视频在线观看| 色99亚洲| 精品无码色| 26uuu激情五月天| 色综合久久久久久久久五月| 可以直接看的av| 狠狠操狠狠插| 99视频精品在线| 中文字幕在线免费观看视频| 91 影音先锋| 不卡成人免费| 99热这里只有精品1025| 亚洲久久视频| 色色亚洲五月天| 亚州操操| 成人做爰A片免费看网站找不到了 噼里啪啦在线观看免费完整版视频 | 婷婷娌伦网| ww久久| 免费精品99| 97干干干丁香| 久久91久久91色欲精品| 综合五月天亚洲婷婷| 亚洲99视频| 天天干天天操天天拍| 香蕉国产2013| 亚洲无AV在线中文字幕| 人人看人人97| 色婷婷中文字母五月丁香| 色色亚卅| 人妻激情综合| 亚洲字幕AV一区二区三区四区| 东北熟女高潮99综合99| 99久久精| 可以免费看的AV网站| 大香蕉婷婷丁香天堂AV| 大色鬼综合| 99热九九在线| 天天做天天爱天天日| 欧美综合激情五月天| 婷婷 伊人 久久| 九九黄色网| 丁香五月天亚洲综合| 丁香五月综合久久综合| 亚洲五月婷婷在线| 五月天丁香成人社| 97五月婷| 色五月天.con| 九九热这里| 97精品综合久久| 婷色影院| 色色日本欧美| 国产伦亲子伦亲子视频观看| 99久久精品国产色欲| 五月天婷婷在线观看精品男人| 色婷婷成人| 午夜大香蕉| 色婷亚洲| 色情激情五月| 亚洲精品午夜国产va久久成人| 99热8在线| 狠狠操综合| 亭亭五月天黑人2014| 丁香六月色婷婷| 99久久婷婷精品视频| 丁香久月| 天天日天天做天天操| 激情婷婷| 五月天色站| 色久婷婷网| 亚洲va综合va国产va中文| 中文字幕日产A片在线看| 丁香 久久| 开心激情站婷婷五月天| 中文字幕在线免费观看视频| 丁香视频| 婷婷亚洲色| 成人片在线播放| 日韩精品一区二区亚洲AV观看| 99精品在| 五月天伊人| 97操碰碰无码视频| 涩综合婷婷| 丁香五月开心七月| 97丁香花五月天激情小说| 天天操夜夜操| 青青草Avb在线| 色 五月婷婷基地| 五月综合激情网| 五月丁香六月婷婷成人| 五月婷六月| 一本色综合色| 婷婷色播综合五月| 啪啪一区| 婷婷五月电影院| 日本色99网站| 翔田千里无码| 性生生活大片又黄又| 久去色色| 欧洲亚洲精品| 综合激情五月天| 99精品在线| 激情五月婷婷色色| 丁香婷婷六月在线资源观看| 久久激丁香| 五月婷婷成人网首页| 九九热在线99| 97人人草| 成人丁香五月| 五月天激情黄色小说在线观看| 日本美女上人| 99操久久| www.久久久久| 色五月琪琪| 欧美日比视频| 久久久久久久8| 激情五月久久| av无码电影| 欧美色性色好| 9l视频自拍九色9l视频在线观看| 亚洲免费观看高清完整版AV线| AV六月丁香| 激情五月天在线视频| 日本nghangse中文字幕| 五月天另类小说| 五月婷婷丁香综合,亚洲天堂| 婷婷五月天欧美图片在线播放电驴| 亚洲精品a成人在线播放| 精品国产va久久久久久久| 97久久视频| 五月激情六月| www.99热| 天天碰天天插天天操| 五月Huangsewang| 婷婷激情啪啪| 青青草五月天| 欧洲一区二区| 在线视频你懂得| 第五色婷婷| 色五月涩涩婷婷蜜桃| 北京熟妇搡BBBB搡BBBB| 26uuu国产精品| 任你爽在线视频| 婷婷色正月| 婷婷五月无码| 日韩成人精品中文字幕| 一区二区三区四区五区| 丁香五月婷婷免费视频| 色一情一乱一伦一区二区三区| 丁香 婷婷五月| 日曰躁夜夜躁2026| 日日干天天爽| 五月激情综合网| 夜夜爽天天爽| 五月开心激情网| 五月天伊人久久| 婷婷射综合| 成人五月天在线观看| 白人荫道BBWBBB大荫道| 十月丁香九月婷婷综合| 玖玖爱资源站| 中文字幕丰满孑伦无码专区| 六月丁香激情网| AV在线免费网站| 色婷婷综合网| 99精品免费欧美小视频| 欧洲亚洲免费视频9| 色色五月婷| 五月婷六月天| 久久婷中文字幕| 大香蕉网站,大香蕉综合| 婷婷五月天最新综合你懂的| 搡BBBB搡BBB搡五十| 婷婷色丁香五月| 久久jiuwww| 国产激情综合五月久久| 久久久精品色| 色婷婷手机在线| 综合网精品99| 国产成人网址| 婷婷丁香五月综合激情小说| 日韩婷婷| 久久久五月天婷婷| 国产成人亚洲综合A∨婷婷| 色六月天| 色色五月丁香| 五月天大香蕉视频| 激情五月综合| 婷婷五月天小说网| 色五月婷婷五月丁香五月激情五月视频| 99ri网站在线观看| 九九色综合| 婷婷五月天综合小说网| 97福利视频| 中文字幕色色色| 日本一道久久| 99热亚洲综合| 国产精品a无线| 深爱五月婷婷| 九九热这里只有精品12| 日本精品99网站| 中文字幕不卡网站| 91日本在线观看| 婷婷五月天天天| 伍月激情天| 亚卅毛片| 久99999热视频在线观看免费| 五月婷婷亚洲| 六月丁香色婷婷| site:pzdcoin.com| 秋霞日本免费毛片A片| 亚洲字幕AV一区二区三区四区| 色色激情网| 婷婷色狠狠| 国产精品在线视频| 天天天在线观看| 日本欧美999久久久三级片| 亚洲色五月| 五月丁香婷婷五月| 亚洲噜色| www.狠狠狠狠| 综合激情伊人影视在线| 丁香六月激情毛片| 久久六月婷婷| av国产精品| 五月天婷婷爱| 天天爽日日爽夜夜爽| 婷婷五月成人有| 婷婷99中文字幕| 97久久综合网| 日本欧美成人片AAAA| 婷婷丁香六月| 伊人激情啪啪| 91久久五月天| 丁香五月AV| 婷婷五月色播放| 开心婷婷五月中文字幕组| 天天插天天很| 婷婷五月综合婷婷| 婷婷色中文字幕| 色情婷婷。| 国产亚洲色婷婷久久99精品9j| 久久久久久五月天| 最近免费中文字幕大全高清大全1| 99热6这里只有精品| 99热亚洲精品| 天堂网啪啪| 五月天久久婷婷| 色狠狠综合入口| anquye五月| 另类图片 五月激情| 五月丁香久久综合| 激情五月综合网| 国产91视频| 丁香婷婷六月天| 日本成人综合| WWW.久久久久久久| av激情在线| 伊人五月天97| 99碰| 久艹大香蕉| 婷婷综合干| 一区二区乱视频码| 91怕怕网| 99热观看| 国产精品人妻在线网址| 激情五月天啪啪| 久草视频一,二三四| 日韩淑女人妻luan伦激情精品一区二| 99热欧美精品| 激情五月综合久久| 色色吧综合| 天天天天天天天干| 天天 青草 丝袜制服 在线| 激情综合色婷婷啪啪六月天| rr天天操| 久久xxxx| 99国产精品白浆在线观看免费| 精品少妇人妻AV无码专区偷人| 教师性爱毛片| av操一操| 久久ww| 激情五月无码| 深夜激情网| 欧美大香蕉视频| 婷婷五月色天| 91人人爱| 99a级片| WWW·天天操·视频?| 中文字幕 久久9999| 国产精品VA在线| 99色婷婷| 午夜无码熟熟妇丰满人妻| 五月婷久久综合| 久久婷婷五月综合伊人| 天天色天天爱天天舔| 久久婷婷五月天综合| 久久99精品久久久久久噜噜| 99热最新| 亚洲视频码| 亚洲精品成人| 天天干天天操天天爱| 日本天堂免费99| 久久伊人大香蕉| 五月婷无码| 久久婷婷激情| 色婷婷九月综合| 大香蕉久热| 亚洲亚洲人成综合网络| 丁香五月成人丝袜| XXXX岛国| 天天天干夜夜夜操| 色婷婷99| 99九九中文字幕视频| 久久亚洲婷婷综合色五月| 五月天精品综合| 91人人爽狠狠狠| 不卡在线超碰| 成人在线视频网| 婷婷五月天在婷| 欧美久久婷婷| 丁香亚洲色综合| 婷婷激情中文综合| 欧美色色色色色| 99自拍视频| 九九视屏| 艾小青av| 五月天色丁香| 久久婷中文字幕| 91dy.av| 另类图片色五月| 久久成人亚洲欧美电影| WWW,激情五月天,COM| 直接看的AV| 疯狂做受XXXX高潮A片| 婷婷六月综合| 激情色视频| 六月丁香啪啪| 久久久久亚洲AV成人无码电影| 亚洲免费99| 丁香五月久久| 久99在线视频| 婷婷日日夜夜| 极品人妻VIDEOSSS人妻| 丁香六月婷婷| 婷婷久久免费| 国产精品A片在线| 婷婷丁香六月影视| 久久99久久99久久99人受| 丁香六月成人网| 五月丁香综合精品| 天天骑天天操| 丁香激情四射| 五月天狠狠网| 综合久久婷婷99| 亚洲综合网激情小说| 九九久久五月天| 亚洲成Av人片乱码色第1集| www 五月天 com| 亚洲激情综合| 五月丁香婷婷色色| 九九在线精品| 色婷大香蕉| 99热这里只有精品2016| 久久色情| 日本三级中国三级99人妇网站| 久久WW| 亚洲另类毛片| 激情五月色在线播放| 五月日韩中文字幕| 激情五月综合六月丁香婷婷狠狠干| 丁香九月婷婷综合| 日韩欧美老妇性视频91久久久| 99er精品视频| 五月天大香焦| 丁香婷婷十月| 欧美色激情四射| 欧美亚洲操逼| 97很鲁在线视频| 婷婷在线操| 少妇大叫太大太粗太爽了A片| aaaaa不卡| 大香网伊人久久综合| 综合久久97| 99热这里只有精品1025| 热99精品视频五月| 伊人婷婷综合| 五月婷婷狠狠干| 色三级色三级| 色婷婷六月天| 亚洲精品视频在线播放| 丁香九月婷婷综合| 91丨九色丨东北熟女| 日本三级黄色大片| 日韩1区2区| 婷婷综合| 色婷婷综合网站| 月月AV| 99在线精品免费视频| 丁香五月婷婷色综合基地| 国产精品久久久久久亚洲毛片| 66久久视频在线| 中文字幕乱码亚洲精品一区 | 中文字幕永久在线| AV五月丁香| 黄色国久久| 99综合激情久久精品久久| av不卡网站| 深爱五月激情| 99啪99| 久久久久久久久久8888| 激情五月婷黄版| 色五月亚洲| 婷婷综合网伊人| 九九色网专区| 天天操天天曰| 国产ava| 亚洲欧洲另类| 狠狠88综合久久久久噜噜噜| 久久人妻少妇嫩草AV| 婷婷五亚洲| 成人在线高清| 综合婷婷久久| 欧美激情 日韩无码 婷婷 五月天| 内射在线CHINESE| 五月之婷婷| 五月婷婷草| 久久婷婷伊人| 爱草视频在线| 久久九九囯产| 五月丁香婷婷色色| 婷婷九月激情| 色五月婷婷丁香凹凸| 五月综合视频| 热99国产精品| 天堂久久丁香| 五月天停婷基地| 亚洲视频a| 九色综合网| 激情第四色| 天天搞夜夜爽夜夜爽| 黄色片久久| 婷香五月激情视频| 久久精彩免费视频精彩免费视频| 国产看真人毛片爱做A片| 激情丁香图片| 97AV在线视频| 玩熟女五十AV一二三区| 狠狠色成人影片| 天天噜天天插| 伊人在线大香蕉网| 人人操日| 色情一区二区播放| 五月丁香成人| 国产AV影片| 噜噜色五月| 国产六月婷婷| 天天se在线视频| 色婷婷电影| 精品久久久人妻| 2014天天爽| 日本操B片| 99热精品无码| 色婷婷六月丁香综合欲精品| 超碰狠狠操| yirenjiqingshiping| 丁香六月婷婷综合| 99er6热在线观看精品6| 五月丁香久久网| 波多野结衣不卡AV| 成人网站在线观看视频| 日撸夜撸日操| 婷婷亚洲天堂| 婷婷综合伊人| 五月天色综合| 神马欧美精| 五月天婷婷影院影院| 超碰成人在线观看| 另类婷婷五月天啪帕帕| 激情五月天综合网| 婷婷五月天电影网| 停停色综合伊人| 久99久在线观看| 99热综合在线观看| 丁香六月婷婷综合| 国产毛片精品一区二区色欲黄A片| 九九99视频精品| 日韩黄色电影| www.丁香黄色五月天人与| 色香蕉影院| 色婷五月天激情| 激情99。| 超碰操网| 免费成人网在线观看| 风流少妇A片一区二区蜜桃 | 四色五月婷婷| 强壮公让我夜夜高潮A片视频| 国产精品日日躁夜夜躁| 思思热久久久在线| 婷婷五月天无码视频| 91色在线/日韩| 涩五月丝袜婷婷| 91性交在线播放| 成人午夜无码视频| 五月激情综合网| 在线综合网| 午夜电影网VA内射| 免费99情趣网视频| 亚洲操操| 99热综合在线| 九月丁香八月婷婷久久综合久97| 色综合视频在线| 99热精品免费| 激情www| 99热新网址| 五月天桃色深爱网| 五月婷婷自拍| 婷婷激情五月综合丁| 99热6这里之有精品| 久久久97| 色99日韩| 欧洲亚洲午夜| 久久久久久久久久久44| AV中文字幕夜夜操b天天摸bb| 九九99九九精品免费| 国产成人网| 强伦轩人妻一区二区电影| 狠狠五月激情丁香六月| 丁香六月婷婷| 婷婷六月激情| 婷婷五月av| 五月丁香六月婷婷开心网| 婷婷五月天亚洲精品| WWW五月天| 九九精品这里只有| 激情婷婷内射| 五月天婷婷黄色视频| 婷婷色婷婷| 九九青青草成人| 丁香五月天黄色片| 丁香五月婷婷亚洲综合精品| 人妻久热| 五月婷婷天堂| AAA久久久| 六月99天天婷婷激情综合| 国产免费一区二区三区三州老师F1F1.CC | 色综合九九色综合88| 色婷六月| 碰超99| 91色色色| 开心激情网五月天| 天天综合网在线| 丁香婷婷激情| 欧美槡BBBB槡BBB少妇| 久久久久人妻| 五月色情| 大香蕉丁香婷婷| 丁香五月婷婷综合激情啪啪啪啪啪啪啪 | 99婷婷色| 婷婷九色| 欧美 日韩 成人在线| 91日本在线| 开心五月六月婷婷| 青草性爱视频| 五月婷婷之六月丁香| 五月丁香六月欧美| 五月开心深爱激情网| 亚洲精品大片| 色婷婷A| 99综合网| 超碰在线99| 国产性爱在线| 久久性爱激情| 六月丁香婷婷综合狠狠爱夜夜爱| 丁香激情网| 五月丁色AV| wwwxxx五月婷婷小说| 色色网五月激情| 婷婷六月色开| 久久久久久综合88| 丁香五月婷婷啪啪| 色五月婷婷成人| 四川操逼站| 999婷婷综合| 久久久久久天天日天天爱| 色视五月天婷婷| 色五月第四色| 亚洲成人高清在线| 91色久| www天堂99| 任你艹| 五月综合激情| 色婷婷91激情小说| 91丁香五月| 深爱五月婷婷开心中文字幕| 色天天综合成人网| 开心婷婷中文字幕| 色99在线观看| 亚洲愉拍99热成人精品| 大香蕉在线观看9| 丁香婷婷五月激情| 激情综合五月.....| 久久五月天激情| www激情| 无码 av电影| 东北黄色一级| 婷婷免费无马| 超碰在线个人观看| 99色热视频| 久久五月婷综合网| www婷婷| 丁香六月婷婷综合| 婷婷成人av| 天天看A片| 天天干天天玩天天夜天天射天天操天天日蜜臀少妇 | 三日本无码| 丁香婷婷六月天| 激情丁香五月激情婷婷| 九九青草热| 蜜臀AV在线观看| 亚洲成人网站在线| 一區四區歐美日韓| 五月丁香六月婷婷色情| 五月丁香| 影音先锋男人资源站一区二区 | 色婷婷狠狠久久综合五月| 五月天丁香综合| 天天色天天爱天天爽| 激情久久五月天| 婷婷五月天 丁香五月天 裸体| 丁香五月激情啪| 五月综合影院| 26uuu精品国产| 久久99免费视频网站| 俺也去在线久久精品23欧美综合视频网站,丰满人妻一区二区三区在线视频53,丰满 | 亚洲激情网站| 色99在线视频| 日韩精品一区二区刘| 激情文学天天| 免费啪啪亚州视频| 婷婷五月天99综合网站| 综合色色网| 婷婷激情五月综合| 五月婷婷丁香六月| 成人综合AV| 天天天天天天噜| 亚洲天堂久久| 久久婷婷五月天激情四射| 另类综合国产| 久青草影院| 婷婷大乡焦噜噜| 99色最新在线视频网站| 九九热免费视频| 一二区成人电影| 韩国久久少妇视屏| 久久99视频| 99热1| 国产五月天欧美色| 欧美叉叉叉BBB网站| 新97人人上人人| 99热在线播放| 超碰在线免费观看3 9| 婷婷基地成人五月天| 国产性爱一级| 潮汕成人AV片在线| 五月婷婷久久爱| 91久久久久久| 色欲久久久久久综合网综合网| 久久久久久综合五月婷婷| 成人看片网站| 97婷婷色| 99视频九九热| 色九月综合网| 激情五月丁香六月婷婷| 欧美大片| tingtingjiqingwuyue| 996热| a九九热www| 天天爽天天| 色色综合热| 丁香五月六月欧美| 国产99久久久国产精品免费看| 韩日在线熟女| 欧美色五月| 激情综合网址| 综合伊人久久| 很很色丁香久久停停| 婷婷五月天激情丁香| 婷婷无五月无码视频| 婷婷激情鹿城五月天| 五月丁香啪啪啪| 激情五月天在线观看婷婷| 九九九九毛片| 亚洲AV人人操| 综激情网| 国产成人高清| 久久久99免费视频| 懂色av蜜臀av粉嫩av永陈冠希| 五月天涩涩| 9久9久9久女女女九九九一九| 亚洲精品国产精品乱码不99| 丁香久久在线| www.五月婷婷久久.com| 色天堂婷婷| 五月天婷婷伊人| 江苏少妇性BBB搡BBB爽爽爽| 天天插天天日天天爽| 成人免费120分钟啪啪| 五月天无码视屏播放| 538在线精品| 情情五月天色| 色婷婷呢狠禁久禁| 婷婷激情5月| 色综合久久久综合久久网| wwwC0maV五月花| 热99视频精品在线| 久久精品66| 激情五月婷婷色色| 亚洲色优| 91精品久久久久久久久| 五月丁香六月激情狠狠| 亚洲在线操| 欧洲亚洲免费视频9| 色五月激情婷婷| 天天综合久久| 国产看真人毛片爱做A片| 一本道综合网| 久久综合五月天激情小说网站| A网在线欧洲| 久久久人人操A V| 日日干日日| 99九九99九九九视频精彩| 五月天婷婷基地| 欧美狠狠草| 国产黄大片在线观看画质优化| 成人狠狠成人狠狠成人狠狠成人狠狠| 国产内射婷婷| 综合激情视频| 超碰在线观看9| 中文av网| 六月丁香婷婷天堂| 最新婷婷五月丁香| 天天爽夜夜操| 精品激情| 婷婷久久五月天| 五月天婷婷影院影院| 一本狠婷婷综合| 大香蕉婷婷五月| 狠狠色丁香五月婷巨| 欧美精品中文字幕亚洲专区| 天天夜夜操| 五月激情射| 99视频这里有精品| 五月天伊人日日噜影片AV| 99玖玖视频| 色婷婷久久综合| 99热99热在线观看| 91美女啪啪| 亚洲国产成人在线| 小视频aaa久久久| 色色97丁香婷婷五月天| 日本啪啪网| 婷婷六月丁香激情综合| 91干99| 九九色99| 激情五月综合ì香亚洲| 五月丁香亭亭AV女优| 久久婷婷五月| 久久成人天| 久久久久亚洲AV无码网影音先锋| 伊人久久艹| 色欲久久久久| 亚洲欧美成人在线| 日本一级淫| 在线观看欧美| 五月天三级| 大香蕉狠狠爱主页| 五月婷婷性爱| 婷婷五月天视频亚洲| 天天做天天爱天天爽夜夜揉| 丁香五月天天久久综合小说| 五月婷婷色综图片| 激情影院免费视频婷婷五月天| 婷婷久久图片| 丁香婷婷久久| 深爱五月婷婷| 天天舔天天摸天天射| 五月天婷婷久草丁香| 激情婷婷| 五月婷婷婷丁香播| 欧美激情Va| 爆乳熟女一区二区三区爆乳| 亚洲欧洲中文日韩久久AV乱码| 五月丁香婷婷爱| 人人射av| 97香蕉久久超级碰碰高清版| 亚洲综合网在线| 精品激情| 丁香婷婷视频一区二区| 97成人丁香婷婷| 九九热99久久99| 538在线精品| 亚洲无码成人| 久久这里有精品视频在线免费观看| 色五月天激情| 亚洲AV日韩AV永久无码网站| 这里只有精品视频| 五月色综合| 五月丁香色婷婷基地| 欧美精品999| 在线超碰精品| 午夜天堂一区人妻| 激情五月天色网站| www.五月天激情| 袁子仪视频观看| 亚洲视频五区| 婷婷五月天丁香久久| 国产精品18久久久| 六月婷婷激情图片| www.99热这里只有精品| 天天拍夜夜爽日日| 丁香婷婷久久 | 成人色情五月天婷婷丁香| 91尤物九色在线| 婷婷五月综合网激情| 日韩精品无码一区二区| 99热免| WWW.99视频| 激情五月开心五月丁香五月| 丁香婷停五月激情综合深爱| 99黄色性生活| 性爱五月丁香| 天天综合网色欲香| 色综合久久久综合久久网| 久久精彩免费视频| 五月天色丁香| 午夜成人天堂久久无码日韩久久|