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。

生活垃圾分類識別實戰(zhàn):基于CNN與TensorFlow的128×128輕量模型

生活垃圾分類識別實戰(zhàn):基于CNN與TensorFlow的128×128輕量模型 簡介面向高校電子信息、計算機(jī)等相關(guān)專業(yè)學(xué)生尤其是正在開展圖像識別與深度學(xué)習(xí)課題研究的人提供一份可直接參考的本科畢業(yè)設(shè)計論文《基于深度學(xué)習(xí)的生活垃圾分類識別算法的研究》。論文針對城市化背景下的垃圾分類需求提出基于圖像處理的分類方法系統(tǒng)闡述了帶標(biāo)記數(shù)據(jù)收集、128×128降維生成新圖像、神經(jīng)網(wǎng)絡(luò)參數(shù)調(diào)整與多輪實驗等核心環(huán)節(jié)最終訓(xùn)練出分類準(zhǔn)確率達(dá)93%以上的模型內(nèi)容覆蓋從問題分析到模型評估的完整流程可幫助讀者快速借鑒算法設(shè)計與實驗方法。資源為單個docx文檔整體僅631KB包含中英文摘要、目錄、引言、研究方法、實驗與結(jié)論以及附錄中的核心代碼結(jié)構(gòu)清晰便于按章節(jié)研讀。目前已有82人學(xué)習(xí)下載適合需要快速獲取垃圾分類深度學(xué)習(xí)參考資料的讀者用作論文寫作或課題起步的重要參考。1. 生活垃圾分類識別128×128降維CNN拿到93%準(zhǔn)確率晚上下樓扔垃圾站在四個垃圾桶前舉著外賣盒猶豫這種場景幾乎每周都發(fā)生。這篇論文做的就是生活垃圾分類識別用圖像識別算法自動判斷垃圾屬于哪個類別。整套方案技術(shù)棧是tensorflow加keras先把原始垃圾圖像統(tǒng)一壓縮成128×128再扔進(jìn)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練最終分類準(zhǔn)確率在93%以上。最打動我的點是它沒有堆顯存和服務(wù)器一臺普通PC就能訓(xùn)完正好解決圖像分類項目「算力不夠就翻車」的老大難問題。適合正在做畢業(yè)設(shè)計、或者想用深度學(xué)習(xí)做一個小型圖像分類落地的開發(fā)者。2. 項目定位與技術(shù)選型有標(biāo)記數(shù)據(jù)、圖像壓縮和CNN的三角關(guān)系2.1 數(shù)據(jù)從哪里來有標(biāo)記的原始圖像是一切的前提整篇論文反復(fù)強(qiáng)調(diào)一個前提原始數(shù)據(jù)必須有標(biāo)記。這其實是整個項目的地基。垃圾分類是典型的監(jiān)督學(xué)習(xí)問題每一張垃圾圖像必須對應(yīng)一個標(biāo)簽?zāi)P筒拍軐W(xué)到「這種紋理加這種顏色約等于塑料瓶」的映射關(guān)系。如果數(shù)據(jù)沒有標(biāo)簽后面所有訓(xùn)練、評估、預(yù)測都無從談起。收集垃圾圖像數(shù)據(jù)的常見做法有兩條路第一條是直接用公開的垃圾分類數(shù)據(jù)集網(wǎng)上有不少按類別分好文件夾的圖片集分類通常覆蓋可回收物、廚余垃圾、有害垃圾、其他垃圾這幾個大類第二條是自己拍把快遞盒、飲料瓶、果皮、廢電池各拍幾十張按類別放進(jìn)不同目錄。這一步容易被低估我拆過不少圖像分類項目數(shù)據(jù)不整理好后面準(zhǔn)確率再高也是虛的。這個項目里雖然沒有展開講數(shù)據(jù)來源細(xì)節(jié)但從附錄代碼的組織方式看它就是「根目錄/類別名/圖片文件」這種最樸素也最不容易出錯的目錄結(jié)構(gòu)遍歷目錄就能自動生成文件名和標(biāo)簽的對應(yīng)關(guān)系比手寫標(biāo)注文件省事得多。2.2 128×128圖像壓縮算力和準(zhǔn)確率之間的平衡點這個項目最值得借鑒的設(shè)計就是圖像壓縮降維。原始垃圾照片可能是幾百萬像素直接塞進(jìn)神經(jīng)網(wǎng)絡(luò)第一個全連接層的參數(shù)量就是天文數(shù)字。正文里提到的高維數(shù)據(jù)計算量膨脹問題本質(zhì)就是維度災(zāi)難相鄰兩層之間的計算量會指數(shù)級上漲普通PC根本扛不住。把圖像統(tǒng)一縮到128×128像素總量變成原來的幾十分之一訓(xùn)練速度和顯存占用都大幅下降。關(guān)鍵在于128×128這個尺寸不是隨便拍的。它是在「保留信息」和「節(jié)省算力」之間試出來的。圖像縮太小塑料瓶上的紋理、紙箱的瓦楞這些判別特征全丟了模型淪為瞎猜縮太大訓(xùn)練時間翻倍但準(zhǔn)確率提升有限。從實驗效果看128×128在廉價PC上的訓(xùn)練時間和93%以上的準(zhǔn)確率都說明這個尺寸是劃算的。另外統(tǒng)一尺寸還有一個容易被忽略的好處模型輸入維度固定訓(xùn)練和預(yù)測時不需要處理變長數(shù)據(jù)代碼邏輯能簡化不少。正文還提到將RGBA圖像轉(zhuǎn)成L模式灰度圖來降維但在實際落地中我建議用RGB三通道因為很多垃圾的判別信息在顏色上比如可樂罐的紅色和綠瓶的綠色灰度化會把這類信息丟掉。2.3 為什么選CNN而不是SVM特征和分類器端到端一起學(xué)正文里列了SVM、線性回歸、邏輯回歸、k-means、貝葉斯等方法最后選了卷積神經(jīng)網(wǎng)絡(luò)理由很直接圖像分類場景下CNN能把特征提取和分類器端到端一起學(xué)出來。SVM這類傳統(tǒng)方法需要先手工設(shè)計特征比如顏色直方圖、紋理特征特征設(shè)計得好不好直接決定效果上限。垃圾類別之間的視覺差異極大塑料瓶、紙箱、果皮、電池的紋理和顏色完全不同手工特征很難有一套通吃的方案。CNN的局部感受野機(jī)制在這里特別契合。一張垃圾圖像里瓶蓋的螺紋、紙箱的瓦楞紋理往往是局部信息卷積核用一個小窗口從上到下、從左到右掃過圖像天然能捕捉這種局部模式。再通過池化層降低采樣率保留主要特征的同時進(jìn)一步壓縮計算量。正文里提到的AlexNet等經(jīng)典結(jié)構(gòu)證明了加深網(wǎng)絡(luò)層數(shù)能提升圖像分類效果但副作用是參數(shù)規(guī)模暴漲所以這個項目沒有直接照搬大網(wǎng)絡(luò)而是借鑒思路手搭了一個輕量級CNN。框架選型上項目用的是tensorflow加keras正文給出的理由是作者掌握且安裝簡單。這個選擇放在今天依然合理keras的Sequential API寫一個小型CNN只要十幾行代碼對快速驗證模型思路非常友好。PyTorch雖然生態(tài)更活躍但在這個項目的低算力、快速落地場景里沒有本質(zhì)優(yōu)勢。2.4 訓(xùn)練流程總覽從原始圖片到93%模型的五個步驟整個項目的數(shù)據(jù)流可以拆成五個環(huán)節(jié)圖像壓縮、圖像處理存儲、數(shù)據(jù)集分割、模型訓(xùn)練、預(yù)測。前兩步是數(shù)據(jù)準(zhǔn)備把原始照片變成模型能吃的張量第三步是數(shù)據(jù)劃分把樣本拆成訓(xùn)練集和測試集第四步是訓(xùn)練出模型文件第五步是拿新圖片走一遍推理鏈路。這跟常規(guī)機(jī)器學(xué)習(xí)研究步驟完全一致原始數(shù)據(jù)、預(yù)處理清洗、模型訓(xùn)練、模型評估、應(yīng)用預(yù)測。用一句話概括這條鏈路原始垃圾照片 → 統(tǒng)一壓縮到128×128 → 轉(zhuǎn)RGB后歸一化到0-1并存成npy文件 → 按8比2切分訓(xùn)練測試集 → 送入CNN訓(xùn)練得到h5模型 → 加載模型對新圖片預(yù)測并輸出類別概率。這個流程里沒有復(fù)雜的工程組件每一步都是獨立腳本想改哪一環(huán)就動哪個文件。如果以后想部署成HTTP服務(wù)只需要把預(yù)測腳本包成一個函數(shù)用Flask或者FastAPI暴露一個接口就行這部分后面展開。3. 核心代碼拆解附錄1到附錄5的完整實現(xiàn)鏈路論文的代碼全部放在附錄1到附錄5五個腳本對應(yīng)五個環(huán)節(jié)正好覆蓋一條完整的圖像分類數(shù)據(jù)流。附錄功能輸入輸出附錄1圖像壓縮任意尺寸的原始圖片128×128統(tǒng)一尺寸圖片附錄2圖像處理存儲壓縮后的圖片目錄X.npy、y.npy、類別清單附錄3數(shù)據(jù)集分割X.npy、y.npy訓(xùn)練集和測試集附錄4模型訓(xùn)練訓(xùn)練集和測試集garbage_model.h5附錄5預(yù)測新垃圾圖片類別名稱與置信度下面按順序逐段拆每個腳本都會給出核心代碼和參數(shù)說明。3.1 附錄1圖像壓縮把任意尺寸統(tǒng)一到128×128# 圖像壓縮將目錄下所有原始圖片統(tǒng)一壓縮為128x128 import os from PIL import Image src_dir raw_images # 原始圖片目錄 dst_dir compressed # 壓縮后輸出目錄 size (128, 128) # 目標(biāo)尺寸 os.makedirs(dst_dir, exist_okTrue) for root, _, files in os.walk(src_dir): for fname in files: if not fname.lower().endswith((.jpg, .jpeg, .png)): continue path os.path.join(root, fname) img Image.open(path) # 統(tǒng)一縮放到128x128保留圖像整體結(jié)構(gòu) img img.resize(size, Image.LANCZOS) # 保持原目錄結(jié)構(gòu)方便后面按類別讀取 rel_path os.path.relpath(root, src_dir) out_dir os.path.join(dst_dir, rel_path) os.makedirs(out_dir, exist_okTrue) img.save(os.path.join(out_dir, fname))這段代碼做的事很樸素遍歷原始目錄把所有jpg和png圖片用PIL打開resize到128×128再按原來的目錄結(jié)構(gòu)存到compressed文件夾。resize的插值算法用了LANCZOS這個算法在縮小圖像時能保留更多邊緣細(xì)節(jié)比默認(rèn)的BICUBIC更銳利。如果你發(fā)現(xiàn)壓縮后的垃圾圖片邊緣出現(xiàn)鋸齒或文字模糊優(yōu)先檢查這一行。需要注意這里只做了尺寸壓縮沒有處理通道數(shù)。如果原始圖像是RGBA四通道后面訓(xùn)練時容易報shape錯誤。常規(guī)做法是在resize之前加一行img img.convert(RGB)把a(bǔ)lpha通道丟掉附錄2里會看到這個處理。3.2 附錄2圖像處理存儲歸一化到0-1并序列化# 圖像處理存儲讀取壓縮后的圖像歸一化并保存為numpy數(shù)組 import os import numpy as np from PIL import Image data_dir compressed img_size (128, 128, 3) # 寬高128RGB三通道 X, y [], [] class_names sorted(os.listdir(data_dir)) for label, cls in enumerate(class_names): cls_dir os.path.join(data_dir, cls) if not os.path.isdir(cls_dir): continue for fname in os.listdir(cls_dir): if not fname.lower().endswith((.jpg, .jpeg, .png)): continue img Image.open(os.path.join(cls_dir, fname)).convert(RGB) img img.resize(img_size[:2]) arr np.asarray(img, dtypenp.float32) / 255.0 # 歸一化到0-1 X.append(arr) y.append(label) X np.stack(X) y np.array(y) np.save(X.npy, X) np.save(y.npy, y) # 保存類別名預(yù)測時用來把下標(biāo)映射回名稱 with open(class_names.txt, w, encodingutf-8) as f: f.write(\n.join(class_names))這段代碼做了三件事把圖像統(tǒng)一轉(zhuǎn)成RGB三通道把像素值從0-255縮放到0-1區(qū)間把整個數(shù)據(jù)集序列化存成npy文件。歸一化這一步很關(guān)鍵神經(jīng)網(wǎng)絡(luò)里的激活函數(shù)對輸入尺度敏感像素值如果保持0-255的大數(shù)值梯度更新容易震蕩訓(xùn)練很難收斂。除以255之后所有數(shù)據(jù)落在0-1區(qū)間梯度下降路徑平滑很多。dtype選了float32而不是float64是因為tensorflow訓(xùn)練時默認(rèn)也是float32保持一致可以省一半內(nèi)存。128×128×3的數(shù)組幾千張圖片也就一兩GB普通PC的內(nèi)存完全扛得住。如果數(shù)據(jù)量更大可以用np.memmap把npy映射到磁盤按需讀取但在這個項目規(guī)模下沒必要。3.3 附錄3數(shù)據(jù)集分割訓(xùn)練集和測試集如何切分# 數(shù)據(jù)集分割按比例拆分訓(xùn)練集和測試集 import numpy as np from sklearn.model_selection import train_test_split X np.load(X.npy) y np.load(y.npy) # 8:2劃分stratify保證每個類別在訓(xùn)練/測試集中的比例一致 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy ) print(f訓(xùn)練集: {X_train.shape} {y_train.shape}) print(f測試集: {X_test.shape} {y_test.shape})train_test_split是sklearn里最常用的劃分函數(shù)三個關(guān)鍵參數(shù)都有講究。test_size0.2表示拿20%數(shù)據(jù)當(dāng)測試集剩下80%訓(xùn)練這是小數(shù)據(jù)集最常見的配比測試集太小評估不靠譜訓(xùn)練集太少模型學(xué)不到位。random_state42固定隨機(jī)種子保證每次運行劃分結(jié)果一致實驗結(jié)果可以復(fù)現(xiàn)這是論文實驗的基本要求。最容易忽略的是stratifyy。垃圾數(shù)據(jù)通常是不平衡的比如飲料瓶拍了500張、廢紙只有50張不做分層采樣隨機(jī)劃分出來的測試集可能恰好沒有廢紙模型在廢紙上的表現(xiàn)完全沒被檢驗準(zhǔn)確率虛高還不自知。stratifyy會讓訓(xùn)練集和測試集里每個類別的占比跟原始數(shù)據(jù)保持一致這個參數(shù)在類別不平衡時幾乎是必選項。3.4 附錄4模型訓(xùn)練輕量級CNN的核心結(jié)構(gòu)# 模型訓(xùn)練構(gòu)建CNN并訓(xùn)練垃圾分類模型 import tensorflow as tf from tensorflow.keras import layers, models num_classes len(open(class_names.txt).read().splitlines()) model models.Sequential([ layers.Conv2D(32, (3, 3), activationrelu, input_shape(128, 128, 3)), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activationrelu), layers.MaxPooling2D((2, 2)), layers.Conv2D(128, (3, 3), activationrelu), layers.MaxPooling2D((2, 2)), layers.Flatten(), layers.Dense(128, activationrelu), layers.Dropout(0.5), layers.Dense(num_classes, activationsoftmax) ]) model.compile( optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy] ) history model.fit( X_train, y_train, batch_size32, epochs30, validation_split0.1, callbacks[tf.keras.callbacks.EarlyStopping(patience5, restore_best_weightsTrue)] ) model.save(garbage_model.h5)網(wǎng)絡(luò)結(jié)構(gòu)是經(jīng)典的「卷積加池化」堆疊。三層Conv2D的卷積核數(shù)量從32逐層漲到128每層后面跟一個MaxPooling2D把特征圖寬高減半。128×128的輸入經(jīng)過三次池化變成16×16但通道數(shù)從3漲到128空間信息被壓縮成通道特征這正是CNN提取圖像特征的典型路徑。最后Flatten拉平接兩個全連接層輸出層用softmax把得分轉(zhuǎn)成每個類別的概率分布。訓(xùn)練參數(shù)里有幾個值得說。Adam優(yōu)化器是當(dāng)前圖像分類的默認(rèn)選擇它自適應(yīng)調(diào)整每個參數(shù)的學(xué)習(xí)率省去手動調(diào)學(xué)習(xí)率的大量工作。loss用的sparse_categorical_crossentropy對應(yīng)整數(shù)標(biāo)簽y_train如果你改成one-hot編碼要同步換成categorical_crossentropy這兩個名字長得像用錯會直接報錯或訓(xùn)練行為詭異。EarlyStopping設(shè)了patience5驗證集損失連續(xù)5個epoch不降就提前停restore_best_weights保證最后保存的是驗證集上最優(yōu)的那組權(quán)重防止過擬合后的爛模型被存下來。epochs30只是上限實際大概率會被EarlyStopping中途截斷這是好事。batch_size32是經(jīng)驗和顯存的折中顯存小就降到16速度快就升到6432是多數(shù)小項目的最穩(wěn)起點。3.5 附錄5預(yù)測新垃圾圖片怎么走完推理鏈路# 預(yù)測加載模型對單張新圖進(jìn)行分類 import numpy as np import tensorflow as tf from PIL import Image model tf.keras.models.load_model(garbage_model.h5) class_names open(class_names.txt).read().splitlines() img Image.open(test_can.jpg).convert(RGB) img img.resize((128, 128)) arr np.asarray(img, dtypenp.float32) / 255.0 arr np.expand_dims(arr, axis0) # 補(bǔ)batch維度變成(1,128,128,3) pred model.predict(arr, verbose0) idx int(np.argmax(pred[0])) conf float(pred[0][idx]) print(f預(yù)測類別: {class_names[idx]}置信度: {conf:.4f})預(yù)測代碼的關(guān)鍵在np.expand_dims這一步。模型訓(xùn)練時的輸入是四維張量形狀是(樣本數(shù), 128, 128, 3)單張圖片讀進(jìn)來只有三維不補(bǔ)一個batch維度predict會直接報shape不匹配。這是所有用過keras做推理的開發(fā)者至少踩過一次的坑。predict返回的pred形狀是(1, num_classes)每個位置代表一個類別的概率np.argmax取最大值下標(biāo)再映射回class_names里的類別名就是最終結(jié)果。提示model.predict里的verbose0是給新版本tensorflow準(zhǔn)備的不寫的話每次預(yù)測都會打印進(jìn)度條在腳本和自動化服務(wù)里刷得很難看。4. 訓(xùn)練避坑記錄從翻車到93%準(zhǔn)確率的五次關(guān)鍵排障4.1 過擬合訓(xùn)練集準(zhǔn)確率99%測試集只有75%這個現(xiàn)象在訓(xùn)練初期幾乎必然出現(xiàn)。網(wǎng)絡(luò)結(jié)構(gòu)偏深、訓(xùn)練輪數(shù)一多模型就開始「背題」把訓(xùn)練集里的噪聲細(xì)節(jié)也當(dāng)成規(guī)律記下來測試集一上立馬露餡。原因很直接垃圾圖像數(shù)據(jù)集通常不大幾千張圖對三層卷積網(wǎng)絡(luò)來說信息量不夠參數(shù)有余而數(shù)據(jù)不足模型自然轉(zhuǎn)向死記硬背。解決思路是給網(wǎng)絡(luò)加約束。EarlyStopping盯住驗證集loss連續(xù)幾個epoch不降就停Dropout層在訓(xùn)練時隨機(jī)屏蔽一半神經(jīng)元強(qiáng)迫網(wǎng)絡(luò)學(xué)到冗余特征而不是只依賴某幾個「尖子生」神經(jīng)元。這兩個機(jī)制同時用過擬合基本能壓住。如果還想更穩(wěn)可以做數(shù)據(jù)增強(qiáng)把圖片隨機(jī)旋轉(zhuǎn)、翻轉(zhuǎn)、調(diào)亮度等于白賺了好幾倍的訓(xùn)練樣本。4.2 梯度消失加了層數(shù)loss反而不降了第一次往網(wǎng)絡(luò)里加層以為層數(shù)越多越強(qiáng)結(jié)果loss從頭到尾幾乎一條直線訓(xùn)練了十幾個epoch紋絲不動。這是把大網(wǎng)絡(luò)思路直接搬過來的翻車現(xiàn)場。原因就是正文里說的梯度彌散深層網(wǎng)絡(luò)反向傳播時梯度逐層相乘越靠近輸入層梯度越小參數(shù)幾乎得不到更新。解決辦法是換激活函數(shù)。sigmoid在深層網(wǎng)絡(luò)中會把梯度壓到接近0ReLU在正區(qū)間的梯度恒為1梯度能順暢回傳。正文里也明確提到經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)的貢獻(xiàn)之一就是用ReLU解決了梯度彌散問題。如果換了ReLU之后loss還是不降可以在卷積層后加BatchNormalization它對梯度流也有穩(wěn)定作用。4.3 數(shù)據(jù)不平衡準(zhǔn)確率93%但小類別全錯有一輪實驗準(zhǔn)確率到了93%本來挺高興結(jié)果翻混淆矩陣發(fā)現(xiàn)某個樣本量很少的類別預(yù)測結(jié)果全錯準(zhǔn)確率全靠數(shù)量多的幾個類別撐起來。這是典型的「準(zhǔn)確率騙人」。原因不復(fù)雜模型把概率預(yù)算全押在常見類別上稀有類別無論給什么輸入都預(yù)測成高頻類整體準(zhǔn)確率依然很高。解決有三個辦法按優(yōu)先級來第一是補(bǔ)數(shù)據(jù)把稀有類別的樣本拍到和主流類別一個量級第二是做stratify劃分保證測試集里稀有類別的比例不縮水附錄3的代碼已經(jīng)覆蓋第三是給少數(shù)類更高的類別權(quán)重讓loss對稀有類別的錯誤更敏感。調(diào)權(quán)重在keras里通過class_weight參數(shù)傳入一行代碼的事但效果立竿見影。4.4 CPU訓(xùn)練太慢一個epoch半小時調(diào)參一次等一天沒有GPU的機(jī)器上訓(xùn)練128×128的圖像一個epoch十幾分鐘很正常調(diào)幾次參就耗掉一整天。這個問題正文其實已經(jīng)提前想好了圖像壓縮到128×128就是為低算力環(huán)境設(shè)計的。在此基礎(chǔ)上還可以再省三步。一是把預(yù)處理結(jié)果緩存成npy文件避免每次訓(xùn)練都重新讀圖resize附錄2的做法已經(jīng)覆蓋。二是調(diào)低epoch上限配合EarlyStopping讓模型在驗證集不再變好時立刻停止。三是把batch_size從32升到64減少梯度更新次數(shù)犧牲一點收斂精度換訓(xùn)練速度。如果還嫌慢就砍掉一層卷積網(wǎng)絡(luò)淺一點訓(xùn)練快很多準(zhǔn)確率通常只掉兩三個點換來的是能跑起來的體驗。4.5 預(yù)測時shape報錯或圖片打不開跑預(yù)測腳本最容易遇到兩個報錯。第一個是PIL打開圖片失敗原因是圖片格式損壞或者路徑里有中文把路徑改成純英文即可這個坑在Windows環(huán)境下尤其常見。第二個是predict時shape不匹配原因是忘了np.expand_dims補(bǔ)batch維度或者訓(xùn)練時用的是RGB三通道、預(yù)測時圖片是RGBA四通道convert(RGB)能解決。這兩個錯誤都很隱蔽報錯信息也不算友好。最有效的排查方式是打印張量的shape一層一層對從圖像讀取、resize、歸一化到expand_dims每一步都確認(rèn)形狀符合預(yù)期。5. 二次開發(fā)讓模型適配你自己的垃圾識別場景5.1 換數(shù)據(jù)集目錄結(jié)構(gòu)不變改類別就行這套代碼的數(shù)據(jù)流是「目錄即標(biāo)簽」換數(shù)據(jù)集非常省事。把compressed目錄下的文件夾換成自己的類別名比如「快遞紙箱」「易拉罐」「剩飯」每類放幾百張圖直接從附錄2開始跑class_names.txt會自動更新。類別數(shù)量變了模型最后的Dense層輸出節(jié)點會自動對應(yīng)不用改其他代碼。如果類別超過十個每類樣本又只有幾百張一個簡單CNN可能不太夠這時候建議直接上遷移學(xué)習(xí)。5.2 換模型從零訓(xùn)練升級到遷移學(xué)習(xí)想要更快提升準(zhǔn)確率最快的方式是換預(yù)訓(xùn)練模型當(dāng)特征提取器。常規(guī)做法是把MobileNetV2在ImageNet上預(yù)訓(xùn)練好的權(quán)重拿過來凍結(jié)前面的骨干網(wǎng)絡(luò)只訓(xùn)練最后的分類層。MobileNetV2比ResNet50輕量得多更契合這個項目「低算力」的定位。代碼改動很小核心就是把Sequential里開頭的幾層Conv2D替換成一個預(yù)訓(xùn)練基座from tensorflow.keras.applications import MobileNetV2 base MobileNetV2( weightsimagenet, include_topFalse, input_shape(128, 128, 3) ) base.trainable False # 凍結(jié)骨干網(wǎng)絡(luò)只訓(xùn)練分類頭 model models.Sequential([ base, layers.GlobalAveragePooling2D(), layers.Dense(128, activationrelu), layers.Dropout(0.5), layers.Dense(num_classes, activationsoftmax) ])input_shape仍然保持128×128數(shù)據(jù)預(yù)處理完全不用重做。trainableFalse凍結(jié)基座后訓(xùn)練參數(shù)量從天量降到只有最后一小截CPU也能在十幾分鐘內(nèi)跑完。這一步跑通、準(zhǔn)確率穩(wěn)定之后再解凍最后幾層做微調(diào)學(xué)習(xí)率調(diào)低到1e-5效果還能再漲一截。5.3 換驗證方式混淆矩陣比準(zhǔn)確率誠實得多二次開發(fā)里最容易忽略的是驗證方式。準(zhǔn)確率只是一個平均值類別一多就會被高樣本量類別帶偏。建議每次訓(xùn)練完都打一張混淆矩陣看看哪個類別的召回率最低往往能發(fā)現(xiàn)模型把「紙箱」和「書本」這類形狀接近的類別搞混。這也是我在第4章踩過數(shù)據(jù)不平衡那個坑之后養(yǎng)成的習(xí)慣。從那以后我每次訓(xùn)練圖像模型都會先跑一遍小批量基線確認(rèn)loss曲線正常下降再開全量訓(xùn)練避免在錯誤配置上浪費幾個小時。希望幫到你。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
色五月丁香婷婷综合| 最新av在线观看| 国产亚洲成AV人片在线观黄桃| 久久性爱网站| 久9久9热久热| 国产成人精品一区二区三区视频| 91成人看片| Xx色综合| 91九色熟女| 色5月婷婷| 激情五月天小说|五月天开心激情网|亚洲精品国产自在现线|黄色五月天 | 狠狠色噜噜狠狠狠888了| 激情综合婷婷久久| 亚洲色就是色色色| 五月色网| 成人av中文字幕| 色五月aV| 欧美五月丁香啪啪响视频| 欧美97超碰| 丁香六月久久| 4399人妻无码久久久| 日韩欧美四五区| 婷婷射丁香| 日韩一级淫乱片一区二区三区| 婷婷精品在线| 狠狠插狠狠操| 五月丁香婷婷成人综合网| 久9热| 精品国产a| www.色综合| 五月天色综合| 色五月欧美| 五月色亭丁香| 奇米影视777在线_在线观看午夜_h小视频在线观看_岛国大片 | 午夜成人av在线| 久久伊人五月天| 久久伊人婷婷| 91|疯狂丨高潮丨对白| www.深爱激情| 成人精品一区二区三区四区五区 | 99A片| 五月婷婷天| 中文AV在线观看| 色五月六月| 九九碰九九爱97| 久久久免费精彩视频| 五月网激情| 中字幕视频在线永久在线观看免费| 激情婷婷狠狠干| 99综合99| 一本大道嫩草AV无码专区| 69色色视频| 色99自拍| AⅤ网站在线看| 五月天另类激情在线| 97人人操人人干| 成人天天爽| 色色色九九九五月婷婷| av网址在线| 色婷婷中文字母五月丁香| 免费看欧美成人A片无码| 狠狠久久婷五月综合色| 99在线视频精品| 色婷婷色99国产综合精品| 久久有码| 青青草原中文字幕| 精品九九网| 99A片| 五月天激情久色| 激情五月天综合网| 综合婷婷五月丁香在线观看| 激情综合无码| 亚洲AVwwwwwww| 色婷五月| 男人天堂99| 色噜噜在线| 91疯狂操操操操| CHINESE熟女老女人HD视频| 激情五月,深深爱五月| 大香蕉久久婷婷| 丰满少妇猛烈A片免费看观看| 亚洲美女网Va| 久久婷婷五月综合伊人| www.狠狠操.com| 激情淫乱男女| 丁香五月婷婷啪啪视频| 91一起操| 超碰成人在线观看| pacopacomama 070722_670 素人奥様初撮りドキュメント 103 大久保純子 | 风流少妇A片一区二区蜜桃| 久久免费精彩视频| 久久九九热视频| 五月花综合网| 亚洲中文字幕AV| 激情五月天.色网| 欧美日韩123| 亚洲激情97五月天| 五月天激情婷婷丁香| 久久久大香蕉| WWW.久久久久久久| 五月天婷婷狠狠| 亚洲精品一区中文字幕乱码| 热九九精品| 激情网五月天| 狠狠高潮精品亚洲1| 久久99热网| 五月丁香六月婷婷综合| 色色日韩无码| 色婷激情网| 五月天婷婷激情网| 婷色五月| 色色99| 91在线日本| 黄色AAAA韩国guochansanji| 婷婷五月天成人网| 五月天综合网| 色情五月婷婷| 日日干夜夜撸夜夜骑| 婷婷久久性爱| 99热销国产这里有精品| 99人人干人人| 激情六月丁香| 超碰人人草| 色噜噜97视频在线观看| 插逼综合网| 99热第一页| 超碰九热| 丁香五月婷婷欧美成人色图| 超碰在线观看成人视| 99操不停| 夫妻超碰在线| 日本全黄一级999| www.第四色99| 丁香六月成人网| 久久久亚洲精品一区二区三区浴池 | 婷婷五月天开心激情网| 天天色色天天| 激情综合五| 丁香五月五月婷婷| 99色五月| a网站免费观看| 婷婷五月激情综合| 丁香九月激情| 青草视频在线播放| 91 影音先锋| 午夜少妇在线观看视频| 中文字幕成人版| 亚洲偷| 五月天婷婷成人资源站| 婷婷色情小说| 九九视频在线观看| 九九色图| 午夜少妇在线观看视频| ai97re99一本| 日日操夜夜操无码免费| 五月天婷婷色| 大香蕉啪啪啪| 激情的五月| 激情黄色五月天| 九热视频这里只有精品| 婷婷五月丁香五月综合网| www.狠狠艹| 丁香五月天啪啪a日本| 26uuu在线观看| 婷婷在线播放| 五月婷久久| 欧美电影在线观看| 超碰伊人碰婷婷五月| 久久香蕉福利| 色婷婷欧美在线| 五月天天天开心激情网| 99网| 五月婷婷综合视频| 五月天婷婷丁香成人网| 操日视频| 五月丁香婷婷久久| 5月婷婷6月六月丁香| 97操碰在线视频| 久热欧美| 五月成人丁香av91| 狠狠狠狠狠狠| 一本色道久久综合狠狠躁一二三| 亚洲婷婷基地| 26uu| 日本一级| 日日夜夜天天| av在线观看网址| 九九久久99精品免费观看www| 日本怕怕视频| 中文在线视频久1| 五月天丁香婷| av大片在线| 婷婷终合色图| 五月花婷婷| 五月婷无码| 色婷婷AV久久久久久久| 日韩视频99| 国产五月视频| 日韩欧美一级大黄网站| 天天综合在线网| 亚洲色啪| 婷五月天六| 99re思思| 五月婷婷亚洲| 国产精品天天狠天天看| 伊人婷婷综合| 丁香五月精品| 99综合免费视频| 91国产精品视频播放| 色婷婷9| 最新五月天婷婷影| 99热在线精品观看| 青996青| 综合AV在线| 襙逼网| 五月天综合网| AV片在线观看| 激情五月婷婷色综合| 久久激情网| 婷婷五月天综合网| 婷婷久久五月| 五月丁香六月婷婷色日| 九九草草逼| 欧美六月| 精品丁香五月天在线播放| 丁香六月婷婷| 99久久精| 99九九精品视频| 狠狠久久婷五月综合色| 人人色性网| 棕合影院色色| 99精品网址| 五月婷婷六月丁香综合视频在线| 五月天综合婷婷| 黄色AAAAAAA| mmm1717.6dbm人人爱人人操| 天天干 夜夜爽| 五月婷婷激情啪啪| va婷婷在线免费观看| 丁香婷婷性爱| 色噜久| 天天操天天操综合| 亚洲午夜av| 久久久久久久久久久97| 九九热这里只有精品6| 9色91视频| 天天搞夜夜爽夜夜爽| 69色婷婷| 久久久性爱视频| 五月婷婷丁香日韩在线| 永久无码色| 十一月婷婷激情四射| 真实的国产乱XXXX在线91| 草综合网| 99热精品在线播放| 996热| 五月激情在线| 国产一区18| 天天干天天干天天干天天干天天干天天 | www色色com| 婷婷 色 丁香 夜| 99情色五月天| 久久久久丁香婷婷五月天| 久久婷婷五月天| 天天爽爽日日做做| 色欲久久综合| 深爱五月天婷综合| 亚洲成av人影院| 九九99久久| 免费看成人747474九号视频在线观看| 无码A片一区二区免费| 五月天激情视频网站| http://www.com久久久精品一区| 久久九九大香蕉电院| 免费视频WWW在线观看网站| 久操干| 丁香婷婷激情| 色婷婷久久综合| 夜夜久久综合网| 天堂网啪啪| 亚洲va欧美va国产综合久久久| 777影视理论片大全在线观看| 激情丁香婷婷六月天| 丁香婷婷基地| 丁六月激情| 色婷婷视频在线| 色婷婷XXXXX| 天天天天天天操| 欧美色婷婷| 婷婷丁香五月综合| 青青草原中文字幕| 亚洲精品V天堂中文字幕| 久久一热免费视频| 天天干在线播放| 99er6热在线观看精品6| 成熟妇人A片免费看网站| 天天做天天爱天天日| 五月天婷婷色| 国产精品视频久久99| 五月婷婷影视| 色色射| 亚洲人妻电影| 天天狠狠夜夜狠狠2023| 麻豆123区| 俺去婷婷 丁香| 亚洲99精品欧美一区| 久久一级片| 思思99热| 欧洲亚洲最新精品| 婷婷丁香综合色AV| 久久久久婷婷| 九九爱看亚洲| 激情五月婷婷视频一区二区三区| 激情六月天| AV在线资源| 乱精品一区字幕二区| 天天操天天日天天爽| 碰碰碰碰碰99| 九九久久综合| 涩涩涩.com| 伊人九九综合| 开心五月深爱五月| 欧美婷| 99热99草97| 日日夜夜天天综合| www.99成人视频| 婷婷丁香综合| 亚洲AV综合在线观看| 欧美群妇大交乱婬网| 《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 | 五月天欧美激情| 久久五月情| 久久亚洲无码| 色综久久久| 色婷婷五月丁香色| 激情五月天婷婷五月天| 狠狠狠五月婷婷六月丁香| 激情五月天99色| 日本人妻A片成人免费看片| 天天做天天要天天爽| 欧美熟妇一区二区三区| 99在线精品观看99| 热99这里只有精品视频| 中文字幕婷婷| 男人操女人高潮91视频| 日本三级黄色大片| www.色色色色| 亚洲九九免费| 色婷婷色九月| 亚洲岛国电影| 999热这里只有精品| 五月婷婷黄色视频| 99自拍视频在线观看| 熟妇人妻中文字幕无码老熟妇| 婷婷九月丁香| 色高清无码视频| 日韩另类在线观看| 97碰碰九九视频| 激情五月综合| 五月丁香六月在线| 久久五月天激情视频| 婷婷色吧| 精品九九久久| 丰满少妇乱A片无码| 婷婷五月综激情| 九九热精品视频九九| 丁香五月天啪啪| 五月丁香在线观看国产| 色五月成人| 国产精品久久久海的味道| 婷婷色五月亚洲| 丝袜激情网| 婷婷五月丁香基| 99日本黄站| 五月草影视| 视频综合网| 五月天丁香久久| 玖玖九九超碰| 97超碰免费超级在线观看| 99热网站| 国产精品久久久久久白浆色欲| 丁香五月婷婷在线观看| 婷婷五月综合视频| 第四色大香蕉| 99色色最新视频| 在线看黄色| 99燥99日| 九九色逼| 成人在线网址| 丁香狠狠色婷婷| 26uuu亚洲欧美日本| 婷婷五月激情的图片| 欧美久人人| 色九九综合色| 无码激情AAAAA片-区区| 天天爱天天操| 色播丁香| 97色碰| 91九色精品熟女内射| 亚洲第一精品成人999久久精品| caobi四区| 综合天天综合| 99色这里| 99这里有精品视频| 大香蕉五月天婷婷| 另类天堂| 久久xxxx| jiqingtaose五月天| 天天肏夜夜肏| www。五月天激情| 久久东京热婷婷五月| 激情六月丁香| 久久九九网| 超碰在线9| 天天肏高清在线| 五月丁香六月激情综合欧美| 国产精品五月天婷婷| 天天天天做夜夜夜夜做| 五月激情久久综合网| 日操夜撸| 森林影视大全,最好看的2019年视频| 一区二区中文字幕| 五月开心啪啪| 激情五月丁香综合网站| 五月丁香色婷婷熟女| 婷婷丁香六月影视| 婷婷涩涩网| 五月婷人妻| 午夜九九电影| 天天干天天叉| 中文av网| 丁香婷婷啪啪| 亚洲精品字幕在线观看| 色五月丁香com| 久久婷婷五月综合色欧美| 激情六月婷婷| 96精品成人无码A片观看金桔| 欧美槡BBBB槡BBB少妇| 风流少妇A片一区二区蜜桃| 国产美女无遮挡裸体毛片A片| 99在线精品免费视频| 最近免费中文字幕大全高清大全1 色狠狠色噜噜AV天堂五区 | 九九亚洲小视频| 综合五月激情| 99久久性爱| 99色在线视频| 色丁香五月婷婷| av国产精品| 中文字幕免费高清电视剧| 国产精品成av人在线视午夜片| 色六月 婷婷| 热996精品在线观看| 久99久在线观看| 99精品久久久久| 99在线精品观看99| 五月天婷婷激情| 青草视频在线播放| 婷婷性爱视频在线| 99热这里只有99| 99热超碰| 欧美综合五月丁香五月天| 99爱在线免费视频| 中文激情网| 香蕉人妻AV久久久久天天| 九九激情| 九月婷婷| 色女伊人| 99久热| 国产黄大片在线观看画质优化| 中文字幕高清av| 九洲一级A片| ,99视频久久| 小视频一区| 丁香六月婷婷综合| 香蕉久久国产AV一区二区| av大香蕉| 婷婷色吧| www.五月激情红色| 天天爱天天秀天天做| 99人人干| 日亚二欧美| 五月激情丁香六月狠狠干| 这里只有精品在线播放| 色久九| 日日操夜夜擼| 丁香六月久久| 婷婷五月天狠狠| 激情五月六月婷婷| 久久99免费视频网站| 超碰电影在线播放| 狠狠干思思热| 日韩一级片| 婷婷五月精品| 月月AV| 国产精品色色| 97碰碰免费.视频| 乱码操操| 日日夜夜狠狠婷婷色| 五月天啪啪| 97视频久久| AV亚洲在线| 天天爱天天做天天日| 五月丁香六月婷婷操操操| 五月天激情影院| 婷婷久久婷婷色五月| 丁香五月婷婷无码AV| 性爱视频99| 亚洲视频在线观看| 色五月婷婷色| 成人永久免费视频在线观看| 婷久久久| 四虎婷婷五月天| 99久在线精品99re8| 色播五月综合网| 婷婷五月色播| 9热成人在线视频| 51成人| 风流少妇A片一区二区蜜桃 | 婷婷激情人妻| 色婷婷在线视频观看| WWW,五月天| 五月婷婷丁香社区| 五月婷婷亚洲天堂97色婷婷| 99r久久这里只有精品| 在线观看欧美| 91九色超碰正在播放| yazhouzonghesese| BBWCUCKOLD精品熟妇| 久久婷婷精品| 五月婷婷综合网| 9999热免费视频视频| 69激情小说| 久操操| 91九色精品熟女内射| 天天人人人人人人人人人人人| 嫩草免费视频| 热99这里只有精品视频| 欧美性生交A片免费看| 五月婷婷在线丁香| 久久综合婷婷| 9l视频自拍9l九色成人| 五月激情综合网| 婷婷六月视频| 亚洲婷婷基地| 久久五月丁香婷婷| 精品久久99码| 性五月激情| 久久婷婷五月综合激情国产| 日亚二欧美| 99在线小视频| 天天操五月天| 久久精品99久久久久久| 国产av影片| 久久99网址| 亚洲操b| 天天色五月婷婷91久久久久久久| 丁香五月六月婷婷怡红院| 色噜噜狠狠色综无码久久合欧美| 亚洲色域网| 激情五月婷婷| 另类五月激情| 4399在线观看免费毛片| 亚洲综合在线播放| 久久久99视频| 色色色五月婷婷| 久久五月人人摸| 专区无日本视频高清8| 男人天堂亚洲综合| 97干在线| 五月婷婷之六月丁香| 9色91视频| 五月天狠狠干| 99热一本久道| www色色色com| 久久er九九| 成人国产欧美大片一区| 996日日爱| 五月婷婷国产| 99re热在线视频| 色综合色婷婷色伊人| 亚洲熟妇AV乱码在线观看| wwwxxx五月婷婷小说| 91大屁股在线| 另类 在线| 色99视频| 亚洲成av人影院| 色天天综合成人网| 91精品视频男人的天堂| 婷婷五月天成人| 99热主页日本| 欧美在线| 国产密乳av一区二区三区四区| 色情婷婷。| 亚洲九区| 99re这里只有精品国产99| 婷婷在线网| 99久在线精品99re8热| 婷婷情色五月天| 五月天激情网图片| 久久精品亚洲一级牲爱综合| 97色片| 日本三级大片| 97色色色色色| 色狠狠五月天| 久久久噜噜噜操操操| 综合另类视频| 色婷婷在线视频综合| 久久久久久久8| 亚洲色综合| 丁香六月色婷婷综合| 日本九九网| 99操视频| 婷婷情爱五月天6| 色玖玖| ..真实国产乱子伦毛片| 亚洲精品国产setv| 狠狠色综合图片| 色激情五月| 婷婷五月天777| 永久热91| 被强行糟蹋的女人A片| 99综合网| 天天综合图片| 五月婷婷色综图片| 日韩青青| 天天精品视频免费观看| 另类激情网| 蜜桃婷婷五月| 免费人人操| 极品人妻VIDEOSSS人妻| 久久婷婷网| 婷婷爱婷婷| 色啪网| 丁香五月最新网址| 黄网在线免费| 五月激情影视| 天天日夜夜爽| 精品色色网| 啪啪丁香五月| 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 | 精品A√| 色综合色综合网| 91干在线视频| av高清无码| 亚洲色频| A1片久久久| 亚洲激情免费视频| 色色色精品无码区| 大香蕉婷婷色| 国产精品岛国片在线观看免费| 欧美成人猛片AAAAAAA| 91人人操.COM| 狠狠搞狠狠操| 婷婷五月天成人网站| 色愛综合网| 2020日日干| 久久久潮喷-久久久九九-成人AV| 日日影院 | 欧美日韩99| 亚洲啪啪视频| 99操逼| 六月丁香激情综合| 中文久久久人妻| 丁香婷婷五月综合色情| 99久re热| 四川操逼站| 国产成人AV| 国产精品国产成人国产三级| 婷婷97| 久久ww| 猫咪伊人久久| 久久婷婷五月天激情| 欧美婷婷成人| 79精品视频| 香港九九六区八区99| 天堂无码人妻精品AV一区| 天天干 夜夜爽| 超碰超碰在线| 色五月激情| 激情无码网| 五月综合视频| 激情图片婷婷丁香五月| 色噜噜狠狠色综无码久久合欧美 | 五月婷婷久久爱| 婷婷久久久久久久| 九九视频这里是精品五月| 美女天天久久| 婷婷五月 丁香六月| 色婷婷内射| 欧美激情 日韩无码 婷婷 五月天| 九九99久久| 任你草| 九月婷婷| 婷婷五月天激情四射五月天激情| 91欧美| 亚洲精品va| VA婷婷| 噜综合| 免费的日逼视频| www.99热国产| 色五月天中文字幕| 五月激情婷婷播播网| 四色女婷婷| 在线可以看的av网址| 岛国AV网站| 六月综合婷婷开心伊人| 啪啪色区| 色婷婷久久| 婷婷色影院| 亚洲精品又粗又大又爽A片| 国产肥白大熟妇BBBB视频| 亚洲午夜国产成人电影VA国产欧…| 99ri视频| 亚洲超碰青涩| 综合色网站| 久久久97| 五月婷婷黄色视频| 五月天成人网在线观看| 99热在线精品播放| 97色婷| 综合色、色综合| 五月丁香天堂| w婷婷五月婷婷w| 丁香无月在线观看| 六月丁香好婷婷| 天天干天天干天天干天天干天天干| 婷婷六月激情| 丁香六月综合激情| 中文AⅤ大全| 大香蕉狼人久久| 色婷婷黄色网络| 色5月婷婷| 色大综合| 人人草人人看| 99热只有| 91久久久久| 99精品女人天堂| 99久久久久| 天天日夜夜夜操操操操| 激情都市丁香婷婷| 色色a| 婷婷99综合| 久久亚洲天堂| 婷婷色五月噜噜| 五月天六月婷婷电影| 久久98热re| 思思热在线播放| 久草丁香婷婷1024| 久9久9热久热| 日本色色影片| 色五月天丁香婷婷| 久久精品永久免费| 在线另类视频| www.91av.com| 九九激情网| 国产资源91在线| 97碰免费视频在线| AV色色天堂中文| 五月天天堂久久| 天天舔天天插天天干| 九九热99免费视频| 99精品丁香五月| 九九这里是免费的视频5| 五月丁香天堂网婷婷| 色综合天天| 99久久国产宗和精品1上映| 久久综合首页| 另类国产综合| 久久精品性爱| 国产99久9在线| 久久婷出差欧美色两性综合网| 丁香色五月婷婷| 亚洲综合九九| 五月天丁香婷| 国产精品香蕉| 一级黄色影片| 国产激情在线| 五月成人综合| 五月天精品| 91ncm视频| 五月香蕉综合| 99人妻碰碰碰久久久久禁片| 99精品久久久久久久久| 婷婷五月俺要去| 色情久久久| 婷婷五月天大香蕉在线视频观看| 久久WW| 婷婷丁香五月综合激情小说| 熟妇无码乱子成人精品| 久九色| 激情网五月天| 91制片厂久久久国产电影| 五月天激情国产综合婷婷婷就去爱| 色爱亚洲| 亚洲精品国产熟女久久久| 五月天堂色| 99色色网| 性爱111111| www,婷婷五月天777me,com| 综合激情视频| 99热欧美偷拍| 国产精品色婷婷AV综合色色| 久久性爱99国产| 亚洲性图一区二区三区| 欧美日韩成人在线| 亚洲AV综合在线观看| 亚洲国产精品VA在线看黑人| 99在线视频操999| 深爱五月天婷综合| 99操视频| 99热福利| 久久综合激情| 国产精品99久久久久久猫咪| 深爱激情五月网| 99在线视频操999| 爱草视频在线| 日日夜夜狠狠| 丁香六月婷婷综情欧美| 91九色国产| 9精品视频在线| 六月丁香婷婷综合在线| WWW色色色COM| 欧美成人精品老美女噜噜噜| 色情终和网| 五月婷婷久久爱| 九九色99| 一本大道熟女人妻中文字幕在线| 99国产小视频2013| 在线成人网站| www.激情五月天。com| 亚洲九九夜夜| 99re热精品在线视频| 丁香五月综合婷婷| 婷婷五月成人| 新97人人上人人| 日本三级韩三级99久久| 特黄三级片| 成人在线不卡| 五月婷婷丁香六月| 亭亭丁香aV| 亚洲激情综合| 在线综合婷婷| 久久丁香综合香蕉| 日日日日操| 五月婷综合| 婷婷五月丁香综合激情| 天天视频精品9| 婷婷开心五月| 亚洲XX网| 97人妻碰碰中文无码久热丝袜| 亚洲天99| 99只有精品| 国产色婷婷亚洲| 亚洲欧洲中文日韩久久AV乱码 | 五月花婷婷| 日日噜狠狠色综合久久| 第四色色六月色综合| 亚洲欧洲中文日韩久久AV乱码| 欧美三级视频下载| WWW,五月| 狠狠爱综合网| 亚洲色五月| 色欲天天综合| 婷婷成人AV| 九九無妻| 欧美黑人巨大猛烈cuckold| 青吴乐视频| 另类激情五月在线视频欧美| 日日噜狠狠| 九九热精品| 天天肏天天爽夜夜爽| 丁香花操逼| 五月天婷婷激情在线色图| 久久久.COM| 五月激情小说| 99热这里只有精品无码| 黄色五月婷| 99视频这里有精品| 激情五月天色爱| 综合九九久久| 1024人妻| 狠狠操在线视频| 黄色91在线观看| 色婷婷丁香五月| 五月激情网五月综合网| 激情久久婷婷| 色色色无码| 狠狠五月激情婷婷直播片| 正宗黄色毛片| 中文字幕在线观看视频www| 狠狠色激情在线| 婷婷久久天堂网| 天天色天天日| 丁香五月综合网亚洲综合欧美狠狠| 丁香五月婷婷Av| 99久久综合网| 国产VA亚洲VA96| 99精品国产在热久久| 激情婷婷五月天| 亚洲国产精品VA在线看黑人| 久久婷婷五月综合97色一本| 欧美 色婷婷| 伊人网大香| 婷婷五月丁香基| 91九色视频在线观看| 99精品视频在线观看| 六月婷久久| 99精品成人无码A片观看金桔| 色亚洲激情| 五月激情丁香久久综合网| 91人人妻人人操人人爽| 日本综合色图| 青青草原福利在线| 亚洲成人综合在线| 婷婷五月丁香色色| 欧洲亚洲免费视频9| 色色色色色色97| av一区二区电影免费在线观看| 超碰久热| 色婷婷五月视频| 在线国产精品色| 人人搡人人| 亚洲爆乳无码精品AAA片蜜桃| 久久看婷婷| 亚洲激情综合五月婷婷啪啪| 99热日韩| 丁香五月婷婷综合激情啪啪啪啪啪啪啪| 亚洲无码另类| 色丁香五月天婷婷| site:xiongshengzz.com| 久人人操| 久久六月婷婷| 色婷婷亚洲婷婷| 婷婷色色丁香五月天| 欧美亚洲操逼| 人妻爽爽爽久久久久久久久| 操人精品| 激情图片亚洲| 操人91| 色婷另类| 激情小说视频图片网| 婷婷五月天亚洲天堂| 五月婷婷色色色| 都市激情亚洲| 国产免费一区二区三州老师F1……| 思思热在线| 五月天激情四射网站| 狠狠五月激情丁香六月| 亚洲色欲欧美一区二区三区| 婷婷五月色播网| 亚洲AV无码成人精品区电影网| 日韩久久系列| WWW.桔色成人.COM| 日日综合网| 六月婷婷综合激情| 开心激情播播五月天| www.色窝| 欧美激情五月天在线观看| 99性视频| 久久久99免费视频| 日韩大片艹艹| 婷婷五月天丁香综合网| 大香蕉220| 丰满人妻一区二区三区| 六月激情婷婷| 久久九色| 香蕉国产2013| 狠狠久久婷五月| 激情丁香五月| 色婷婷丁香五月天在线观看| 五月亭亭综合五码| 五月激情视频网| 在线,国产,色,热视频| 激情综合青草| 996er在线观看| site:901-07.com| 亚洲中文字幕网| 香蕉久久国产AV一区二区| 欧美超级视频97| 激情婷| 天花AV无码| 亚洲激情六月| 激情av网| 亚洲在线播放| 人妻中文av| 色九月综合网| 99啪啪网| 伊人久久大香线蕉av一区| www.五月婷婷.com| 中文资源在线a| 婷婷五月大香蕉| 婷婷五月亚洲综合| 光棍影院日韩精品| 91九色 婷婷| 全高清无码视頻| 97色热| 五月婷婷另类| 九九99在线观看视频| 性 色 婷婷| 第四色色六月色综合| renrencaoni| 国产夫妻操逼内射视频| 五月天开心婷婷久久| 狠狠狠激情网| 欧美激情凹凸丁香网| 狠狠色噜噜色狠狠狠综合久久成人波 | 26uuu亚洲| 色色国产| av国产精品| 成人 在线观看国产| 99re8热精品免费视频| 色婷婷玖玖影院| 色综合99色| 丁香五月激情综合婷综| 五月丁香激| 久操婷婷| 五月丁香六月婷婷不卡免费无码 | 色婷婷8| 九月婷婷激情久久| 亚洲综合另类| 亭亭玉立国色天香| 婷婷深爱五月天在线| 色色色色色色综合| 亚洲五月婷婷| 丁香成人五月天| 伊人激情AV一区二区三区| 九九婷| 色狠狠综合入口| 婷婷九月丁香| 99这里只有免费的小视频在线观看| 丁香五月激情欧欧美| 九九免费精品| 日韩欧美成人片| 日本天天色| 91夫妻视频| caopeng97人人| 九九视频免费| 五月婷婷激情中心| 天堂在线9| 久久草大香蕉| 99在线资源视频| 久久精品五月天| 99无码免费视频| 大陆肏屄视频| 色五月色图| 日日干日日| 日本玖玖在线| 婷婷丁香五月天综合AV| 伦乱美欧| 五月婷婷成人| 色噜噜狠狠色综合日日| 色婷婷精| 操操操操操操婷婷五月天| 在线观看玖玖资源免费观看| 五月丁香六月天| 久久久久9| 国产日产亚洲系列最新| 综合一区二区三区| 久久99热免费| 狠狠人人婷婷| 超碰人人色| 九草性爱| 欧美日韓成人亚洲精品另类| 久久人妻视频| 91无码色色| 91精品91久久久中77777久久玖玖九九 | 天天肏天天肏天天肏| 人人干天天操五月丁香| 婷婷成人视频| 国产毛片精品一区二区色欲黄A片| 九九精品碰| 亚洲精品操一操、噜一噜、摸一摸、爽| 六月丁香五月激情婷婷| 日韩AV片| 99视频啪啪| 婷婷丁五月| 六九色综合婷婷五月天| 97久久超碰| 五月丁香色色色| 五月激情视频| 亚洲色色香蕉| 亚洲视频一区| 51国精产品自偷自偷综合| 激情玖玖综合网| 丁香五月香蕉在线| 超碰99资源站| 国产高潮A片羞羞视频涩涩| 久9久9热久热| 天天婷婷综合亚洲亚洲| 99精品成人无码A片观看金桔| 久99视频在线观看| 色婷亚洲| www五月| 97操操操| 五月婷婷官网色| 国产看真人毛片爱做A片| 欧美久久婷婷| 另类小说色婷婷| 99亚洲天堂| 五月天婷婷香蕉狠狠超碰综合| 五月天色婷婷网| 熟妇人妻中文字幕无码老熟妇| 日本三级韩三级99久久| 婷婷五月天第三页| 97caop| WWW.五月天9999| 色婷婷六月天| 婷婷激情四射五月天| 色综合久久伊伊婷婷五月| 色婷婷色99国产综合精品| 九色无码| 色深爱五月| 91国产精品视频播放| 亚洲综合网激情小说| 丁香五月色| 国产99热| 久久婷婷国产| 婷婷综合色网| 精品成人a v无码内射| 99国产在线精品视频| 美臀自射自家人妻| 丁香六月五月天| 丁香九月综合| 五月丁香六月在线| 丁香五月婷婷高清| 五月婷婷五月天亚洲无码| 少妇水多A片太爽了| 天堂爱爱| 色五月婷婷在线| 天天色综和网| 色激情五月天| 三级三久久线久久99久目本WW| 五月婷婷综合久久| 操日本三片99| 五月天综合在线观看| 31色区视频免费看| 五月婷导航| 国产精品久久久久久久久久| 国产精品第一国产精品| 久久99精品久| 夜夜操天天爽| 丁香婷婷浪潮AV久久综合| 丁香婷婷综合激情五月色| 国产无套精品一区二区| 婷婷五月开心中文字幕色| 日本狠狠色| 日日爱678| 激情视频网址| bbwcuckold精品熟妇| 色香欲综合| Av性爱网| 东京热免费视频| 五月天激情综合网俺也去| 亚洲中文字幕AV| 97精品综合久久| 无码色| 婷婷激情五月天天天开心| 熟妇人妻中文字幕无码老熟妇| 婷婷在线播放av| 人妻久久久久久久 | 九九热最新地址| 婷婷五月天AV在| 五月丁香婷婷啪啪综合| 久草五月天| 日本97久久久精品| 97好吊操| 狠狠婷婷日韩| 色色a| 9热精品| 亚洲激情在线| 色婷婷欧美在线| 亚洲乱码日产精品BD| 丁香五月成人在线| 久久婷婷综合色丁香| 五月婷婷中文字幕AV| 免费看成人747474九号视频在线观看| 97色啪| 五月婷婷免费在线| 99精品国产乱码久久久人妻| 婷婷六月网| 991自拍视频| 婷婷欧美综合| 四月婷婷五月色综合| 五月丁香久久| 国内婷婷丁香社区在线播放| 荫道BBWBBB高潮潮喷| 婷婷五月天欧美图片在线播放电驴| 91熟妇大香蕉| 99热99干| 亚洲激情综| 99热地址| 视频这里只有精品16| 婷婷五月天涩涩| 99热综合在线| 色婷婷丁香五月观看| 九九热青草| 五月婷视屏在线观看| 另类综合激情| 中文av网站| 久久99久久99精品免视看婷婷| 色五月激情综合网站| 九九99九九99| 梁铮版蜘蛛女在线观看| 久久婷婷免费| 成人短视频在线免费观看| 丁香女人五月天| 67194线路二在线观看| 婷婷丁香五月综合免费视频百花| 思思久久网| 亚洲精品第一国产综合亚AV | 天天插天天干| 99热国产这里只有| 黄色国久久| av在线中文| 97五月天婷婷午夜| 99久久偷拍视频| AV人人操| 五月婷婷影视| 丁香五月婷婷偷拍| 欧美成人猛片AAAAAAA| 色五月大| 婷婷激情另类| 激情性爱网站| 五月丁香| 五月网在线| 色噜噜婷婷| 无码激情AAAAA片-区区| 日本高清综合网五月丁香| 成人做爰A片免费看网站找不到了| 日韩不卡123| 日韩无码专区| 亚洲色vA| 日本色色图| 九色在线五月婷婷网址| 五月丁香啪啪综合| AV天堂婷婷五月天| 久久人操| 丝雨一区二区| 国产性爱亚洲是图| 精品99只有。| 婷婷五月天堂| 97操资源婷婷| 色婷婷导航| 夜夜谢天天干| 久久五月丁香激情综合| 色综合大香蕉| 91 久热| 欧美性爱五月天| 夜夜操天天爽| 99热香港| 91久久精品视频| 丰满少妇乱A片无码| 婷婷中文字幕| 五月激情婷婷开心| 天天操天天爱天天日| 日本色色网站| 婷婷五月成人社区| 丁香五月性| 天天做天天爱天天爽综合网| 激情五月亚洲综合网| 精品久久9| 超碰国产在线观看| 不卡在线中文字幕无| 99精品在线观看视频| √天堂资源在线人妻熟女| 99热精品无码|