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

深耕商務建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

MobileNet-YOLO輕量化目標檢測實戰(zhàn):結(jié)構(gòu)、訓練與部署指南

MobileNet-YOLO輕量化目標檢測實戰(zhàn):結(jié)構(gòu)、訓練與部署指南 簡介面向目標檢測算法研究與輕量化部署場景這份PyTorch實現(xiàn)的MobileNet-YOLO檢測網(wǎng)絡資源覆蓋MobilenetV1/V2/V3與YOLOv3/YOLOv4系列模型適合需要對比主干網(wǎng)絡與檢測頭組合效果的算法工程師和研究生。損失函數(shù)與原始實現(xiàn)保持一致模型在VOC20072012上訓練并在VOC2007上測試權(quán)重采用ImageNet預訓練使用方式貼近原始YOLO可直接沿用其數(shù)據(jù)準備、訓練與評估流程。資源包為zip格式共29個文件大小約240KB包含16個Python腳本模型結(jié)構(gòu)、訓練、推理、mAP評估、圖像增強等、5個shell腳本數(shù)據(jù)集下載、lmdb創(chuàng)建、訓練、推理、2個YAML配置數(shù)據(jù)路徑與參數(shù)、說明文檔與許可證以及若干示例圖片目錄劃分清楚便于按模塊復用。已有1944人學習/下載。通過該資源可完整復現(xiàn)輕量化檢測器的訓練與推理流程掌握VOC數(shù)據(jù)集預處理和lmdb轉(zhuǎn)換的細節(jié)同時可參考eval_mAP、圖像增強等工具腳本快速遷移到自有目標檢測任務中。1. 從跑不動到流暢檢測MobileNet-YOLO-Pytorch 的價值被很多人低估了MobileNet-YOLO-Pytorch 這個項目名看著很長但本質(zhì)很直接把 MobileNet 系列v1/v2/v3當作骨干網(wǎng)絡后端接 YOLO 系列YOLOv3/YOLOv4的檢測頭形成一套可以在 CPU 和嵌入式設備上實際跑起來的檢測方案。很多人第一反應是“這不就是個縫合怪嗎”但真正在邊緣設備上部署過的人會明白這一步縫合解決的是實打?qū)嵉目ú弊訂栴}。我之前在某個項目里要在一個低功耗盒子上跑實時檢測原版 YOLOv3 的 DarkNet 骨干一幀推理要 400 多毫秒整個業(yè)務沒法落地。后來把骨干換成 MobileNet同樣的檢測頭推理時間直接降到 50 毫秒檔位精度損失遠沒有想象中大。這套組合的適用人群很明確手頭有檢測需求、設備算力受限、又不想從零設計網(wǎng)絡結(jié)構(gòu)的人。接下來我會按“結(jié)構(gòu)原理 → 環(huán)境與訓練 → 自定義數(shù)據(jù)適配 → 避坑 → 部署優(yōu)化”這條線展開把我自己踩過的坑和驗證過的參數(shù)習慣都放進去。這篇文章適合兩類讀者第一次接觸輕量化目標檢測的新手可以直接按步驟復現(xiàn)已經(jīng)跑過 YOLO 訓練的老手可以重點看第五、六章那里有最容易被忽略的細節(jié)。2. 網(wǎng)絡結(jié)構(gòu)與代碼組織為什么 MobileNet 能和 YOLO 自由組合先說結(jié)論YOLO 的檢測頭并不綁定特定骨干它對骨干網(wǎng)絡的依賴主要體現(xiàn)為“尺度數(shù)量、下采樣倍數(shù)、輸出通道”這三件事。MobileNet 系列恰好在這三件事上滿足要求所以組合是順理成章的而不是靠硬改代碼堆出來的。2.1 MobileNet 三代的核心結(jié)構(gòu)差異深度可分離卷積、倒殘差與 NASMobileNet v1 的核心貢獻是深度可分離卷積。常規(guī)卷積同時做空間特征提取和通道融合計算量是k×k×C_in×C_out拆開之后先用一個k×k的深度卷積只處理每個通道內(nèi)的空間信息再用1×1卷積做跨通道融合計算量降到k×k×C_in C_in×C_out在 3×3 卷積下大約是原來的九分之一到八分之一。這個思路后來幾乎成了所有輕量骨干的標配。MobileNet v2 在 v1 基礎上加了倒殘差結(jié)構(gòu)和線性瓶頸。倒殘差的順序是先1×1擴張通道再做深度卷積最后1×1壓縮回來通道數(shù)從窄到寬再到窄。設計動機是 ReLU 對低維特征會產(chǎn)生信息截斷所以在瓶頸層輸出處用線性激活代替 ReLU。如果骨干輸出特征圖的維度已經(jīng)很低你要注意這一點后續(xù)接入檢測頭時盡量不要再人為壓縮通道。MobileNet v3 引入了神經(jīng)架構(gòu)搜索不再完全靠手工設計結(jié)構(gòu)。它在 v2 的基礎上加了輕量級注意力模塊 SE同時把網(wǎng)絡尾部幾個冗余卷積層直接刪掉激活函數(shù)換成了 h-swish。這幾個改動疊加起來讓 v3 在相同精度下體積比 v2 更小、延遲更低。下面這張表格可以快速對比三代的核心差異版本核心結(jié)構(gòu)主要收益明顯代價v1深度可分離卷積計算量大幅降低通道間信息融合弱精度一般v2倒殘差 線性瓶頸低維特征保留更好精度提升先擴張后壓縮內(nèi)存訪問略增v3NAS 搜索 SE h-swish體積更小速度更快結(jié)構(gòu)碎片化部分硬件不友好選 v1 還是 v3取決于你的底線在哪里。我的習慣是CPU 上跑選 v3-large追求極致體積選 v3-small想在老設備上穩(wěn)定兼容選 v2。2.2 YOLO 檢測頭對骨干網(wǎng)絡的三個硬性要求YOLOv3 和 YOLOv4 的檢測頭不接收單個特征圖而是接收三個不同尺度的特征圖。以 416×416 輸入為例三個特征圖尺寸分別是 13×13、26×26、52×52對應下采樣 32 倍、16 倍、8 倍。因此骨干網(wǎng)絡必須能輸出三個尺度的特征這是第一個硬性要求。第二個要求是特征圖的通道數(shù)不能太低。YOLO 檢測頭會在每個尺度上執(zhí)行一系列卷積如果骨干輸出的通道數(shù)過少信息會過早坍縮小目標直接檢測不到。MobileNet v2 最后幾個 bottleneck 的輸出通道通常在 96、192、320 這個量級接入檢測頭時通過1×1卷積做通道對齊語義信息不會丟失太多。第三個要求是感受野要覆蓋到足夠大的范圍。YOLO 在 13×13 這樣低分辨率的特征圖上檢測大目標單個點對應的感受野必須接近整個輸入圖像。MobileNet 雖然全程使用小卷積核但通過多次下采樣積累了足夠的感受野這一點實測下來是滿足的。如果骨干替換后大目標漏檢嚴重問題往往出在疊加大卷積核或空洞卷積的位置沒配對。2.3 配置驅(qū)動替換骨干三個組合的代碼路徑是怎樣的這種整合項目的代碼組織方式通常不是“每種組合維護一套模型文件”而是由一個模型構(gòu)建函數(shù)統(tǒng)一加載配置按 key 去實例化骨干和檢測頭。我一般會在配置里區(qū)分model.backbone和model.detector兩個字段這樣切換組合時只改配置不動模型代碼。model: backbone: mobilenetv3-large # v1 / v2 / v3-small 均可 backbone_pretrained: weights/mbv3_large.pth detector: yolov3 # yolov3 或 yolov4 num_classes: 20 input_size: 416 anchors: - [10, 13, 16, 30, 33, 23] - [30, 61, 62, 45, 59, 119] - [116, 90, 156, 198, 373, 326]上面的 anchors 列表來自公共數(shù)據(jù)集上的默認值換自定義數(shù)據(jù)集時必須要重算這一點在第四章展開。模型構(gòu)建的核心邏輯一般長這樣def build_model(cfg): backbone create_backbone( cfg[model][backbone], pretrainedcfg[model][backbone_pretrained], ) detector create_detector( cfg[model][detector], num_classescfg[model][num_classes], anchorscfg[model][anchors], ) return MobileYOLO(backbone, detector) class MobileYOLO(torch.nn.Module): def __init__(self, backbone, detector): super().__init__() self.backbone backbone self.detector detector def forward(self, x): c1, c2, c3 self.backbone(x) # stride 32 / 16 / 8 return self.detector([c1, c2, c3])邏輯說明create_backbone返回的是三個層的輸出不是單個最終特征圖。create_detector接收一個列表然后在內(nèi)部做特征融合和預測分支計算。參數(shù)說明里最需要注意的是 anchors 的層級順序列表第一組對應 13×13 大尺度特征圖最后一組對應 52×52 小尺度特征圖順序?qū)懛磿霈F(xiàn)小目標檢測不到但大目標正常這種詭異現(xiàn)象。3. 最小可復現(xiàn)訓練流程環(huán)境配置、參數(shù)修改與首輪訓練很多人拿到這類項目先急著改網(wǎng)絡結(jié)構(gòu)結(jié)果環(huán)境都沒跑通。我建議先按默認配置完整跑一遍訓練再動結(jié)構(gòu)不遲。3.1 環(huán)境版本選擇PyTorch、CUDA 與依賴的匹配關系這類輕量檢測項目對 PyTorch 版本不算挑剔但有幾個匹配關系要留意。我實測下來PyTorch 1.8 到 2.x 都能正常跑通區(qū)別主要體現(xiàn)在兩方面老版本對新顯卡的自適應支持差一些新版本在舊顯卡上偶爾會提示算子不可用。# 建議先裝 PyTorch 主庫再裝其余依賴 pip install torch1.10.0 torchvision0.11.0 # 其余依賴一次裝齊 pip install numpy opencv-python pyyaml tqdm邏輯說明torchvision 只在加載 ImageNet 預訓練骨干時用到如果你打算從零訓練檢測頭torchvision 可以不裝少一個版本扯皮的地方。參數(shù)說明openvc-python 負責數(shù)據(jù)增強里的圖像讀取和縮放pyyaml 負責解析配置文件tqdm 只影響進度條顯示裝不裝不影響訓練結(jié)果。有一個環(huán)境相關的提醒如果你的顯卡驅(qū)動只支持 CUDA 10.2不要硬裝 PyTorch 2.x它默認編譯的 CUDA 版本更高運行時會報驅(qū)動不兼容。遇到這種情況先nvidia-smi看驅(qū)動版本再反推 PyTorch 版本不要倒過來。3.2 三組關鍵參數(shù)骨干系數(shù)、輸入分辨率與訓練超參訓練前首先要確定的是輸入分辨率。416 是這類項目的默認平衡點608 能提升小目標 mAP但推理時間幾乎翻倍320 適合追求速度的場景mAP 比 416 低 2 到 5 個點。我的建議是訓練用 416部署到邊緣設備時再用 320 做一次測試如果精度落在可接受范圍就用 320 推理。train: input_size: 416 # 320 / 416 / 608訓練和驗證保持一致 batch_size: 16 # 顯存不足時優(yōu)先降到 8而不是調(diào)低分辨率 epochs: 200 lr: 0.001 lr_scheduler: cosine warmup_epochs: 3 freeze_backbone: 20 # 前 20 個 epoch 凍結(jié)骨干只訓練檢測頭參數(shù)說明freeze_backbone非常關鍵。MobileNet 骨干如果隨機初始化需要大量數(shù)據(jù)才能學到通用特征加載 ImageNet 預訓練權(quán)重后前 20 個 epoch 凍結(jié)骨干讓檢測頭先適應特征分布之后再解凍聯(lián)合調(diào)優(yōu)。warmup_epochs在前 3 輪把學習率從 0 線性升到目標值能有效避免前幾個 batch 的 loss 劇烈波動。cosine調(diào)度器配合 200 個 epoch收斂曲線比 step 下降更平滑。3.3 一條命令跑通訓練從預訓練權(quán)重到 loss 輸出依賴裝好、配置改完訓練命令本身很簡單。關鍵在于權(quán)重文件的位置和命名很多項目運行的報錯都是因為權(quán)重路徑配置成了相對路徑而當前工作目錄不對。python train.py \ --cfg cfg/mobilenetv3_yolov3.yaml \ --data data/custom.data \ --weights weights/mbv3_large_imagenet.pth \ --epochs 200 \ --batch-size 16邏輯說明--cfg指向模型結(jié)構(gòu)配置--data指向數(shù)據(jù)列表文件--weights是骨干預訓練權(quán)重。參數(shù)說明里的data/custom.data是一個文本文件內(nèi)容通常是classes3 traindata/train.txt valdata/val.txt namesdata/custom.names其中train.txt每行是一張訓練圖片的絕對路徑。如果這個文件里混入了不存在的路徑訓練時會跳過對應圖片跑完才發(fā)現(xiàn)數(shù)據(jù)量少了一半這種錯誤很隱蔽。首輪訓練建議只跑 30 個 epoch 做驗證看 loss 是否在穩(wěn)步下降同時確認 loss 量級在正常范圍而不是追求一輪跑完。日志里出現(xiàn)loss: 4.2這種數(shù)值是正常的代表初始預測還不夠準等檢測頭訓練充分后會降到 1 以下。4. 自定義數(shù)據(jù)集訓練格式轉(zhuǎn)換、anchors 重算與收斂驗證用公共數(shù)據(jù)集訓練只是驗證環(huán)境真正要落地必須換成自己的數(shù)據(jù)。這一章講清楚從標注文件到訓練驗證的完整鏈路。4.1 把標注數(shù)據(jù)轉(zhuǎn)成訓練格式最不容易丟坐標的腳本標注工具導出最多的格式是 Pascal VOC 的 XML適合做數(shù)據(jù)管理但訓練通常要的是 YOLO 格式的 TXT。轉(zhuǎn)換腳本不復雜但有三個地方容易出錯歸一化坐標算錯、小目標坐標被整除丟精度、類別索引和名稱對不上。import os import xml.etree.ElementTree as ET from PIL import Image def voc_to_yolo(xml_path, img_dir, out_dir, class_map): tree ET.parse(xml_path) root tree.getroot() img_name root.find(filename).text img_w, img_h Image.open(os.path.join(img_dir, img_name)).size lines [] for obj in root.iter(object): cls_name obj.find(name).text box obj.find(bndbox) x1 float(box.find(xmin).text) y1 float(box.find(ymin).text) x2 float(box.find(xmax).text) y2 float(box.find(ymax).text) cx (x1 x2) / 2 / img_w cy (y1 y2) / 2 / img_h bw (x2 - x1) / img_w bh (y2 - y1) / img_h lines.append(f{class_map[cls_name]} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) out_name img_name.rsplit(., 1)[0] .txt with open(os.path.join(out_dir, out_name), w) as f: f.write(\n.join(lines))邏輯說明核心是先把左上角和右下角坐標轉(zhuǎn)成中心點加寬高再除以圖片寬高做歸一化。參數(shù)說明里最容易踩的坑是坐標字段在部分工具里會導出成整數(shù)或字符串必須顯式轉(zhuǎn)成 float否則除法的結(jié)果會變成 0小目標直接從訓練集里消失。4.2 用 K-means 為你的數(shù)據(jù)集重算 anchors而不是硬用默認值YOLO 的默認 anchors 是在特定數(shù)據(jù)分布上聚類出來的直接用在自定義數(shù)據(jù)集上典型結(jié)果是訓練正常、loss 正常但小目標 mAP 極低。原因在于預置 anchors 尺寸與真實目標尺寸的交并比太小訓練時無法選出正樣本。解決辦法是重新聚類。import numpy as np def iou_wh(wh, cluster): min_wh np.minimum(wh, cluster[:, None, :]) inter min_wh[..., 0] * min_wh[..., 1] union wh[..., 0] * wh[..., 1] cluster[:, None, :][..., 0] * cluster[:, None, :][..., 1] - inter return inter / np.maximum(union, 1e-6) def kmeans_anchors(wh_list, k9, iters300): wh_list np.asarray(wh_list, dtypenp.float64) clusters wh_list[np.random.choice(len(wh_list), k, replaceFalse)] for _ in range(iters): iou iou_wh(wh_list, clusters) assign np.argmax(iou, axis1) new_clusters np.zeros_like(clusters) for i in range(k): selected wh_list[assign i] if len(selected) 0: new_clusters[i] selected.mean(axis0) else: new_clusters[i] clusters[i] if np.allclose(clusters, new_clusters): break clusters new_clusters return clusters[np.argsort(clusters[:, 0] * clusters[:, 1])]邏輯說明K-means 聚類的距離度量使用 IoU 距離即d 1 - IoU(box, centroid)這樣聚類結(jié)果與檢測框的交并比直接相關。參數(shù)說明里k9對應 YOLOv3/v4 的九組 anchors太小會導致正樣本選擇不平衡太大反而在訓練時增加回歸難度。聚類完成后把結(jié)果按面積從大到小排列前三個分給 13×13 特征圖中間三個分給 26×26最后三個分給 52×52然后寫回配置文件。4.3 訓練中怎么判斷真的收斂了用 mAP 而不是 loss 曲線訓練到后期會看到 loss 還在緩慢下降但 mAP 已經(jīng)不再提升。loss 下降代表回歸損失還在優(yōu)化但如果正負樣本比例失衡loss 里的分類損失被負樣本主導mAP 不漲就是典型的無效訓練。所以收斂判斷必須依賴驗證集指標。python val.py \ --cfg cfg/mobilenetv3_yolov3.yaml \ --data data/custom.data \ --weights weights/best.pt \ --iou-thres 0.5 \ --conf-thres 0.25邏輯說明--iou-thres 0.5對應 mAP0.5這是檢測任務里最常用的主指標--conf-thres 0.25是置信度閾值只在評估時影響預測輸出數(shù)量不影響 mAP 計算本身。參數(shù)說明里還有一類指標是 mAP0.5:0.95它把 IoU 閾值從 0.5 到 0.95 按步長 0.05 取平均更嚴苛也更能反映邊框回歸精度。我建議自定義數(shù)據(jù)集上至少看 mAP0.5如果這個值上不去優(yōu)先檢查 anchors 和數(shù)據(jù)格式而不是調(diào)學習率。5. 訓練避坑清單MobileNet-YOLO 常見的四個翻車現(xiàn)場組合型項目因為涉及的結(jié)構(gòu)多出問題時很難一眼定位。下面四條是我在這些項目上遇到最多、也最容易被誤判的問題每條按現(xiàn)象、原因、解決三步展開。5.1 損失在降mAP 卻一直接近零現(xiàn)象訓練 50 個 epoch 后 loss 已經(jīng)從 10 降到 2 左右看起來模型在收斂但驗證集 mAP 始終是 0 或者不到 0.01。原因最常見的是 anchors 沒重算。自定義數(shù)據(jù)集中目標尺寸和公共數(shù)據(jù)集相差太大默認 anchors 與真實框的平均 IoU 全部低于正樣本閾值導致訓練過程中幾乎沒有正樣本參與回歸。第二個常見原因是輸入分辨率太低比如原圖 800×800輸入設為 320小目標在特征圖上只占不到一個像素。解決先跑一次第四章的 K-means 聚類把結(jié)果寫進配置并檢查順序然后把輸入分辨率提高到 416如果顯存壓力大就保持 416 但減小 batch size。這兩步做完后如果 mAP 還在零附近去檢查數(shù)據(jù)路徑是否指向了錯誤的 txt 文件我見過有人訓練集里混入大量空標注圖片導致正樣本數(shù)量被稀釋。5.2 訓練到一半直接 CUDA out of memory現(xiàn)象訓練前面幾個 epoch 正常到某個 epoch 突然報顯存不足或者 batch size 從 16 調(diào)到 32 后加載數(shù)據(jù)階段就崩。原因一個常見原因是訓練策略里開啟了多尺度訓練輸入尺寸在 320 到 640 之間隨機切換碰到大批次加高分辨率顯存峰值翻倍。另一個原因是驗證階段把整張圖直接送進模型沒有做尺度限制驗證集里出現(xiàn)超長圖時顯存直接打滿。解決優(yōu)先開梯度累積把有效 batch size 保持住顯存峰值降下來。做法是在優(yōu)化器更新前累積多個 batch 的梯度accumulate 4 # 等價于 batch_size * 4 optimizer.zero_grad() loss.backward() if (step 1) % accumulate 0: optimizer.step() scheduler.step()邏輯說明梯度累積不是把 batch 拼大而是把梯度等權(quán)疊加后再更新一次權(quán)重效果上近似大 batch 訓練。參數(shù)說明里accumulate一般設 2 到 8太大容易導致 BN 統(tǒng)計值滯后模型收斂變慢。如果顯存還是不夠再把輸入分辨率從 416 降到 384這一步對輕量骨干的 mAP 損失小于減小 batch size。另外檢查一下訓練代碼是否開啟了混合精度torch.cuda.amp能把顯存占用再壓下一截。5.3 換 backbone 后權(quán)重加載報錯loss 直接變 NaN現(xiàn)象配置里把骨干從 mobilenetv2 改成 mobilenetv3加載之前保存的權(quán)重時報 shape mismatch去掉預訓練權(quán)重后從零訓練loss 前幾步正常隨后漲到 NaN。原因不同版本的骨干結(jié)構(gòu)差異導致權(quán)重文件不兼容這不是 bug而是預期行為。另一個更隱蔽的原因是數(shù)據(jù)預處理的歸一化參數(shù)不一致v1/v2 統(tǒng)一用 ImageNet 的均值標準差v3 有些實現(xiàn)會按論文里的均值重新調(diào)整兩者混用會讓批量歸一化層的統(tǒng)計值瞬間混亂梯度爆炸。解決換骨干后不要嘗試加載舊骨干的權(quán)重重新準備對應版本的 ImageNet 預訓練文件。從零訓練時把學習率降到 0.0001同時強烈建議把freeze_backbone從 0 改為至少 10讓檢測頭在骨干參數(shù)不動的情況下先穩(wěn)定下來。最后對照配置文件檢查歸一化參數(shù)transforms.Normalize( mean[0.485, 0.456, 0.406], # ImageNet 標準參數(shù) std[0.229, 0.224, 0.225] )參數(shù)說明這三個值幾乎是所有視覺骨干通用的輸入歸一化參數(shù)如果你的配置里寫的是[0, 0, 0]和[1, 1, 1]說明跳過歸一化直接訓練這種情況更容易觸發(fā) NaN尤其是在加載預訓練骨干權(quán)重時。5.4 訓練驗證正常單獨推理時檢測結(jié)果亂飄現(xiàn)象訓練集 mAP 和驗證集 mAP 都正常但把模型放到視頻里做單幀推理時檢測框位置抖動明顯偶爾整幀漏檢CPU 上尤其嚴重。原因推理代碼沒有調(diào)用model.eval()。這個問題的本質(zhì)是批量歸一化層還在按訓練模式工作單張圖片推理時 BN 用當前 batch 的統(tǒng)計值而不是全局統(tǒng)計值而 batch1 的統(tǒng)計方差極大特征分布被嚴重扭曲。輕量骨干對 BN 擾動更敏感因為它的中間特征通道數(shù)更少。解決推理前強制切換模型狀態(tài)并關閉梯度計算model.eval() # 關閉 BN 的 batch 統(tǒng)計更新 with torch.no_grad(): preds model(img)邏輯說明model.eval()讓所有 BatchNorm 層改用訓練時保存的全局均值和方差這是一行代碼遺漏掉就是玄學。參數(shù)說明里還有一個細節(jié)如果推理服務是多線程的每個線程都必須拿到自己的模型副本不要多個線程共享同一個 model 實例否則 eval 狀態(tài)的切換會相互干擾出現(xiàn)偶發(fā)亂飄。6. 推理優(yōu)化與部署技巧ONNX 導出、int8 量化與一個基準測試習慣模型訓練好后如果你只在 PyTorch 環(huán)境里驗證那還沒有真正落地。這一章是部署前最值得花時間的部分。6.1 用 ONNX 做跨設備推理輕量模型也要跑通用格式PyTorch 模型直接部署會遇到版本綁定問題換臺機器就可能因為環(huán)境版本不一致而無法加載。先導出 ONNX后面無論是轉(zhuǎn)其他推理框架還是做混合精度優(yōu)化都會方便很多。導出代如下import torch model build_model(cfg) model.load_state_dict(torch.load(weights/best.pt, map_locationcpu)) model.eval() dummy torch.randn(1, 3, 416, 416) torch.onnx.export( model, dummy, mobilenet_yolo.onnx, input_names[input], output_names[boxes, scores], dynamic_axes{input: {0: batch}, boxes: {0: batch}, scores: {0: batch}}, opset_version12, )邏輯說明導出前必須model.eval()否則 BN 層會被當作訓練模式導出推理結(jié)果和你驗證時不一致。參數(shù)說明里dynamic_axes只把 batch 維度設成動態(tài)保持寬高為固定 416這樣在部分專用推理引擎上能得到更好的算子優(yōu)化。導出后用 ONNX Runtime 做一次推理和 PyTorch 的預測結(jié)果對比如果兩類結(jié)果的 box 坐標差異超過 1%大概率是導出時把后處理邏輯重復計算了或者是 eval 狀態(tài)沒設置正確。6.2 int8 量化把模型體積和速度再壓一檔MobileNet 骨干在 CPU 上的全精度推理已經(jīng)不錯了但真正上邊緣設備int8 量化帶來的收益仍然明顯。速度提升通常在 1.5 到 3 倍之間模型體積直接縮小到四分之一。用 PyTorch 自帶的動態(tài)量化可以快速驗證一下可行性import torch model_quantized torch.quantization.quantize_dynamic( model, {torch.nn.Linear, torch.nn.Conv2d}, dtypetorch.qint8, )邏輯說明動態(tài)量化只把權(quán)重轉(zhuǎn)成 int8激活值仍然按 float 計算實現(xiàn)成本最低。參數(shù)說明里有個關鍵點量化后必須重新跑一遍完整驗證集不能只看幾條樣本。輕量骨干的精度余量本來就小量化掉 1 到 3 個 mAP 點是平均水平如果你的任務本身對精確框位要求高建議改用量化感知訓練在訓練階段就模擬量化誤差最后的精度損失會明顯小很多。6.3 一個基準測試習慣固定視頻段測 200 幀平均時間很多人在 GPU 上測完幀率就覺得完成了但 MobileNet-YOLO 的價值恰恰體現(xiàn)在目標設備上兩者幀率差距可能有十倍。我的習慣是準備一段固定 10 秒左右的視頻包含不同目標尺度和光照變化每次優(yōu)化后都跑同一段視頻統(tǒng)計 200 幀的平均耗時。import time import cv2 import torch cap cv2.VideoCapture(benchmark.mp4) times [] model.eval() with torch.no_grad(): for i in range(200): ret, frame cap.read() if not ret: break img preprocess(frame).unsqueeze(0) t0 time.time() preds model(img) times.append(time.time() - t0) avg_ms sum(times) / len(times) * 1000 print(favg latency: {avg_ms:.1f} ms, fps: {1000 / avg_ms:.1f})邏輯說明統(tǒng)計的是端到端推理耗時不包括視頻解碼和預處理因為這兩部分受硬件影響太大分開測才能定位瓶頸。參數(shù)說明里preprocess必須和訓練時的預處理完全一致包括 resize 方式、歸一化參數(shù)、通道順序否則測出來的幀率沒有參考價值。我每次做完一個部署方案都會把這份基準結(jié)果和當時的模型配置、量化配置一起存檔。下次換方案時直接對比記錄而不是靠記憶。希望這個習慣能幫到你也歡迎你在自己的項目里試試這套組合輕量骨干加 YOLO 檢測頭真正跑起來之后你會對它有個全新的認識。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
色天使久久综合| 五月天激情视频五月天| 91久久18| 狠狠色婷婷| 激情网五夜婷婷| 四川BBB搡BBB爽爽视频| 九九色中文| 亚洲色热| 五月婷婷六月丁香色| 伊人五月天97| 色色色热| 五月婷婷官网色| 黄色成人网站在线播放| 99ER热精品视频| 玖玖热视频| 国产ava| 婷婷久久色| 天天爱天天做天天舔| 国产肥白大熟妇BBBB视频| 国产色五月| 国内久久亭亭| 日本乱子人伦在线视频| 色婷婷激情四射视频| 日韩啪啪视频| 黄色av网站在线免费播放| 国内外色色色色色成人视频| 激情五月图| 天天综合网~91| 99热| 九九热99精品| 97久久久久| 在线观看国产高清视频免费网站| 97操碰在线视频| 色六月天天激情综合网| 亚洲热综合| 国产99视频永久免费| 五月丁香六月婷婷综合| 北京熟妇搡BBBB搡BBBB| www.99热在线观看| 密桃激情五月天综合网| 99re这里只有精品99| 婷婷久久色五月婷婷久久久| 五月天综合视频| 色情免费视频播放| 色五月天影视| 成人免费高清在线播放| 一本色综合色| 五月天播播| 激情综合色五月丁香六月亚洲| 91激情五月开心| 嫩草AV久久伊人妇女超级A| 五月激情天天干| 中文字幕AV在线| 综合福利网| 99久久精品国产色欲| 狠狠做五月婷婷| 99热国产婷婷| 婷婷五月花.97| 99久久婷| 九九视频在线| 26uuu欧美亚洲日韩| 丁香婷婷超碰 | 六月婷婷视频| 五月天福利影院导航| 99九九视频| 99亚洲大片精品永久在线观看| 99视频在线播放大全| av中文字幕免费观看| 色五月琪琪| 亚州AV超碰人人操| 欧洲激情五月天婷婷| 91九色大屁股| 日韩精品一区二区刘| 疯狂做受XXXX高潮A片动画| 欧美va在线观看| 五月婷婷干| 五月天亚洲图片婷婷| 噜噜五月天综合| 国产成人网| 国产.亚洲.欧洲视频在线| 丁香六月婷婷色XXXX| 五月婷婷综合久久| 91pornav在线| 九九热青青草| AV亚洲在线| 婷婷六月色| 夜夜骑夜夜撸| 快色t v在线入口| 天天综合情| 大香蕉九九操| 热婷婷在线视频| 久久丁香五月天| 激情综合网址| 人妻视频在线| 狠狠色五月天| 五月天激情久久| 亚洲五月天狠狠| 久久激情网| 日本欧特黄色刺激一区影视久精品无码| 精品人妻午夜一区二区三区四区 | 国产精品色情AAAAA片软件| 任你爽免费视频| 五月天社区| Caop在线| 婷婷五月骚厕所| 91精品91久久久中77777| 国产精品色| 婷婷成人视频| 久久九九色| 思思久久99热只有频精品66| 婷婷丁香五月天在线| 久久黄色网扯| 99色看这里只有精品| 九九色色| 思思热久久阴99| 色色免费网站| 亚洲人妻av| 婷婷97碰碰| 97操碰人人| 婷婷五月丁香激情图片| 激情五月天福利| www.久99| ou洲色吧| 人操人人| 婷婷丁香五月91| 激情AV中文| 五月婷婷精品视频| 午夜日韩久久久网站| 婷婷99视频全集高清| 内射爽无广熟女亚洲| 9久热| 日本三级中国三级99| 五月婷婷色播视频| 超黄亚洲瑟瑟网站| 熟女五月天久久综合| 五月婷婷色色| www.sd-xiangsu.cpm| 亚洲性天天| 26uuu青青| www久| 久热这里只精品| 网色99| 久9久9热久热| 久久这里这里有精品免费视频| 99欧美| 婷婷操逼| 色色综合日韩| 操你av| 99爱免费视频在线观看| 噜噜噜久久亚洲精品国产品91| 色婷婷狠狠干芒果TV| 成年人看Va免费视频| 色色色.COM| AV天堂婷婷五月天| 五月六月婷| 99热官网| 五月婷婷片| 人妻久久久久久| 五月天社区| 激情五月天婷婷| 伊人五月天| 香蕉AV777XXX色综合一区| 午夜天堂一区人妻| 激情玖玖综合网| www.99在线| 久热9| 九九婷婷网五月天| 九九婷婷激情综合网| 人操综合| 91九色大屁股| 久久性爱视频免费| 婷婷五月天在线综合| 婷婷五月激情五月激情| 99九色视频在线观看| 久久五月天综合| 天天干天天爽| 色综合色综合色综合| 婷婷色中文| 久草A片| 中文字幕婷婷五月天| 天天 日综合| 狠色狠色综合久久| 欧洲亚洲免费视频9| 97人人射| 久久婷综合网| 翔田千里aV中文字幕| 99精品网站| 小视频久久久aaa| 91精品国产99久久久久久天美| 五月丁香综合在线| 五月婷婷黄网站大全| 欧美色色干| 婷婷五月中文在线| 丁香五月天激情免费在线观看AV777| 亚洲成人网站在线播放| 国产做A爰片毛片A片美国| 日韩99视频| 色999;丁香五月| www.金莲av| 天色综合网| 新97人人上人人| 狠狠人妻久久久久久综合丁香| 九九热这里只有精品一| 91碰| 99热综合在线观看| 亚洲成人网无码| 六月久久狠狠| 91超级碰| 一区视频网站| 激情五月丁香六月婷婷| 色色五月天激情| www.玖玖婷婷在线| 激情婷婷五月天伊人在线观看| 久久性爱视频网站| 欧美性生交XXXXX无码小说| 激情 婷婷| 色日本丁香婷婷| 99在线免费观看| 久草热久草在线视频| 99热销国产这里有精品| 性生活久久人妻| 五月激情小说网| 九月婷婷综合在线| 国产欧美日韩一区二区三区| 色噜噜狠狠色综合日日| cao久久| 亚洲性图一区二区三区| 中文字幕AV在线播放| 色啦啦视频| 色爽干| 婷婷五月综合色拍| AAAA网站| 操操综合网婷婷| 伊人春天av| 久热这里只有| 丁香五月激情五月色综合| AV堂狠狠干| 激情六月婷婷| 色婷婷aV四虎| 婷婷五月偷拍| 丰满少妇猛烈A片免费看观看| 伊人网大香| 超碰1999| 色婷婷中文| 五月激情日本在线| 五月丁香六月婷综合成人综合| 婷婷五月激情小说| 色色亚卅| 一本道在线电影| www.色综合| 激情六月天婷婷| 99久久精品免费精品国产_国产精品久久久久久_国产在线|日韩_久久国产精品电影 | 色香久久| 天天日天天爽夜夜爽| 亚洲亚洲人成综合网络| 电影蜘蛛女| 色婷婷在线播放| 久久99精品久久久久久青青AR| www.五月天。com| 99性爱视频| 永久精品| 精品三区影院| 天天性视频| 激情综合五月色丁香婷婷 | 日日色五月天| 99re6在线视频精品免费| 亚洲综合久| 亚洲综合另类| 色狠狠综合入口| 中文字幕乱轮| 97涩婷婷婷婷基地| 婷婷五月天在线观看第二页| 婷婷五月综合丁香久久| 色婷婷五月天小说| 影音先锋男人AV资源站| 天天射色五月天| 激情五月成年| 只有久久精品免费| 亚洲九九99精品视频在线播放| 婷久看人爽| 久9热| 五月婷婷啪啪| 天天操天天干天天日| www.五月婷婷| av狠狠操| 国庆精品久久| 第九色区av天堂| 激情五月图| 久久性爱视频网站| 亚洲激情校园| 荫道BBWBBB高潮潮喷| 99热6这里之有精品| 五月丁香影院| va婷婷在线| 五月婷婷激情综合视频| 超碰免费观看| 激情VA视频| 东京热人妻一区二区三区在线| 亚洲最大五月天成人网| 日本色色影院| 91碰超| 久99综合婷婷| 色情五月婷婷| 色六月丁香婷婷狠狠干| 色www久视频| 狠狠狠五月婷婷六月丁香| 婷婷99综合| 五月涩涩网| 久久44| 色欲天天综合| 久久的爱大香蕉| 久久久人妻| 亚洲六月婷婷| 九九成人视频| 99性爱精品| 一本狠婷婷综合| www夜夜操| 大天天伊人| 婷婷五月天综合久久| 丁香五月婷婷黑人妻黄色电影院| 九九综合| 影音先锋 婷婷| 99视频免费播放 | WWW.五月com| 色婷婷电影网| 超碰人人在线| 99ri国产| 99激情网| 原琪琪色影院| 日韩av在线免费观看| 亚洲精品视频在线| 久久综合五月天| 婷婷色一二三区波多野结衣| 五月婷九月| 亚洲12p| 欧美一级色| 婷婷在线精品| 成人在线视频网| 日韩精品一区二区亚洲AV观看| 五月天激情小说欧美激情| 婷婷五月天激情综合深爱| 99热这里只有精品亚洲| 五月婷婷香蕉| 亚洲热久久| 大香蕉五月天婷婷| 久久久久网站| 99热国品| 五月丁香婷婷成人综合网| 婷婷丁香五月色偷偷| 色婷婷久久综合中文久久一本| 色综合色欲综合天天免费| 嫩草视频。| 久久久性爱视频| 五月天丁香啪啪综合| 伊人香大香蕉视频| 超碰免费成人| 五月天激情图| 97久久久久| 99精品成人无码A片观看金桔| 欧美婷婷色五月| 九九热精品99| 97超碰免费超级在线观看| 国产偷人妻精品一区| 综合色情网| 99热久久这里只有精品| 91人碰| 99热精品网| 久热天堂| 97自拍视频在线| 五月天久久网站| 9 1超碰九色| 三级毛片视频| 综合色色网| 新激情五月开心五月婷婷五月丁香五月| 亚洲超碰在线| 严洲天天插| 久久久久久9| 国产真实乱了老女人视频| 爱婷婷都市激情| 婷婷丁香五月激情综合站_久久五月丁香激情综合_开心五月综合激情综合五月_婷 | 五月天婷婷色情| 婷婷五月天福利| 日本va欧美va欧美精品88| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 五月天婷婷基地综合网| 丰滿爆乳一区二区三区| 天天干天天操天天爽| 99免费视频网| 色亚洲视频| 亚洲精品视频电影| 国产在线网址1| 色情综合网| 情婷婷五月天| 五月情四婷婷| 欧美影院婷婷| 天天射色五月天| 激情婷婷五月天| 激情第四色| 五月丁香婷婷激情在线| 九九色影院| 国产乱轮一区二区三区| 九九成人视频| 97av在线视频| 色99色| 精品人妻久久久| 国产熟妇的荡欲午夜视频| 色色a| 色五月婷婷五月久久| 五月停停999| 亚洲av另类在线观看| 欧美久久婷婷| 亚洲九九视频| 五月激情综合网婷婷| 丁香五月97视频| 99久久精品色老| 五月丁香色婷婷婷基地| 欧美激情-区二区三区| 婷婷婷婷婷婷婷婷| 99久在线精品99re8| 99热久久这里只有精品| 青青久久大香蕉| 91婷婷在线| 丁香婷婷免费| 丁香五月天啪啪| 99在线精品观看99| 久久久久久五月天| 婷婷99| 另类激情综合| 97极品在线| 婷婷五月综合激情免费| 五月天伊人日日噜影片AV| 性色99| 五月天婷婷操逼视频| 色综合久久久久| 日操熟女| 91精品久久久久| 亚洲99手机免费看视频 | 伊人干综合| 九九热婷婷| 亚洲99一级无嗎特制在线| 久操欧美在线观看97| 日本三级中国三级99人妇网站| 五月丁香六月婷综合成人综合| www久久99| 免费AV在线网址| 九九中文色色| 五月停亭久久电影| 9999热在线| www.wuyuetian啪啪| 午夜69成人做爰视频| 色五月人妻| 欧美日韩99| 色狠狠综合网| 色婷婷免费观看| 精品爆操| 丁香六月激情| 五月婷网| 国产成人+综合亚洲+天堂| 國語久久婷| 国产精品色婷婷99久久精品| 影视av久久久噜噜噜噜噜三级| 五月婷婷丁香| 大香蕉伊人99| 99综合视频| 亚洲中文字幕av| 五月伊人网| AV在线观看网站| 久碰婷婷视频| 婷婷五月丁香综合| 久久性爱视频网站| 亚洲操操| 99精彩视频网站在线| 欧美成人AAA片一区国产精品| 国产FREESEXVIDEOS性中国| 五月天激情小说| 丁香六月综合激情| 青青草国产亚洲精品久久| 99操99| 色五月婷婷中文字幕| 99久久九九| 婷色五月| 激情98色婷婷五| 抽插特写| 激情婷| 九九无码| 国产成人精品一区二三区熟女在线 | 丁香五月激情六月欧亚激情综合导航 | 欧美性猛交99久久久99| 五月天激情久久| 91婷婷丁香| 激情综合网丁香| 六月丁香激情综合网| 久热这里这里有精品| 综合婷婷六月| 就爱射中文字幕资源网| AV操操操| 强伦轩人妻一区二区电影| 玖玖爱综合网| 99热这里是精品| 国产肥白大熟妇BBBB视频| 国产熟妇乱子伦hd| 丁香五月伊人| 色噜噜97视频在线观看| 婷婷丁香社区网| 成人片久久网站| 丁香桃色综合网| 婷婷五月丁香六月天亚洲综合| 国产精品VA在线| 婷婷娌伦网| 色播五月丁香| 99爱爱| 青青草激情网| 成人AV在线中文版| 99啪在线| 草综合网| 色五月综合婷婷| 婷婷噜噜| 九九色综合九九色| 色婷婷亚洲婷婷| 九九久久9 9在线观看| 九九九九九九毛片| 欧美性二区| 五月丁香狠狠地噜噜噜噜| 天天天综合网| 天天综合.com| www.99热视频| 久操无码| 99干日日干| 久久天堂精品| 精品99这里有| 亚洲五月色| 亚洲精品国产setv| 精品亚洲国产成AV人片传媒| 九九综合图片网| 欧美在线视频99| 久久婷婷操| 婷婷五月天综合AV| 啪啪啪大香蕉| 婷婷五月综合色中文字幕| 日韩九九视频| 色播婷婷五月天| 激情六月婷婷| 日本一级淫| 国产在线自| 亚洲丁香婷婷五月天综合色| 手机免费福利视频| 99在线观看精品视频| 91呦呦呦| 久久xx| 懂色AⅤ| www.zbzhongsen.com| 三级av在线| 久久九九玖玖| 色狠狠色狠狠| 五月婷婷香| 亲子乱AV-区二区三区| 色哟哟精品| 欧洲亚洲激情五月天在线| 爆乳熟妇一区二区三区爆乳| 91在线操逼视频| 中美日韩成人在线| 99免费热视频| 97碰在线视频| 超碰无码318604| 五月婷伊人| 丁香五月激情网| 97很鲁在线视频| www.色9| 天天做 天天爱| 精品成人无码A片观看香草视频| 久久99精品久久久久久三级| 丁香五月天天久久综合小说| 亚洲旡码| 天天天操天天天日| 免费看欧美成人A片无码| 91精品啪| 精久久色| 91狠狠综合久久久久久| 激情文学第四色婷婷丁香五月| 五月天婷婷影院影院| 国产亚洲99久久精品| 色约约视频一区二区三区四区五区 | 丁香综合日产精品久久| ww亚洲ww在线观看| 99爱精品| 9|在线观看视频| 色五月婷婷基地| 国产精品VA在线| 免费三级黄色| 免费AAAAA网| 伊人五月综合网| 久久久久久久久18久久| 丁香丁香激情网| 五月激情婷婷综合| 久久国产高清| 无码人妻一区二区三区免费九色| 色婷婷电影网| 九九热在线观看6| 精品久久这里热66| www91色网站| 婷婷爱综合| 99视频内射三四| 日本WWW九九九| 99青青草| 五月婷婷香蕉视频| 五月丁香网站在线播放| 五月综合无码| 综合婷婷久久| 久99久在线观看| 99精品久| 九九精品视频在线6| 99热国品| www.激情五月天.com| 91一起操| 九九热视频99| 91AV婷婷| 五月丁香激情四射| 丁香五月社区| www,99色| 色激情五月| av在线婷婷| 五月婷综合性中心| 国产SUV精品一区二区883| 丁香五月六月久久综合 | 免费播放片大片| 9久热在线精品| 五月之婷婷| 五月天丁香婷婷视频网址| 嫩草综合网| 亚洲乱码日产精品BD在线观看| 天天肏屄夜夜爽| 五月丁香| 99色色热| 99久久婷婷| AV在线大香蕉| 婷婷五月天av| 亚洲AV成人片无码网站| 午夜大香蕉| 99热超碰| 亚洲无码99| 狠狠色五月激情| 综合色图区| 人人干人人干骚美女| 五月天偷拍| 日本本土色网第一区| 天天干天天干天天| 亚洲综合激| 免费观看18视频网站| 婷婷5月色| 精品一二三区久久AAA片| 婷婷丁香五| 国外亚洲成AV人片在线观看| 婷婷狠狠五月综合| 俺也去色| 99.色| 五月丁香六月停停停| av中文网站| 五月婷婷www| 97操碰在线视频| 狠狠99| 99操视频| 国产精品久久在线观看技巧| 777影视理论片大全在线观看 | 怕怕av| 开心激情婷婷| 五月天色综合服务平台| 免費观看aV在线网址| 久久小片| 国产精品人妻在线网址| 亚洲午夜av| 四月婷婷五月色综合| 日本99视频| 五月丁香啪啪综合网| 99色人| 六月丁香激情| www.久久久久| 99精品无码| 国产乱妇乱子伦| www久久久久| 色婷婷五月在线| 97色色色色色色色| 日韩无码AV电影网站| 婷婷开心久久| 天天日夜夜欢| 天天日天天插| 激情网婷婷婷| AV色婷婷| 国产精品涩涩涩视频网站| 能看的AV网站| 色婷婷情片| 天天骑天天操| 丁香五月天精品| 久久五月天免费网站| 欧美熟女99| 丁香五月 综合| 182tv992tv人之初午夜免费观看| 天堂综合久| 久久久人妻人伦| 午夜亚洲AV日韩无码| 亚洲操B| www.zbzhongsen.com| 99re在线播放| 情久久综合五月天| 97超级碰人人| 久热91精品| 色婷婷五月天亚洲| 天天婬色综合| 91精品综合久久久久久五月丁香| 青青草护士中出内射-欧美电影在线天堂新版| 婷婷激情97| 丁香五月天啪啪| 色狠狠六月| 九九视屏| 做爰丰满少妇1313| 99热这里只有精品在线观看| 狠狠五月激情在线| 激情五月天色色色| 91精品综合久久久久久五月丁香| 66精品成人免费网站在线观看| WWW色色色COm| 少妇2做爰HD韩国电影| 五月丁香六月婷婷啪啪| 五月天亚洲最大成人| 婷婷狠狠狠爱| 婷婷五月影院| www婷婷| 天天摸天天舔在线视频| 丁香五夜激情四射夜夜夜| 99re这里只有| 亚洲免费婷婷| 丁香五月天色| 激情綜合網址| 婷婷久久丁香| 久久丝丝热| av超碰在线| 五月丁香综合激情| 五月婷婷在线免费观看 | 九九人人自拍| 激情四射亚洲| 中文字幕在线日亚洲9| 91大屁股| 色香蕉影院| 亚洲中文字幕在线电影| 五月天色图| 狠狠色97| 狠狠狠狠狠草| 九九精品网站| 欧美人人女女精品综合五月天| 国产精品色| 色婷久| 久久九九蜜| 在线va网站| 99色久| 91色性感五月婷婷丁香| 九九这里只有精品| 99热这里只有精品86| 精a品a视a频| 九九99偷拍视频| 五月婷婷深深爱| 精品人妻伦一二三区久| 日本五月丁香| 那里有AV网址| 香蕉网久久| 婷婷五月欧美综合| 色婷婷六月| 99热97| 亚洲性爱日韩无码| 婷婷亚洲日本| 五月丁香久| 丁香五月色激情| 丁香五月在线播放| 五月丁香成人| 五月丁香色| 色情一区二区播放| 五月天天天综合| 开心五月综合激情网| 五月婷婷亚洲综合在线| 97日韩无套内| 超碰人人在线| 亚洲AV综合在线观看| 操骚货在线| 亚洲五月天婷婷综合| 成人婷婷五月天| 亚洲超碰在线| 五月丁香激情四射| 五月天婷婷久草丁香| 婷婷五月天 丁香五月天 裸体| 六月色婷婷| 天天色天天操天天射| 99热1| 79精品视频在线观看,| 色5月婷婷| 日韩人人操| 欧美日本日韩| 内射爽无广熟女亚洲| 亚洲综合五月天| 亚洲第一黄网| 婷婷五月丁香色综合| 五月综合无码| 色爱亚洲| 成人超碰Av| 亚洲人妻五月丁香婷婷| 国产色五月婷婷| 天天日夜夜操五月| 婷婷丁香五月精品| 97激情五月天| 五月丁香 久久久| 樱花99视频| 婷婷五月天狠狠| 5月激情天| 亚洲超碰在线| 人人九色| 色婷婷9| 五月丁香六月成人| 国产色网站| 五月丁香六月婷婷色日| 激情五月天综合婷婷网| va亚洲中文在线| 日日夜夜久| 亚洲av综合网| 国产黄大片在线观看画质优化| 人操人人| 欧美A级网站| 激情丁香五月激情婷婷| 九九热最新| 亚洲成人免费电影| 婷婷.com| 久久久大香蕉| 亚洲十月婷婷综合| 九九热思思| 激情视频网址| 国内精品99| 婷婷激情性爱| 襙逼网| 日本天天操| JAPANRCEP老熟妇乱子伦视频| 五月丁香花激情啪啪网| 色婷视频| 天天檫天天爽| 婷婷色中文字幕| 九九99精品免费播放| 婷婷久久性爱| 天天色伊人| 天堂综合久| 五月婷婷激情网| 五月婷婷六月丁香首页| 丁香六月婷婷五月天| 久久九九热视频| 亚洲综合五月| 亚洲AV永久无码影院黑人 | 久大香蕉| 婷婷热婷婷色| 91碰超| 嫩草AV久久伊人妇女超级A| 人人干女人| 婷婷五月在线| 婷婷五月天伊人在线| 色丁香影院| 日韩操人| 欧美激情伊人| 26uuu国产精品| 夜夜大香蕉婷婷丁香| 麻豆WWWCOM内射软件| WWW色色色COm| 天天干天天操| 婷婷五月激情中文字幕| 伊人成综合五月婷婷| oumeisesewang| 一区二区免费看| 99国产在线精品视频| 婷婷综合亚洲| 五月婷婷综合精品| 丁香五月天激情综合| 欧美日韩五月婷婷| 天天爽日日搞| 九九色热| 国产色视频网站2| 色色色视频免费无码 | 狠狠色噜噜色狠狠狠综合色| 久久人妻乱子伦| 91丨九色丨丰满人妖| 成人国产欧美大片一区| 大香蕉九九热| 可似看的AV| 极品少妇XXXX精品少妇偷拍| 大香蕉免费9| 五月色婷婷AV| www.色婷婷.com| 亚洲网站999| 国内精品玖玖| 久久人人看| 九九这里是免费的视频5| 色五月丁香伊人| 日本片日本片祼观看网站在线看中文版网页在线看 | 久久只有18视频| 99免费在线视频| 欧美日朝成人| 五月丁香六月激情| 激情五月天天| 99视频色在线观看| 婷婷综合色图| 国内久久久精品99| 婷婷五月天激情AV影院| 少妇高潮A片无套内谢麻豆传| 婷婷九月亚洲| 五月婷婷六月丁香在线| 精品国产AV色一区二区深夜久久| 99免费热在线精品| 婷婷五月丁香91| 色五月,婷婷大香蕉| 五月婷婷插一插| 免费视频无码| 五月婷色色| 色99色| 天天色五月婷婷91久久久久久久| www.五月天婷婷姐姐| 激情综合网激情五月欧美| 五月天激情小说网| 五月婷婷啪啪啪| 五月婷婷六月激情| 久热爱大香蕉在线蜜臀悦色| 亚州日本欧州韩美高青高潮一| 99热这里只有精品在线| 色综合激情| 热久国产| 婷婷成人在线| 婷婷六月情| 97色精品视频 | 操笔无码| 激情五月综合网| 这里只有精品亚洲| 婷婷在线综合| 久re热视频| 国产精品久久久海的味道| 五月婷久久综合| 天天色综合网吨吧| 亚洲成人AV电影在线| 婷婷六月网| 国产成人一区二区三区在线观看| 影音先锋xfplay资源男人网| 夜夜撸天天操| 婷婷午夜| 99re8这里只有精品99re8热视频| 婷婷五月花| 欧美 日韩 成人 在线| 在线观看亚洲AV| 另类激情中文| 国产免费一区二区三州老师F1F1……| 五月天婷网| 精品人妻在线免费观看| 伊人狠狠综合| 久草婷婷在线| 天天看夜夜看| 三男玩一女三A片| 亚洲视频色色| 疯狂做受XXXX高潮A片动画| 婷婷综合网在线| 99久久综合| 婷婷,五月天,丁香,第一| 综合色99| 都市激情五月婷婷综合| 欧美操人| 五月丁香999| 在线观看国产高清视频免费网站 | 热久久国产视频| 久久婷婷五月综合色欧美| 国熟女视频| 91狠狠色丁香婷婷综合久久狠丁香综合久久精品 | 五月丁香婷婷久久| 精品亚洲国产成人A片在线鸭王| 婷婷色五月亚洲| 色色色色欧美| 欧洲综合色| 成人在线观看国产| 淫荡综合网| 超碰A V在线| 国产综合网在线| 99视频在线观看视频| 亚洲操b| 特级操b片| www.五月婷婷| 日本人妻A片成人免费看片| 亚洲中文字幕网| 大香蕉丁香婷婷| 日日爽日日爽| 色婷久| 久久精品人妻| 色色丁香婷婷综合| 日本狠狠色| 日日天天操| 久久婷青青草原| 色色网五月激情| 色天堂97| 激情综合亚洲| 国产夫妻操逼内射视频| 97人人草| 久久婷婷五月草视频在线播放| 射婷婷中文字幕| 骚。com| 久久丝袜婷婷| 日本三级中国三级99人妇网站| 婷婷激情五月天网站| 黄网在线免费| 五月婷婷在线免费| 9热视频在线观看| 夜夜爽天天干| 色综合五月婷婷狠狠干| 九九久99免费视频| 六月丁香综合| 69热在线| 国产美女无遮挡裸体毛片A片| 激情五月综合网最新 | 色五月视频无码播放| 日本色色视频| 国产精品国产| 婷婷色女| 搡BBBB搡BBB搡18| 九九视频这里有精品| 十区AV| 狠狠色综合网| 色性日本| 4438国产免费看| 五月色婷婷综合| 五月天色婷婷视频| 欧美婷婷丁香五月| 99热精品在线播放| 丁香五月瑟瑟| 月色色综合婷婷网| 九九色影视| 色五月丁香激情| 1024亚洲| 激情綜合W W W,激情五月天| 亚洲人妻一区二区 | 99乱视频| AV九九| 国产XXXX搡XXXXX搡麻豆| 99热激情| 99热9| 玖玖91| 中文AV在线播放| 婷婷五月天777| a级毛片一区二区免费视频| 婷婷五月色| 欧洲永久精品| 99九九99九九九视频精品| 久久艹99| www.国产亚洲69ty.久久久久久久久久久久 | 伊人午夜综合色啪| 在线网黄| 久草热久草在线视频| 五月婷六月| 99热九九这里只有精品| 国产亚洲AV人片在线| 超碰人人操在线| 婷婷激情六月综合| CAoub青青超碰| 亚洲色久| 五月丁香激情综合网| 久久最新色色色| 超碰在线网站9| 色哟哟精品| 米奇影视资源777狠狠色婷婷五月天激情网| 五月婷婷日| 国产精品一区在线观看你懂的| 欧美国产一区二区三区| 超碰成人免费| 激情久久伊人| 天天综合网在线| 九九操操| 丁香五月婷婷色综合| 91精品久久久久久久| 色色综合视频| 色就是色婷婷五月亚洲激情| 9在线9在线婷婷在线国产| 激情五月小说婷婷| 深爱激情69热| 天天婷婷综合| 九九99在线视频| 成熟妇人A片免费看网站| 亚洲综合激情五月久久| 五月天婷亚洲天综合网综合| 久久嘟嘟丁香| 久久综合久色欧美综合狠狠| 久久婷婷色色| 亚洲精品性色| 五月天婷婷免费| 2025超碰| 思思热视频| 99久久网站| 丁香婷婷激情五月色| 久草视频一,二三四| 九九色播五月丁香| 久久九九99字幕| VA色婷婷| 久久五月天激情婷婷| 99热18| 丁香狠狠色婷婷| 丁香婷婷六月激情综合| 久久久激情| 色噜久| 日韩一区二区A片免费观看| 亚洲在线操| 九一99| 26uuu色噜噜精品一区| www.yw色| 久久婷婷青青草| 99热国产| 操操操AV| 婷婷爱综合| 婷婷色五月丁香六月欧美啪| 中文字幕婷婷在线| 五月婷婷六月激情| 99操碰| 亚洲性视频| 激情六月日韩| 丁香成人综合| 婷婷丁香射射| 99re热99| 日韩黄色AV无码| 国产偷人爽久久久久久老妇APP| 天天色色天天| 午夜成人综合| 99无码黄色视频| 99成人无码| 777.色色| 五月激情综合网| 亚洲午夜一区二区| 五月丁香综合中文| 日本啪啪天堂| 婷婷五月18永久免费网站| 丁香六月婷婷| 丁香五月久久| 色五月婷婷操逼| 亚洲最大视频| 人人做天天爱| 深爱激情网婷婷| 婷婷丁香五月天哟啪| 99狠狠| 激情丁香五月天图片| 五月婷婷玖玖综合玖玖爱| 国产AV一区二区三区日韩| 五月综合视频| 美女激情综合| 日韩啊啊啊| 色婷婷六月丁香综合欲精品| 婷婷五月天首页| 婷婷操逼网| 密臀久久| 婷婷五月天最新综合你懂的 | 日韩啪啪网| 婷婷五月天丁香| 色香欲综合| 99在线精品视频免费观看20| 丁香开心深爱| 99热 免费| 久久久久久xxxxx| 婷婷色色网| 亚洲AV中文在线| 久久伊人9| A1片久久| 婷婷五月丁香A∨| 婷婷五月欧美| 91久久18| 91人妻人人操| 五月婷婷伊| 日本操B视频| 日韩限制级大尺度黑料泄密大尺度视频一区二区在线观看 | 狠狠干2007| 欧美va视频不用播放器的va视频网| 国产激情综合| 97干在线视频| 日韩成人网址| 婷婷六月啪啪| 婷婷无码视频| 91九色国产| 五月丁香婷婷婷激情爱爱| 亚洲免费av观看| 中文字幕网站在线观看| 91精品综合久久久五月天| 无码一级片| 狠狠综合区| 欧美乱码国产一级A片| 九月av在线| 五月天丁香婷婷社区| 婷婷综合av| 激情五月综合第一页| 67194中文字幕| 五月丁香六月激情综合| 九热精品| 久色网址| 7超碰自拍| 丁香五月婷婷黑人妻黄色电影院| 国产激情综合| 狠狠大香婷婷爱| av在线超清中文| 梁铮版《蜘蛛女侠》在线| 久久色天堂| 日本操B视频| 婷婷天天婷婷天天澡| 无码色| 97色永久免费视频| 五月综合激情| 丁香五月情| 亚洲丁香花色| 夜夜操狠狠操| BBWCUCKOLD精品熟妇| 丁香婷婷五月份| av操B网站| 色婷婷色综合| 91精产一区三区免费观看| 日本婷久久| 丁香无月在线观看| 五月人人丁香婷婷五月人人丁香| 丁香五月激情六月综合| 婷婷五月天激情丁香| 天天天操天天天日| 综合网啪| 日本一级一级一级一级| 丁香五月婷婷啪啪| 天天色综网| 日本9区视频| 五月丁香色婷婷久久| 大香蕉久久久久| 天天艹天天综合网| 激情五月天啪啪| 五月婷婷丁香狠狠撸久久| 久久婷婷视频| 色99视频| 图片区 小说区 区 亚洲五月| 无人区码一码二码三码医生系列| 激情5月婷婷| 99热999| 97久久人人操| 大波美女VA网站| 丁香五月综合在线观看| 五月天色视频| 五月天开心网| 婷婷色播婷婷| 一本大道嫩草AV无码专区| 免费日本aⅴ中文字幕 | 岛国在线观看91| 777久久久| 国产一级片| 99re思思热这里| 色五月中文网| 97碰碰视频在线观看| 色色色网站| 国产av天天插天天操天天爽| 99碰视频| 丁香六月婷婷综情欧美| 大伊久久| 少妇人妻人伦A片| a网站免费观看| 蜜乳av一级av| 大香av| 六月丁香婷婷色狠狠久久| 久久这里只有精品16| 亚洲精品99| a在线观看| 免费看欧美成人A片无码| 国产永久一黄| 五月天婷婷色在线视频免费观看 | 婷婷趴趴| 人妻操逼| 六月丁AV| 中文字幕在线日亚州9|