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。

基于CNN的動物疲勞識別:從圖像分類到深度學習全流程實戰(zhàn)

基于CNN的動物疲勞識別:從圖像分類到深度學習全流程實戰(zhàn) 做畢設(shè)選題的時候很多同學一聽到“動物疲勞識別”第一反應是“這東西怎么做”第二反應是“是不是太偏了”。實際上這個題目放到計算機視覺的框架里就是一個典型的圖像二分類問題給一張動物圖像判斷它處于疲勞狀態(tài)還是正常狀態(tài)。沒有目標檢測沒有語義分割沒有姿態(tài)估計門檻非常友好但它又足夠完整能讓你把數(shù)據(jù)采集、標注、模型訓練、評估、部署這一整套深度學習流程全部走一遍。這篇文章就以我實際帶過的一個模擬項目X為例把基于CNN卷積網(wǎng)絡(luò)的動物疲勞識別從零到落地講清楚適合正在準備畢業(yè)設(shè)計、打算入門圖像分類的讀者直接參考。我先把話放在前面這個項目的核心價值不在于“識別準確率能有多高”而在于你能不能把每一個環(huán)節(jié)都處理好。數(shù)據(jù)定義是否合理、標注是否一致、訓練過程是否可復現(xiàn)、評估指標是否選對了這些才是答辯和高分的關(guān)鍵。下面我按整個項目推進的時間線來拆解每一部分都會給出我實際操作中的具體參數(shù)、踩過的坑和修正經(jīng)驗。1. 選題分析與整體技術(shù)路線1.1 這個題目為什么會成為一個好的畢設(shè)選題很多同學選畢設(shè)題目時會陷入兩個極端要么選一個非常宏大但根本做不完的方向比如“基于深度學習的智能養(yǎng)殖系統(tǒng)”聽起來很唬人但涉及檢測、跟蹤、識別、告警好幾塊一個人短期根本搞不定要么選一個過于簡單的東西比如用現(xiàn)成的模型跑一下公開數(shù)據(jù)集寫個報告就完事答辯時很容易被問住?!皠游锲谧R別”恰好卡在中間位置。從技術(shù)難度看它不需要你做復雜的目標定位只要圖像里動物主體相對明確CNN就能直接端到端學習疲勞特征。從算法深度看它涉及到圖像分類任務的典型難點——類間差異小、類內(nèi)差異大、樣本不均衡這些都是可以寫進論文的實質(zhì)內(nèi)容。從應用價值看疲勞狀態(tài)監(jiān)測在畜牧業(yè)、寵物健康監(jiān)護、實驗動物狀態(tài)評估等領(lǐng)域都有真實需求不是憑空捏造的場景。我當時給A同學建議這個題目的時候特別強調(diào)了一點不要試圖一步到位做一個“全自動畜牧疲勞監(jiān)測系統(tǒng)”那是產(chǎn)品級目標。畢設(shè)的核心是把“基于CNN的動物疲勞識別”這個算法鏈路做扎實最后能給出一個可復現(xiàn)的模型、一組可靠的評估數(shù)據(jù)、一個簡單的推理調(diào)用方式就非常完整了。這個定位很重要因為很多人的畢設(shè)最后爛尾不是技術(shù)能力不夠而是目標定得太大時間被各種邊角料吞掉了。1.2 疲勞狀態(tài)怎么定義數(shù)據(jù)從哪來這個題目的第一個坑就是對“疲勞”的定義。疲勞不是一只動物站在那里寫著“我很累”它是一種需要人為約定的視覺狀態(tài)。如果不把定義先想清楚后面所有的標注都會亂套。在實際操作里我們采用的是“行為學特征 影像特征”結(jié)合的定義方式。針對常見的哺乳動物以某實驗農(nóng)場的一批動物為樣本我們約定以下可辨識特征作為疲勞狀態(tài)的判斷依據(jù)眼睛閉合程度疲勞狀態(tài)下眼睛閉合面積明顯超過正常狀態(tài)或者出現(xiàn)持續(xù)性半閉耳朵姿態(tài)健康狀態(tài)下耳朵經(jīng)常轉(zhuǎn)動、豎起疲勞狀態(tài)下耳朵低垂活動頻率降低頭部角度疲勞的動物頭部經(jīng)常低垂少見主動環(huán)顧四周的動作反應速度這個特征在單張靜態(tài)圖像里無法直接體現(xiàn)所以我們只作為輔助條件不作為主要標注依據(jù)。你可以看到這個定義里面“眼睛閉合程度”“耳朵姿態(tài)”“頭部角度”都是可以在單張圖像上觀察到的這就保證了人工標注的可操作性。疲勞狀態(tài)是二分類標簽如果后續(xù)你想做成三分類正常、輕度疲勞、重度疲勞可以在此基礎(chǔ)之上擴展但畢設(shè)階段建議先做二分類。數(shù)據(jù)來源方面我們用了兩條腿走路一部分來自公開的動物行為圖像集另一部分是我們自己在模擬場景下拍攝的。公開數(shù)據(jù)的好處是量大、覆蓋場景廣壞處是標注標準不一定和我們的定義一致自采數(shù)據(jù)的好處是標注可控壞處是需要花時間和精力。對于畢設(shè)來說我建議公開數(shù)據(jù)占比大概七成、自采數(shù)據(jù)三成這樣既能保證數(shù)據(jù)量又能保證評價時有自己可控的驗證集。需要注意的是公開數(shù)據(jù)里如果有非常不清晰的圖像寧可不要也不要讓它污染訓練集。1.3 整體技術(shù)路線整個項目的技術(shù)路線可以歸納為五步數(shù)據(jù)采集與清洗、疲勞標簽標注、圖像預處理與增強、CNN模型訓練與調(diào)優(yōu)、模型評估與推理封裝。不要跳過任何一步尤其是數(shù)據(jù)清洗和標注一致性檢查很多人為了趕進度在這一塊偷工減料后期訓練時各種奇怪問題都會冒出來。模型方面我們采用的是經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。從零搭建了一個小規(guī)模的CNN同時也做了基于預訓練殘差網(wǎng)絡(luò)的遷移學習實驗最后對比發(fā)現(xiàn)兩種方案在不同數(shù)據(jù)規(guī)模下的表現(xiàn)差異。對于有GPU環(huán)境的同學我建議兩條路線都跑一下答辯時這是一個很好的工作量體現(xiàn)如果設(shè)備限制比較大可以從零搭建的小網(wǎng)絡(luò)開始效果也完全夠用。我把整個流程的時間分配建議寫在下面表格里你可以根據(jù)自己的周期調(diào)整階段時間占比說明數(shù)據(jù)采集與標注30%決定模型上限最容易被低估預處理與增強15%清洗、統(tǒng)一尺寸、增強策略模型搭建與訓練30%結(jié)構(gòu)設(shè)計和調(diào)參迭代評估與分析15%指標、混淆矩陣、誤判案例模塊封裝與文檔10%推理腳本、README、答辯材料這個時間分配不是我隨便寫的。我見過太多同學在模型訓練上死磕卻忽略了數(shù)據(jù)標注的質(zhì)量最后訓練出來的模型在測試集上準確率很高一拿到自己拍的照片上就崩。原因往往不是模型不行而是訓練數(shù)據(jù)和真實場景差異太大或者標注標準不統(tǒng)一導致模型學到的特征混亂。2. 數(shù)據(jù)集構(gòu)建與預處理2.1 數(shù)據(jù)采集的實操細節(jié)數(shù)據(jù)采集聽起來簡單不就是拍照片嗎但在實際操作中有幾個細節(jié)直接決定了數(shù)據(jù)的可用性。首先是拍攝角度的一致性。在自采數(shù)據(jù)時我強烈建議固定攝像頭的安裝高度和角度盡量避免出現(xiàn)俯拍、仰拍混雜的情況。CNN雖然有一定的尺度和平移魯棒性但角度差異過大時模型很容易學到“角度特征”而不是“疲勞特征”。我們在模擬場景中把攝像頭固定在側(cè)上方約45度角的位置保證動物主體在畫面中央且完整。其次是光線條件。疲勞狀態(tài)判斷非常依賴眼睛和耳朵的細節(jié)光線過暗時這些特征會被噪聲淹沒。自采數(shù)據(jù)的時候盡量在自然光充足的條件下拍攝不要使用會導致偏色的彩色光源。如果你之后要對公開數(shù)據(jù)進行清洗優(yōu)先選擇那些主體清晰、光照均勻的圖像模糊的、嚴重過曝的、主體被遮擋的圖像直接舍棄。第三是樣本的去重問題。很多人從視頻里抽幀如果直接連續(xù)抽幀相鄰幀之間高度相似這些近重復樣本會被訓練集和驗證集同時包含導致驗證準確率虛高。我們當時抽幀策略是每隔若干幀抽一幀并且抽完以后計算相鄰幀的像素相似度相似度超過閾值的保留一張其余的丟棄。這個操作雖然簡單但能有效避免數(shù)據(jù)泄漏在答辯時也是可以講的細節(jié)。最后要檢查的是類別平衡性。疲勞狀態(tài)在自然場景里本來就是少數(shù)情況所以采集到的正常樣本往往比疲勞樣本多很多。我們的初始數(shù)據(jù)集里正常和疲勞的比例大概是3.5比1這個比例如果不處理模型會傾向于把所有樣本都預測為正常因為這樣準確率也能到70%以上。后面我會講具體的處理辦法但至少你要先心里有數(shù)你的數(shù)據(jù)不平衡程度有多嚴重各是多少張圖。2.2 標注標準的制定與一致性檢查標注是項目中最容易被輕視的環(huán)節(jié)也是影響最終結(jié)果最大的環(huán)節(jié)。一張圖像到底算疲勞還是正常不同人看可能結(jié)果不同所以必須要把標準提前固化下來。我們當時做了一套標注規(guī)范文檔里面寫明了各種邊界情況的判定規(guī)則。比如眼睛半閉但耳朵豎直怎么算答案是只要眼睛閉合面積超過整個眼球面積的一半就傾向判定為疲勞耳朵姿態(tài)作為輔助修正。頭部低垂但眼睛完全睜開怎么算答案是以眼睛狀態(tài)為主判定為正常。這套規(guī)則看起來非常死板但它保證了不同標注者之間的一致性。實際操作中我們讓三個人獨立對同一批圖像進行標注最后取多數(shù)票作為最終標簽。三個人標簽不一致的圖像單獨挑出來討論討論后仍無法達成一致的直接棄用。你可能會覺得三個人標注太奢侈但對于畢設(shè)來說哪怕只有你自己一個人標注也建議隔一段時間后重標一次然后對比兩次標注的一致性。我們當時第二遍重標的時候發(fā)現(xiàn)有接近5%的圖像兩次標注結(jié)果不一致這些圖像基本集中在模糊和遮擋比較嚴重的區(qū)域。把它們剔除之后模型的訓練過程明顯穩(wěn)定了很多。另外一個我強烈建議的操作是在標注完成之后按照類別分別隨機抽取一部分圖像人工快速瀏覽一遍確認是否有標錯的異常值。這個檢查看起來沒有技術(shù)含量但能阻止臟數(shù)據(jù)進入訓練流程。很多同學把時間花在調(diào)學習率上卻不愿意花半小時做數(shù)據(jù)檢查這完全搞反了優(yōu)先級。2.3 數(shù)據(jù)增強怎么做才不會引入問題數(shù)據(jù)增強是圖像分類任務里繞不開的環(huán)節(jié)。它的本質(zhì)是對原始圖像做一系列隨機變換生成更多樣的訓練樣本從而提升模型的泛化能力。對于動物疲勞識別這個場景我們用到的增強操作包括水平翻轉(zhuǎn)這個操作對于動物圖像來說是安全的因為左右翻轉(zhuǎn)不會改變疲勞語義隨機裁剪在原始圖像上隨機裁剪一部分后縮放到固定尺寸可以模擬不同的取景范圍亮度與對比度擾動適當模擬光線條件變化輕微旋轉(zhuǎn)在正負15度范圍內(nèi)隨機旋轉(zhuǎn)模擬拍攝角度的小幅波動。這里有一個很重要的原則增強操作不能改變疲勞語義。比如垂直翻轉(zhuǎn)就不能用因為動物如果倒過來特征分布完全沒有意義了。還比如過度的隨機裁剪如果裁掉了動物主體模型學到的就是背景特征這也會出問題。所以我們裁剪的范圍通??刂圃谠紙D的0.7到1.0之間并且要保證裁剪后圖像里動物主體仍然可見。增強策略還要注意訓練集和驗證集的區(qū)別。驗證集和測試集一定不要做任何數(shù)據(jù)增強最多做一個尺寸歸一化和歸一化處理否則你評估的就是增強后的數(shù)據(jù)性能而不是模型本身的能力。這是一個很基礎(chǔ)但容易被忽略的細節(jié)。預處理方面統(tǒng)一的圖像尺寸我們定為224乘224像素這也是主流圖像分類模型的標準輸入大小。像素值歸一化到0到1區(qū)間方便模型訓練時梯度穩(wěn)定。如果你用的是預訓練模型建議直接用它在ImageNet上統(tǒng)計的均值和標準差做標準化而不是自己重新統(tǒng)計這樣遷移效果更穩(wěn)。3. CNN模型設(shè)計與核心參數(shù)選擇3.1 從零搭建還是用預訓練模型這是每個做圖像分類的人都會面臨的選擇題。我給出的建議是如果你手里只有幾千張圖像優(yōu)先使用預訓練模型做遷移學習如果數(shù)據(jù)集到了幾萬張的規(guī)模從零搭建的CNN也能有不錯的表現(xiàn)。為什么這么說因為預訓練模型在大型通用圖像數(shù)據(jù)集上學到過豐富的底層特征比如邊緣、紋理、形狀。這些特征對動物圖像同樣有效你只需要讓模型在動物疲勞數(shù)據(jù)上微調(diào)高層特征即可。從零搭建的CNN需要從隨機初始化開始學習所有特征在數(shù)據(jù)量不足時容易欠擬合或過擬合。不過從畢設(shè)角度出發(fā)我還是建議把兩種方案都跑一遍做一個對比實驗。這個對比本身就是工作量也是論文里可以寫的一章內(nèi)容。我們的實驗中預訓練殘差網(wǎng)絡(luò)在驗證集上的準確率比從零搭建的小CNN高了大約4到5個百分點尤其是在疲勞類別上的召回率提升更明顯。如果你設(shè)備資源有限也不需要擔心。預訓練模型可以用CPU訓練只是慢一些。很多同學以為深度學習必須要有好顯卡其實對于二分類任務、小數(shù)據(jù)集來說CPU也完全可以跑只不過一次訓練可能要幾個小時。我后面給出的訓練策略里會提到如果速度太慢可以減少訓練輪次、降低輸入分辨率這些都是可接受的折中方案。3.2 具體網(wǎng)絡(luò)結(jié)構(gòu)示例如果你想從零搭建一個輕量的CNN我給你一個我實測過非常穩(wěn)的結(jié)構(gòu)方案。輸入是224乘224的RGB圖像經(jīng)過下面這些層卷積層1輸出通道32卷積核大小3乘3填充1激活函數(shù)ReLU后面接2乘2最大池化 卷積層2輸出通道64卷積核大小3乘3填充1激活函數(shù)ReLU后面接2乘2最大池化 卷積層3輸出通道128卷積核大小3乘3填充1激活函數(shù)ReLU后面接2乘2最大池化 展平后接全連接層256維加ReLU和Dropout最后接一個2節(jié)點的全連接分類層輸出對應正常和疲勞兩個類別的邏輯回歸值。這個結(jié)構(gòu)的整體參數(shù)量在百萬量級對畢設(shè)來說完全夠用。如果你用PyTorch實現(xiàn)核心代碼大概長這樣import torch.nn as nn class AnimalFatigueCNN(nn.Module): def __init__(self, num_classes2): super(AnimalFatigueCNN, self).__init__() self.features nn.Sequential( nn.Conv2d(3, 32, kernel_size3, padding1), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), nn.Conv2d(32, 64, kernel_size3, padding1), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), nn.Conv2d(64, 128, kernel_size3, padding1), nn.ReLU(inplaceTrue), nn.MaxPool2d(2) ) self.classifier nn.Sequential( nn.Flatten(), nn.Linear(128 * 28 * 28, 256), nn.ReLU(inplaceTrue), nn.Dropout(0.5), nn.Linear(256, num_classes) ) def forward(self, x): x self.features(x) x self.classifier(x) return x注意這里全連接層的輸入維度是根據(jù)前面特征圖尺寸算出來的。224輸入經(jīng)過三次2倍池化之后變成28乘28再乘上卷積通道數(shù)128就是128乘28乘28。很多同學在復現(xiàn)時最容易在這里報錯所以一開始就把計算過程理清楚。如果你選擇預訓練模型路線可以把模型最后一層全連接替換成輸出維度為2的新全連接層其他部分沿用預訓練權(quán)重。這些模型在深度學習框架里都有直接加載的方式不需要自己重新實現(xiàn)。訓練時凍結(jié)前幾層參數(shù)、只微調(diào)后面幾層的方式在數(shù)據(jù)量比較小的時候效果更穩(wěn)。3.3 損失函數(shù)、優(yōu)化器與超參數(shù)設(shè)定二分類任務的損失函數(shù)首選交叉熵損失。PyTorch里的CrossEntropyLoss已經(jīng)結(jié)合了Softmax不需要在網(wǎng)絡(luò)最后一層再手動加激活函數(shù)。如果類別不平衡可以給損失函數(shù)傳入類別權(quán)重讓少數(shù)類樣本的錯誤產(chǎn)生更大的梯度。我們當時的正常樣本數(shù)量大約是疲勞樣本的3.5倍所以在CrossEntropyLoss里給疲勞類設(shè)置的權(quán)重是3.5給正常類的權(quán)重是1.0。這個簡單的操作讓疲勞類別的召回率明顯提升。優(yōu)化器方面我推薦使用Adam初始學習率設(shè)置為0.001。Adam自帶自適應學習率調(diào)整對于第一次做深度學習項目的同學來說使用門檻比SGD低很多不需要手動調(diào)整動量等參數(shù)。如果用的是預訓練模型遷移學習學習率可以降到0.0001因為模型已經(jīng)在一個比較好的初始點上學習率太大會破壞已經(jīng)學好的特征。批次大小我設(shè)置為32。這個數(shù)值在大部分顯卡甚至CPU上都能跑得動同時梯度更新也比較穩(wěn)定。不要為了追求速度把批次設(shè)得過大對于這種小數(shù)據(jù)集批次64以下效果差異不大但一旦內(nèi)存溢出就很麻煩。訓練輪次我們先設(shè)定為30到50輪配合早停機制使用。所謂早停就是每一輪訓練后在驗證集上計算準確率如果連續(xù)若干輪驗證準確率不再提升就提前終止訓練防止過擬合。這個機制在實際訓練中非常有用我們在第35輪左右觀察到了明顯的驗證損失上升趨勢如果不早停繼續(xù)訓練到50輪模型在測試集上的表現(xiàn)反而會下降。如果你想完全復現(xiàn)我的實驗條件還需要設(shè)置隨機種子。PyTorch和Python的隨機數(shù)生成器、NumPy的隨機數(shù)生成器都要設(shè)置同一個種子。這樣不同人運行同一個腳本能得到一模一樣的結(jié)果這在畢業(yè)論文里是一個可復現(xiàn)性加分項。代碼很簡單就是固定seed為某個整數(shù)然后設(shè)置環(huán)境變量和各個庫的種子這里不展開。4. 訓練實操與避坑記錄4.1 數(shù)據(jù)劃分與訓練策略數(shù)據(jù)劃分方式會直接影響你對模型效果的判斷。我們當時把數(shù)據(jù)集按7比2比1劃分為訓練集、驗證集、測試集。很多同學只劃分訓練集和測試集沒有單獨的驗證集然后在測試集上調(diào)參數(shù)這是非常大的錯誤。調(diào)參過程本身已經(jīng)利用了測試集的信息最后得到的準確率是偏樂觀的不能真實反映模型泛化能力。分出一個驗證集專門用來調(diào)參和早停測試集只在最終評估時使用一次結(jié)果才可信。劃分的時候還要注意按個體劃分而不是簡單隨機劃分。什么意思呢如果同一個動物的多張圖像同時出現(xiàn)在訓練集和測試集里模型可能記住了這個動物的特征而不是學到通用的疲勞特征測試集準確率會虛高。我們當時按動物個體先分好組確保同一個體的圖像只出現(xiàn)在一個集合里。這個細節(jié)乍一看不重要但答辯時如果評委問“你的模型是不是真的泛化到了新動物”你就能給出一個站得住的答案。訓練過程中我習慣每一輪都打印訓練損失、訓練準確率、驗證損失、驗證準確率四組數(shù)據(jù)。不要只看準確率損失下降曲線更能反映模型是否收斂。很多情況下準確率看起來沒變化但損失還在緩慢下降說明模型仍在學習反過來準確率很高但驗證損失開始上升說明已經(jīng)在過擬合了。如果資源允許每次訓練結(jié)束以后保存最優(yōu)模型權(quán)重而不是最后一輪的權(quán)重。因為最后一輪可能已經(jīng)過擬合或者開始波動最優(yōu)權(quán)重通常是驗證準確率最高的那個時刻的權(quán)重。我在訓練腳本里加入了一個簡單的判斷當驗證準確率超過歷史最佳值時保存當前模型參數(shù)。這個策略簡單但非常有效。4.2 訓練曲線怎么看訓練曲線是診斷模型狀態(tài)最重要的工具。我一般會在訓練結(jié)束后把損失曲線和準確率曲線畫在一張圖上直觀地觀察模型行為。常見的情況有幾種。第一種是訓練損失下降驗證損失也在下降這是最健康的狀態(tài)說明模型在學習且沒有過擬合。第二種是訓練損失下降驗證損失先降后升說明模型開始過擬合了。這時候可以回調(diào)早停、增加Dropout、增加數(shù)據(jù)增強或者減少模型參數(shù)。第三種是訓練損失和驗證損失都幾乎不降這說明模型容量不足或者學習率設(shè)置不合理需要增加網(wǎng)絡(luò)深度、寬度或者調(diào)大學習率。第四種情況比較隱蔽訓練準確率很高但驗證準確率一直在某個較低水平徘徊。這通常是數(shù)據(jù)劃分出了問題比如訓練集和驗證集分布不一致或者驗證集數(shù)據(jù)量太小、噪聲太大。我遇到過類似的情況后來檢查發(fā)現(xiàn)驗證集里有幾張圖像存在標注錯誤把它們剔除之后驗證準確率正常了。所以看到曲線異常先懷疑數(shù)據(jù)和標注再去動模型。我強烈建議你養(yǎng)成記錄每次實驗的參數(shù)和結(jié)果的習慣。我當時用了一個簡單的表格記錄學習率、模型結(jié)構(gòu)、是否用預訓練、數(shù)據(jù)增強方式、驗證準確率等關(guān)鍵信息。這樣做的好處是調(diào)參不再靠感覺每次修改都有據(jù)可查。很多同學調(diào)參沒過一會兒就忘了自己試過什么后期總結(jié)實驗部分的時候才知道有多痛苦。4.3 常見問題與排查方法訓練過程中我遇到的典型問題整理成表格給你參考癥狀可能原因排查方向損失一直不下降學習率過大或過小嘗試0.01、0.001、0.0001梯度訓練準確率正常驗證準確率低過擬合檢查是否缺驗證集、增強策略、Dropout正常類別準確率高疲勞類別很低類別不平衡給損失函數(shù)加類別權(quán)重或?qū)ι贁?shù)類過采樣換一批圖像后效果崩掉訓練數(shù)據(jù)和實際場景差異大增加自采數(shù)據(jù)統(tǒng)一拍攝條件預測結(jié)果總偏向某一個類別閾值或類別權(quán)重問題調(diào)整決策閾值或重新設(shè)計損失權(quán)重還有一個容易被忽視的問題圖像的EXIF信息里的方向標記。手機拍攝的照片有時會帶有旋轉(zhuǎn)標記直接讀圖時一些庫不會自動處理方向?qū)е聢D像被旋轉(zhuǎn)了90度。訓練和測試時旋轉(zhuǎn)方向不一致模型自然表現(xiàn)不穩(wěn)定。解決辦法是在數(shù)據(jù)預處理階段統(tǒng)一將所有圖像轉(zhuǎn)換成RGB并校正方向輸出為標準的三通道圖像。推理階段也常遇到一個問題輸入圖像的尺寸和訓練時不一致。如果你訓練時統(tǒng)一縮放到224乘224那么推理時也必須走同樣的預處理流程不能直接拿一張1920乘1080的原圖丟給模型。我的做法是把預處理邏輯寫成一個獨立的函數(shù)訓練和推理共用同一個函數(shù)避免兩邊出現(xiàn)差異。這些都是很小的細節(jié)但往往就是這些細節(jié)決定了最終成績。5. 模型評估與結(jié)果分析5.1 評價指標怎么選二分類任務的評價指標不只有準確率。在動物疲勞識別場景下準確率甚至不是最重要的指標。設(shè)想一下如果目的是篩選出疲勞狀態(tài)的動物我們更關(guān)心的是“把疲勞動物漏掉”的概率有多低也就是疲勞類別的召回率。反過來如果資源有限、不可能對所有標記疲勞的個體都查驗那么精確率也很重要。所以我建議你至少報告四個指標準確率、精確率、召回率、F1值并且分別計算正常類別和疲勞類別各自的數(shù)值而不是只給一個總的準確率?;煜仃囈惨嫵鰜硭苤庇^地展示模型在哪一類上犯錯更多。我們在測試集上的最終結(jié)果顯示預訓練模型的整體準確率約為93%但把混淆矩陣拆開看正常類的召回率是96%疲勞類的召回率只有88%。這說明疲勞類被漏檢的概率仍然偏高。針對這個情況我們通過調(diào)整分類閾值將決策邊界向疲勞類別偏移在疲勞類召回率提升到92%的同時正常類召回率小幅下降到93%整體F1值更均衡了。這個調(diào)整操作在論文里可以寫得很有說服力因為你已經(jīng)從“模型訓練”進入了“模型決策”層面的優(yōu)化。5.2 測試結(jié)果實測記錄這里給出我們一組實際的測試記錄數(shù)據(jù)來自一個模擬場景下的動物圖像集類別是二分類。需要注意這組數(shù)據(jù)僅供你理解評估流程不同數(shù)據(jù)分布下結(jié)果一定會有差異你的任務是把評估方法做對而不是套用某一個準確率數(shù)值。在測試集共400張圖像上正常類200張疲勞類200張這里為了展示效果我們做了類別均衡處理實際中不需要強行均衡測試集保持原始分布更真實。指標數(shù)值整體準確率92.5%正常類精確率94.1%正常類召回率96.0%疲勞類精確率89.2%疲勞類召回率88.0%宏平均F10.915可以看到疲勞類精確率明顯低于正常類。這說明模型把一部分正常圖像誤判成了疲勞。我逐個查看誤判圖像后發(fā)現(xiàn)最常見的情況是圖像里動物正在閉眼休息或者低頭吃食單從視覺特征上看確實和疲勞比較接近。這種情況下模型犯錯其實情有可原因為只憑單張靜態(tài)圖像人類也不能做到百分之百準確。這個觀察讓我意識到如果后續(xù)想要進一步提升效果引入視頻時序信息會是一個合理方向。當然畢設(shè)階段做到這一步已經(jīng)很完整了時序模型可以作為展望章節(jié)的內(nèi)容來寫。5.3 誤判案例拆解誤判案例分析是論文里很出彩的部分因為它能體現(xiàn)你對問題本質(zhì)的理解。我舉一個我們遇到的典型例子一張動物的側(cè)面照眼睛睜得很大按標注規(guī)則應該判為正常但模型輸出了疲勞類別。我仔細對比了同類圖像發(fā)現(xiàn)模型學到的疲勞特征里可能包含“頭部低垂耳朵下垂”的組合而這張圖像里動物的耳朵恰好是向后壓的物理位置上和疲勞樣本比較像因此模型發(fā)生了混淆。這類問題很難單純靠調(diào)參解決更可行的路徑是增加類似硬樣本的訓練數(shù)據(jù)或者在預處理階段把耳朵區(qū)域單獨裁剪出來作為輔助輸入。當然這些都是畢設(shè)之后可以繼續(xù)做的方向不需要在一開始的版本里實現(xiàn)。與之相反的另一類誤判是圖像里動物眼睛明顯半閉但模型判成了正常。這類誤判更危險因為它是漏檢。我分析后發(fā)現(xiàn)這些圖像里動物處于側(cè)后方角度眼睛區(qū)域被毛發(fā)的陰影覆蓋視覺特征非常弱。說明模型對眼睛局部區(qū)域的敏感性還不夠。解決思路有兩個一是用注意力機制讓模型更關(guān)注眼睛和耳朵區(qū)域二是使用目標檢測先定位頭部區(qū)域再做分類。這兩種方法都會顯著增加項目的復雜度所以我當時沒有在畢設(shè)主流程中加入而是留在了改進方案里。6. 模型部署與后續(xù)擴展6.1 模型導出與推理封裝畢設(shè)如果只停留在訓練腳本和準確率報告里總覺得少了點東西。我建議至少做一個簡單的推理腳本讓老師或者同學能直接拿一張新圖像傳入模型輸出分類結(jié)果和置信度。這個動作不復雜但會讓整個項目的完整度提升一個檔次。我用PyTorch為例說一下導出流程。訓練結(jié)束后把模型狀態(tài)字典加載回模型結(jié)構(gòu)然后調(diào)用eval模式。需要特別注意的是一定要在eval模式下推理否則BN層和Dropout層的行為會和訓練時不一致。我在沒加eval模式的時候推理結(jié)果忽好忽壞查了半天才發(fā)現(xiàn)是這地方的小問題。如果想讓推理速度更快、脫離深度學習框架環(huán)境運行可以把模型導出為ONNX格式然后使用ONNX Runtime加載。ONNX是一個通用的模型交換格式很多平臺都能直接運行。部署到邊緣設(shè)備的時候也可以轉(zhuǎn)成更輕量的格式但畢設(shè)階段做到ONNX這一步已經(jīng)完全夠用。一個最簡單的推理流程大概是讀取圖像統(tǒng)一縮放和歸一化輸入模型得到兩個類別的得分再經(jīng)過Softmax轉(zhuǎn)成概率取概率較大的類別作為輸出同時打印出置信度。我還建議在推理腳本里加入一個邊界情況判斷如果輸入圖像是灰度圖先轉(zhuǎn)換成三通道RGB如果圖像里沒有動物主體直接提示用戶重新輸入不要硬跑模型輸出一個沒有意義的結(jié)果。這些交互細節(jié)看似不起眼但對于一個需要演示的項目來說非常重要因為現(xiàn)場演示出問題的概率其實很高提前加好防御邏輯能幫你避免尷尬。6.2 后續(xù)還能怎么擴展畢設(shè)答完以后如果你對這個方向還有興趣可以沿著幾個方向繼續(xù)深入。最直接的方向是增加類別把二分類擴展為“正常、輕度疲勞、重度疲勞”三分類配合更細的數(shù)據(jù)標注規(guī)范。第二個方向是引入時序信息用視頻片段而不是單張圖像來判斷疲勞狀態(tài)通過幀序列捕捉動物的動態(tài)行為特征比如反應速度、活動頻率這些在靜態(tài)圖像里完全無法體現(xiàn)。第三個方向是把區(qū)域感知和分類結(jié)合先檢測動物頭部、眼睛區(qū)域然后對這個局部區(qū)域做疲勞判斷理論上能降低背景干擾。還有一個我比較看好的方向是遷移到不同動物種類上。你可以在一個動物種類上訓練好模型然后通過少量數(shù)據(jù)和微調(diào)把它適配到另一個種類這樣可以大幅降低人工標注成本。這個方向在真實應用場景中價值很高也適合作為后續(xù)研究內(nèi)容寫進論文展望。做這個項目的整個過程里我個人最大的體會是模型的代碼實現(xiàn)反而是整個流程里最簡單的一環(huán)真正花時間的、決定成敗的永遠是數(shù)據(jù)定義、數(shù)據(jù)處理和評估設(shè)計。很多同學一上來就想用最高級的網(wǎng)絡(luò)結(jié)構(gòu)、最流行的訓練技巧結(jié)果忽略了最基本的數(shù)據(jù)質(zhì)量檢查最后模型泛化能力一塌糊涂。如果你準備做這個題目我真心建議你把一半以上的時間花在數(shù)據(jù)上先把數(shù)據(jù)和評估體系做扎實再談模型結(jié)構(gòu)你會發(fā)現(xiàn)問題少很多。最后分享一個小技巧把所有實驗的超參數(shù)、結(jié)果、踩坑記錄都寫在一個單獨的文檔里包括失敗了的東西也記下來。答辯的時候評委問“你有沒有嘗試過其他方案”你就能自然地講出來“試過效果不好原因是什么”。這種回答展示的是真實的研究過程遠遠比只講成功的部分更有說服力。希望這篇內(nèi)容能幫你在畢設(shè)路上少走幾個彎路也祝你最后能交出一份自己滿意的項目。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
99热久久最新地址| 激情六月婷婷| 99综合入口| 操一操| 丁香五月色| 五月丁香亚洲校园欧美| 婷婷五月花| 99视频精品视频| 婷婷视频网| VA五月激情在线| 婷婷天堂站| 只有精品在线观看| 国产人妻777人伦精品HD| 99热6这里之有精品| 99综合| 激情五月婷婷欧美极品| 97成人操| 丁香五月天啪啪| 日韩免费99| 五月丁香六月婷婷激情视频在线观看免费 | 91色干| 538久久| 丁香五月天激情| 天天舔夜夜操www com| 伊人五月天在线| 亚州精品色情无码A片| 狠狠操天天干| 久久在线人妻| 热五月婷婷| 久99视频在线观看| 婷婷六月丁香色| 国模九区| 99色在线观看视频| 六月丁香啪啪| 热日韩欧美| 九九婷婷五月天| www.色9| 精品久热| 99热99干| 丁香五月激情宗合网| 粉嫩av懂色av蜜臀av熟妇| 五月丁香日本一抹本| 99精品国产在热久久| 六月丁香激情婷婷| 六月婷基地| 婷色五月| 色欲久久久久| 日本色噜| 天天色天天日| 丁香五月婷婷日本| 精品福利911| 丁香五月婷婷www..com| 色色国产| 久久丁香综合| 九九99视频精品| 婷婷亚洲在线| 婷婷九月亚洲| 六月久久狠狠| 天天爽天天爽天天爽天天爽天天爽天天爽天天| 一区二区无码视频| 99久热| 另类激情五月| 成人在线视频一区| 久久人人妻| 开心五月婷婷在线| 99国产小视频2013| 大香蕉Av在线| 婷婷五月天丁香综合网| 婷婷的色色五月天| 极品人妻videosss人妻| 99色综合网| 五月激情久久| AV中文网| 无码人妻少妇色欲AV一区二区 | 狠狠色狠狠色综合日日91| 啪啪五月综合| 亚洲精品一二三| 玖玖婷婷综合| 久久六月综合| 视色综合| 婷婷五月天AV激情| 热的五码久久精品| 狠狠色噜噜狠狠狠狠综合| 色99视| 日本97在线看片| 亭亭五月激情亚洲在线| 日韩无码专区| 天堂成人久久| 欧美性猛交AAAA片黑人 | AA片在线观看视频在线播放| 五月天婷婷综合久久| 色狠狠色噜噜AV天堂五区| 久久九九中文字幕| 淫视馆av三区| 99国产精品久久久久久久久久久 | 日逼影音先锋AV男人资源站| 色香蕉精品五夜婷| 综合婷婷| 伊人干综合| 久热这里只有精品在线| 婷婷五月天亚洲激情戏精品| 侠女刀之记忆电影在线看免费| 激情六月天婷婷| 五月丁香狠狠爱婷婷综合| 丁香激情五月天| 99热免费| 99操免费视频| 婷婷久久综合| 五月天天综合| 五月丁香久久| 天天综合91入口| 最新无码专区| 热思思九九| 五他月天啪啪啪| 婷婷五月天伊人网在线观看视频| 五月丁香亭亭| AV操操操| 激情丁香六月| 五月丁香六月片| www.狠狠| 久久 天天| 亚洲视频五区| 99这里只有精品视频| 婷婷五月天美女视频| 婷婷综合在线视频| 激情 婷婷| 久久久色情| 中文字幕成人网站| 激情小说五月天社区丁香 | 丁香九月激情| 91婷婷丁香五月亚洲| 丁香五月天在线观看视频| 五月天丁香久久| 人妻无码精品一区| 色色色婷婷| 亚洲婷婷免费| 最新va在线播放| 五月激情站| 黄网在线播放| 久久久久久xxxxx| 九九re精品视频在线观看| www亚洲无码| 99re思思热久久| 丁香激情五月| 99精品综合视频| 色狠狠综合| 五月综合视频| 国产精品久久久久9999小说 | 99视频综合| 久9久9久9久9久9久9| 久草热在线视频| 99久久综合| 成人亚洲精品| 成人片在线播放| 9视频在线成人网站| 雪千夏麻豆| 色小说五月婷婷| 亚洲色爽| 色丁香五月天| 综合网激情| 成人丁香婷婷| 99热在线爱| 丁香六月天AV| 国产玖玖资源| 久99在线视频| 99久久综合网| 夫妻超碰在线| 深爱五月激情| 99热精品观看| 99精品视频在线观看| 内射人妻视频国内| 婷婷精品| 99热全是精品| 99re这里只有精品99| 疯狂做受XXXX高潮A片动画| 情色五月天 网站| 99自拍视频| 五月综合婷婷久久在线| www.精品99| 色一情一乱一乱一区91Av| 五月丁香免费视频| 婷婷久久五月| xx色综合| 欧美成人日韩| 婷婷午夜| 日本色色网站| 婷婷五月天激情网址| 天天操天天爽天天爱| 深夜A片| 99热这里只有免费精品| 99热这里只有99| 激情五月无码| 天堂久久性| 79精品视频在线观看,| 天天成人综合| 少妇高潮呻吟A片免费看软件| 丁香五月香蕉| 色婷婷丁香五月在线观看| av在线不卡播放| 天天天天天日| 激情操逼婷婷| 狠狠色丁婷婷日日,伊人激情综合网| 午夜亚洲国产精品av一区二区| 第1影院之五月婷婷| 欧美熟女乱又伦| 天天色综网| www.五月婷婷| 五月婷婷久久激情 | chaopengdaxiangjiao| 综合激情在线| 久久99国产综合精品免费| 他改变了拜占庭| 99在线小视频| 婷婷偷拍网| 99这里只有| 99热综合在线| 亚洲第一综合| 日韩成人精品中文字幕电影| 99热99ai| 久久92| 婷婷五月天网| 中文字幕性爱视频| 99操视频| 久久婷婷综合国产| 中文字幕日本最新乱码视频| 久久激情五月| 91在线看片| 久久综合这里只有精品1| 99热精品一区| 五月丁香六月玩女人| 久热超碰| 91色在线/日韩| 久久久久人妻中文| 激情综合婷婷| 天堂中文国产| 久久免费干| 色五月亚洲| 久9热视频在线观看| 天天精品视频免费观看| 激情五月婷婷在线| 美腿丝袜AV天堂网| 五月激情五月婷婷五月天在线| 91干| 六月婷婷色色网| 国产午夜精品一区二区| 中文幕无线码中文字蜜桃| 91九色在线| 丁香五月黄色| 亚洲小视频免费播放| 亚洲av电影网站| 婷婷四色五月| 亚洲亚洲人成综合网络| 99热免费精品热久久66| 一起肏在线视频| 日日天天天| 久久综合影院| 婷婷婷久久久| 久久亚洲天堂| 国产avapp 网| 中文字幕在线资源| 97干婷婷| 激情99| 成人短视频免费| 婷婷五月综合视频| 九月婷婷在线观看| 六月婷婷久久| 伊人五月综合网| 天天天天爽爽天干| 五月婷婷97| 五月婷婷丁香瑟瑟视频| 大香伊人婷婷| 五月天婷婷黄色| 99精品成人无码A片观看金桔| 五月丁香日本一抹本| 六月丁香av| 蜜桃婷婷狠狠久久| 99热青青草| 亚洲综合无码| 婷婷天堂综合| www久久五月com| 五月丁香激情综合啪啪| 亚洲婷婷久久综合| av狠狠操| 激情合网婷婷| 欧美69久成人做爰视频| 婷婷丁香激情| 五月天色站| 噜啊噜在线| 婷婷丁香五月天综合在线日韩| 色综合久久天天综合网 | 久久久久久激情| WWW99热| 99草视频在线观看| 人妻人人操| 成人电影一区| 成人精品视频99在线观看免费| 99色1| 久久丁香综合香蕉| 亚洲色色图片| 五月天色官网| 在线不卡视频| 亚洲色色五月天| 精品一区二区三区三区| 最近中文字幕2019视频1| 色婷婷亚洲婷婷| 五月亚洲激情| 五月婷婷视频28| 日本熟女内射| 中文字幕丰满人妻无码专区| 天天综合在线网| 婷婷99狠狠| 婷婷激情五月综合| 狼人伊人干| 91天天操天天干天天射| 中文在线成人| 五月天综合区| 五月天成人在线播放| 丁香五月六月久久综合| 91丨九色丨大屁股| wwccc久久久| 国产原创视频91九色| 2020久久婷婷五月| 亚洲超级碰| 九九无码| 色婷婷婷婷成人网| 韩国19 主播内部福利vip免费播放| 99热这里只有精品免费观看| 激情五月天在线观看婷婷| 免费超碰在线观看| 99热在线精品播放| 婷婷五月丁香久久| 综合色影| 婷婷色色网站| 99操99| 综合激情伊人影视在线| 五月丁香色色色| 深夜激情网| 六月婷婷激情图片| 婷婷综合在线网| 99热99美国在线观看| 激情婷婷激情在线不卡| 婷婷五月天影院| 九九这里精品| 欧美成人日韩| 色婷婷综合久久| 激情五月天视频| 婷婷五月天激情视频| 婷婷五月天亚洲综合| 强辱丰满人妻HD中文字幕| 婷婷另类小说| 五月婷婷免费视频| 天天做天天爱天天搞| 中文字幕一色哟哟哟哟| 亚洲色婷婷五月天| 大天天伊人| 五月天天丁香婷婷在线中| 色婷婷亚洲综合网站| 婷婷五月天激情文学| 99久久大片| 激情五月丁香综合蜜桃| 国产操碰| 五月成人丁香av91| 91碰| 五月亭亭性| 丁六月激情| 思思热99在线视频| 五月香婷婷| 色婷婷激情Av久久久| 国产永久一黄| 久久在线人妻| 久9无码视频| 九九综合精品| 玖久精品视频9| 91碰碰视频在线观看| 欧美亚洲色色色色| www久久久久久久久久久| 久久se 综合网| 色五月激情五月| 婷婷五月丁香网| 九九99免费视频| 九九精品热播| 天天综合久久| 五月婷中文字幕| 天天日夜夜夜操操操操| 国产黄色在线观看| 五月天婷婷色| 综合色色网| 九九热在线观看视频| 亚洲狠狠婷婷综合久久久| 另类图片天天影视在线观看| 色色狼人综合| 欧美日本国产| 国产成人综合亚洲| 国产伦亲子伦亲子视频观看| 日日做A爰片久久毛片A片英语| 久久激情网| 五月天激情综合网| 色婷婷五月综合| 丁香六月婷婷综合啪啪| 狠狠狠激情网| 国产五月丁香在线| 思思视频这里是精品| 狠狠色色| 中文精品久久久久人妻不| 无码人妻激情| 亚洲综合99| 婷婷五月综合免费在线| 九热视频免费观看| 五月丁香中文婷婷中文| 第四色五月婷婷| 国产一区18| 国产亚洲色婷婷久久99精品91 www.riverspirits.org www.hnnun.com www.changh | 九九九色综合| 婷婷导航| 九九热最新| 内射人妻视频国内| 香蕉AV777XXX色综合一区| 偷偷与邻居做爰完整视频| 色色日本| 六月婷婷五月天| 五月天婷婷久久| 亚州色色色| 停停五月丁香| 天天操婷婷| 五月天伊人网| 超碰不卡在线| 精品人妻一区二区| 国产毛片精品一区二区色欲黄A片| 久久99美女精彩视频| 日韩六十路91性交电影| 五月天婷婷无码视频| 色五月六月| 激情五月激情综合网| 亚洲日日操| 五月天啪啪啪| 色婷婷AAA| 五月激情六月综合| 粉嫩av懂色av蜜臀av熟妇| www激情| 色色婷| http:色情日本com| 东京热人妻一区二区三区在线| 综合久久首页| 欧美久久网| 伊人玖玖婷婷| VA日本视频| 激情五月综合免费| 性爱视频99| 激情综合在线观看| 久久伊人大香蕉| 色五月婷婷网| 九九热精品视频在线观看| 亚洲字幕AV一区二区三区四区| 被强行糟蹋的女人A片| 精品少妇人妻AV无码专区偷人 | 亭亭玉月丁香| 51精品国自产在线| 九九免费在线视频| 五月天怕怕| 看片视频在线免费日产在线看| 亚洲综合色丁香五月天| 婷婷久久性爱| 婷婷第六色| 99这里有精品久久97| 99色色网| 亚洲激情综合| 激情五月婷婷网| 欧美内射AA| 狼人久草| 97婷婷丁香五月| 第四色五月婷婷| 九九热亚洲中文在线观看免费| 成人片在线免费看| 亚洲九区| 亚洲热久久| 亚洲有码在线视频| 色狠狠五月天| 久久激情综合| 几激情五月婷婷色五月色天堂| 99热这里精品| 停停六月 综合| 九九日本视频| 亚洲丁香五月天在线视频| 日韩一级A片黄色| 亚洲综合婷婷| 激情人妻蜜夜系列区| 欧美25p| 視频福利乱色| 狠狠穞A片一區二區三區| 日本少妇裸体做爰高潮片| 激情婷婷网| 日韩成人中文| WW婷婷五月天com| se色婷婷视频| 99噜噜噜在线播放| 99啪啪视频| 综合激情视频| 丁香婷婷性爱| 国产激情综合| 精品人妻一区| 五月香蕉婷婷| 天天久久综合| 99九九免费精品| 久思思久视频| 色婷婷色99国产综合精品| 大香蕉手机视频| 久久丁香婷婷色情综合| 五月天·www·com| 亚洲成人影视在线观看| 日本三级第一页| 综合五月丁香久久| 九九色婷婷| 青青草Avb在线| 综合激情综合啪啪| 丁香五月自拍| av在线资源| 婷婷丁香激情综合色情| 欧美怡红院黄站| 激情婷婷丁香五月天小说| 九九成人视频| 91偷拍视频| 天天视频精品9| 色婷婷最爱五月| 97色啪| 狠狠狠狠草草| 婷婷九九| 91丨九色丨丰满人妖| 日本色超碰| 五月天婷婷色紫薇阁| 婷婷色综合| 超级碰碰碰久久网站| 天天拍夜夜爽日日| 国产小精品| 色天使色综合| 五月婷婷六月丁香免费| 激情五月www| 五月天天天色| 91ncm视频| 婷婷另类小说| 性色综合网| 四色AVwww| 亚洲综合色网| 五月六月丁香激情视频| 99热久| 99视频啪啪| 一本综合丁香日日狠狠色| 色婷婷丁香五月| 丁香六月婷月91婷月| 激情五月丁香五月| 婷婷五月激情四月综合| 日本丁香五月| 9久久精品| 亚洲人成人五月天| 亚洲av成人一区二区电影在线| 日日狠夜夜狠| 日美三级| 婷婷干五月综合在线播放| 成人网在线观看视频| 人妻久久久久久久久妻久久久久| 69超碰在线| 天天操天天操综合| 亚洲亚洲人成综合网络| 婷婷色情小说| 做爰丰满少妇1313| www.狠狠狠狠| 青吴乐视频| www.99日本| 亚洲最大视频| www.91九色| 久99久在线| 碰97久久| 99免费在线| 久久综合丁香五月| 人妻丰满精品一区二区A片| 亚洲欧洲另类| 成人视频网| 婷婷九月丁香久久| 91丁香| 久久免片| 五月丁香六月香香蕉| 五月情涩综合婷婷| 国产午夜精品一区二区| 成人免费va| 五月天婷婷网站888| 久久六月综合| 五月婷人妻| 国产女18毛片多18精品| www.婷婷五月| 五月婷婷干干干| 国产精产国品一二三在观看| 五月婷婷开心色伊人| 91人妻人人操| 五月天婷婷网站888| 99re熱| 亚洲黄网AV| 久久九九色| 亚洲精品国产成人AV在线| 九九视频这里只有精品| 色欲五月天| 91久操| 婷婷五亚洲| 1024婷婷综合久久五月天| 无码动漫av| 99er国产| 9999热在线观看| 婷婷午夜激情| 99久久这里只有精品免费官网| 国产精品99久久久久久久女警| 婷婷五月丁香手机在线视频| 五月丁香花视频| 天天干电影| 婷婷丁香六月激情综合| 99人人操人人操人人精| 婷婷丁香社区| 久草性爱| 日韩精品色| 青青草原伊人网| 超碰99热| 五月花综合视频| 午夜大香蕉| 99久热| 99热这里只有精品33| 色婷婷性爱| 久久久五月天| 免费观看亚洲AV片| 欧美日韩成人h| 亚洲av免费在线| 六月伊人婷婷| 九九热精品99| 亚洲精品99| 侠女刀之记忆电影在线看免费| 99热99在线精品| 婷婷色导航| 五月丁香六月成人| 色婷婷九月| 国产特黄色精品一区二区三区精品无广告| 1010日日无码| 全高清无码视頻| 九九九九精品精| 亚洲色五月天| av激情在线| 99精品国产在热久久| 91激情五月开心| 婷婷色情 | www狠狠| 小视频一区 | 无码网站视频| 九九激情视频| 色图亚洲91| 狠狠丁香| 伊人综合网4| 激情婷婷激情在线不卡| 99这里都是精品| 色就是色婷婷五月亚洲激情| 丁香五月婷中字在线| 亚洲六月色| 婷婷丁香色五月| 婷婷九月综合| 亚洲三级无码| 五月丁香婷婷色| 大香蕉99| 五月之婷婷| 再綫Av免费視品| 五月天堂色色| 大香蕉综合在线| 激情综合亚洲色婷婷五月| 五月婷俺去也| 亚洲熟女色| 蜜臀99久久精品久久久久| 99热精品在线| 五月婷婷婷| 26uuu在线观看| 色色免费网战视频| 色丁香五月综合网| 婷婷五月天日本国产| 91狠狠色丁香婷婷综合久久精品| 2020日日干| 色婷婷四色| AV在线不卡网站| 99热亚洲只有色| 蜜乳久AV| 久爱综合| 亚洲三A| 亚洲爆乳无码精品AAA片蜜桃| 激情九九六月激情免费视频| 天干干夜夜操| 综合激情网| 五月花综合网| 五月丁香花激情综合网| 激情五月综合久久| 五月婷婷综合色啪首页| 久久您您综合网| 202丰满熟女妇大| 国产69久久久欧美黑人A片| 日日天天干| 中文在线成人| 思思热国产| 色婷丁香五月| www。88热在线视频免费观看| 婷婷五月色惰| 99爱99操| 成人资源在线| 日韩久久色| 综合久久综合久久| 东京热免费视频网站| 国产精品18久久久| 成人超碰网| 五月色亚洲| 美女100%露全身无挡网站| 九九国产精视频| 超碰狠狠操| 国产99美少妇| 99这里只有精品8| 色五月色五天色情网| 综合啪啪| av在线免费播放观看| 伊人激情综合| 久久桃花网色婷婷| 日韩AV中文字幕在线| 丁香五月综合首页| 欧美123区免| 久久五月婷综合网| 在线播放 精品| 大香蕉五月丁香| 久机视频这只有精品| 夜夜干 夜夜操| 婷婷五月天综合在线| 婷婷色在线播放| 久久色情| 呦呦v线| 久久AV电影| 五月天色导航婷婷资源婷婷| 丁香社92视频| 91婷婷搞| 激情五月天色色色| 熟女网站久久| 人妻性爱| 五月婷婷综合色啪首页 | 久久久中文| 久久激情综合| 精品国产va久久久久| 婷婷五月天在线看| 免费V片在线| 97干在线视频| 97视频91| 婷婷色五月开心五月| 婷婷激情网五月天| 色色色.com| 青娱乐美女福利视频美臀| 亚洲天天免费| 天天肏夜夜肏| 99久久www| 久久婷婷超碰| enecarbon-materials.com污K127封锁请涟系@wip1688 | 全国最新疫情| 66精品成人免费网站在线观看| 天天久久66xxx| 97人妻碰碰碰久久香蕉| 狠狠综合| 九九草热在线观看| 99久久思思| 99热6色| 婷婷九月丁香| 婷婷五月丁香成人网| 婷婷五月天堂| 日本老女人黄页在线播放| 99日韩网站| 就爱射中文字幕资源网| 五月丁香婷庭在线| 婷婷四色五月| 草做免费在线观看| www.黄色片-久久成人国产精品在线播放-999AV| 五月天婷婷久久| 丁香五月激情啪啪| XX色综合| 伊人婷婷福利网| 色婷婷丁香综合中文字幕| 99欧州偷拍视频| 大波美女VA网站| www激情| 91操操| 午夜少妇在线观看视频| 91男人操女人视频| 九九激情视频| 色亚洲中文| 99综合色| 99久久99久久综合| 97超级免费无码| 色欲天天综合| 色亚洲激情| 色香蕉婷婷| 日本三级大片| 天天干夜夜b| 婷婷五月综合网| 九九热最新地址| 中文字幕五月久久婷婷| 丁香六月色香蕉视频| 色吧五月婷婷| 拍真实国产伦偷精品| 96自拍视频九色在线观看| 午夜激情久久| 深情六月婷婷综合久久| 婷婷综合网| 五月天成人免费视频| 99草在线免费观看视频| 狠狠色噜噜狠狠狠狠狠色综合久久| 国产成人网站在线观看| 天天摸天天透天天舔| 一本色道久久综合狠狠躁小说| 国产亚洲精品久久久久久郑州| 五月丁香福利| 99ER热精品视频| 大香蕉精品视频| 日本天天操| 欧美成综合在线观看| 天天 青草 丝袜制服 在线| 丁香六月激情| 五月天婷a| 三年高清大片免费观看国语| 日本激情ⅩXX免费视频| 日日夜夜婷婷| VA色婷婷| 久久五月天网| 国内9l视频自拍老熟女九色| 九九色99| 《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 | 成人短视频在线| 99啪在线视频| 亚洲狠狠干| 久久久久久9热不雅视频| 婷婷五月天,影院| 五月天激情小说| 久久婷婷五月天| 久/久精品99看9| 日本99在线视频| 九九色播五月丁香| 色欧美影院| 五月丁香大相交| 亚洲小电影在线观看黄999| 久婷五月| 99精品高潮| 婷婷五月天AV在线| 五月天丁香成人社| 综合另类视频| 欧美综合五月丁香六月婷| 97色永久免费视频| 婷婷伊人久久| 99在线精品视频| 五月婷婷日本| 精品人妻在线| 91色综合| 9久久久久| 五月婷婷丁香啪啪| 99性爱视频网站| 九九热在视频| 99在线视频播放| 五月天婷婷婷| 大香蕉人妻| 色婷婷丁香香香蕉视频| 性爱五月婷婷| 久久艹 五月天| 五月天婷婷综合| 五月婷婷深深爱| av人人操| 成人婷婷桔色| 五月天天天综合| 久久女伦| 日韩 中文 欧美| 婷婷五月天堂| 色香蕉精品五夜婷| 色五月综合激情| 五月婷婷插一插| 久久这里只精品66| 这里只有精品视频看看| 91呦呦呦| 五月婷婷免费在线观看| 五月婷久久综合| 97色片| 久久99草五月婷婷| 任你艹| AV性爱网| 小视频一区 | 天天摸天天高潮天天爽| 99自拍视频在线| 99热亚州综合| 大伊香蕉精品视频在线| 精品激情| www狠狠| 亚洲美女婷婷五月天| 九九久久综合网站| 婷婷99丁香| 亚洲另类AV| 天天综合网~91| 九九美女视频| 国产亚洲99久久精品熟| 日本激情综合| 1024欧美看片| 亚洲AV永久无码影院黑人| 9999热精品| 黄久久久| 综合99综合久久久久久久| 婷婷色中文| 九九国产视频| 人人人操Av| 开心六月丁香五月婷婷| 99热这里只有精品无码| 九久热| 天天草天天舔| 97爱综合| 国产精品色色| 人人干人人干骚美女| 五月婷婷综合网| 99re鈥哸鈥唙| 亚洲小视频免费播放| 久久久国产精品黄毛片| 久久开心五月婷婷| 色婷婷久久综合久色综| 狠狠干最新地址| 亚洲av网站在线观看| 天天撸夜夜爽| 另类亚洲2| 9999热在线| 99九九精品| 996er热| 天天干天天日日| 国产精产国品一二三在观看 | 婷婷丁香综合成人| 亚洲综合字幕色色| 99啪在线视频| 人与禽A片啪啪| 日本天堂免费99| 伊人五月久久| 开心五月婷婷综合在线精品素人| 开心五月天激情网| 色情久久久| 婷婷五月图片小说视频| 久久精品99国产精品日本| 色五月综合网站| 99热精品在线播放观看| 六月丁香VA| 9久久精品| 99热日本| 天天综合五月天| 五月色丁香综合| 天天橾日日橾夜夜橾17| 国产特黄色精品一区二区三区精品无广告| 天天网曰日曰夜夜综合永久免费| 五月丁香六月激情综合| 亚洲综合欧美色丁香婷婷888月图片| 久久丁香五月天| 人人爱国产| 九色成人AV在线| 丁香五月情色| www.色综合.com| 最近中文字幕大全免费版在线| 久久丁香五月| 情婷婷五月天| 人人天堂操| 天天肏屄夜夜爽| 欧美婷婷丁香五月社区| 亚洲色图在线视频| 无语停婷丁香网| 日本片日本片祼观看网站在线看中文版网页在线看 | 9月色婷婷| va婷婷| 啪啪啪五月天| 青草性爱视频| 久久婷婷五月天懂色| 天天视频精品9| 青草青草视频2免费观看| 九九热这里| 天天爱综合网| 国产精品婷婷午夜在线观看| 色五月婷婷av| 五月情四婷婷| 亚洲五月天婷婷| 久久大香蕉伊人| 色五月天在线| 色.五月综合网| 人人色性网| 色www久视频| www.久99| 色婷婷成人做爰A片免费看网站| 天天狠天天叉| 五月色丁香| 五月天播播中文字幕 | www.综合久久.com| 综合亚洲AV| 影音先锋五月婷婷| 欧美叉叉叉BBB网站| 青青青在线视频国产| 国产激情视频在线观看| 五月婷婷综合在线| 97色久| 97操操操| 在线天堂9| 玖玖无码中文| 色婷婷影院| 丁香五月天之婷婷影院| 另类图片五月天| 色综合色色| 激情五月综合| 亚洲成人免费在线| 日韩久热| 成人短视频在线观看| 99热精品无码| 国产亚洲精品久久久久久牛牛| 日韩啊啊啊| 久久久久人妻| 色婷婷成人做爰A片免费看网站 | 久久久久网站| 97色碰| 十月丁香婷婷| www.粉嫩av.com| 欧美色久| 网色99| 五月四色激情| 综合色色婷婷| 毛片九九九九九九| 99这里只有精品| www.久久久久久久| 九九热黄色| 丁香六月久久| 国产一二区爆乳_1国产日韩一区二区三-成人AV| 人人人舔人人人操人人人摸人人人97| 人人97碰| 很很干夜夜干| 色九亚洲| 思思热视频| 婷婷五月天奸女| 六月激情网| 五月天激情国产综合婷婷婷| 人妻丰满精品一区二区A片| 伊人高清无码| 日韩无码AV电影网站| 五月丁香综合网| 99亚洲精美视频在线观看| 欧美在线看| 99热在线观看| 五月开心婷婷| 五月天婷婷丁香蜜桃91| 五月激情久久| 91超碰九色| 91九色首页| 香蕉AV777XXX色综合一区| 无码一级片| 97日在线视频| 蜜臀av无码久久久久久久久| 热99久久这里只有精品| 天天操夜夜肏| 丁香五月欧美| 狠狠狠狠狠| 操B无码视频国语| 91人妻人人做人碰人人爽九色| 综合xx网| 欧美婷| 欧美色宗和激情| 国产亚洲精品久久久久久郑州| 丁香五月婷婷激情四射深爱激情| 亚洲热久| 狠狠狠婷婷五月综合| hd五月婷婷在线| 能看的AV| 天天天天操| 国外亚洲成AV人片在线观看| 久草热8精品视频在线观看| www.五月婷婷| 日本欧美成人片AAAA| 九九色精品| 色女人久久| 99激情视频| 婷婷激情五月色综合| 米奇影视资源777狠狠色婷婷五月天激情网| 狠狠爱五月婷婷| 丁香五月性爱| 亚欧州精品视频| 狠狠五月天| 婷婷五月天综合AV| 亚洲艹网| 人人摸人人搞| 亭亭色网| 欧美操人| 婷婷深爱五月天| 久久久WWW| 久久婷婷五月综合色丁香| 99精品在线下载| 插插干干干色| 久久九九99亚洲国产久精综合| 五月婷婷成人w| 丁香五月狠狠综合欧美| 热这里| 欧州色色| 国产精品日日躁夜夜躁| 欧美激情综合色综合啪啪五月| 人人草人人舔| 99在线免费观看| www,超碰| 久久久27操| 久久资源网五月婷| 91大屁股精品| 在线天堂9| 丁香五月欧美午夜视频| 婷婷开心六月| 五月丁香婷色| 激情综合六月| 六月婷婷在线| 婷婷六月丁香五月| 99热碰碰| 亚洲va欧洲va国产va不卡| www.99成人视频| 双性美人被调教到喷水A片| 东京热人妻一区二区三区在线| 狼人婷婷综合| 婷婷另类开心| 天天艹夜夜艹| 曰本aaaaaa丈片| www.天天日| 成人精品在线观看| 中文字幕永久在线| 99久操视频| 思思色播| 99在线亚洲| 久久婷婷综合网| 久久婷婷五| 五月丁香六月欧美综合| 色婷婷丁香五月天| 婷婷五月乱交换| 久久激情视频99| 永久的网站AAAA| 色五月天成人| 婷婷综合| 99re6在线视频精品免费| 啪啪综合| 99热最新| 婷婷五月天手机版视频| 日本色色网站| 丁香五月婷婷高清| WWW.久久99| 无码色| 色色五月天丁香婷婷| 天天操综合网| 丁香五月自拍| 色99在线| WWW.夜夜操.com| 婷婷五月天堂| 五月久久网| 思思热思在线精品视频| 婷婷九月综合| 婷婷伊人视婷婷婷| 婷婷开心六月| 九九热只有精品| 日韩亚洲视频| 国产成人99久久亚洲综合精品| 成人精品人妻| 大天天伊人| 99激情视频| 五月久久丁香| 日韩黄色中文字幕| 五月天婷婷久色| 色播五月丁香| 天天舔天天摸天天射| 久久精品国产一区二区三区四区| 99久久99久久综合| 久久丁香五月| 视频综合网| 欧美三级巜人妻互换| 婷婷天天综合| 日韩成人电泉AV| 天天色亚洲| 婷婷久久欧美| 欧洲色色| 91avse| www.色婷婷.com| 玖玖爱伊人网| www.99热| 永久AⅤ1| 亚洲人妻电影| 夜夜爱网站| 视色综合| 亚洲色9| 久久182| www色色com| 亚洲性爱日韩无码| 五月丁香婷婷久久| 婷婷丁香www视频日本韩国| 天天综合精品| 婷婷五月天美女视频| 91色逼| 亚洲综合999| 人妻五月天激情开心网| 激情五月婷婷她| 五月丁香免费视频| 国产婷婷综合| 亚洲精品无码久久| 国产一级片| 性爱动图国产麻豆一区二区三区| 91猫咪国产在线播放| 激情都市五月天| 久99热在线观看| 免费亚洲婷婷| 男人天堂99| 五月丁香综合激情在线观看| 国产99久久久国产精品免费看| 天天色官网| 99九九视频精彩在线| 色情成人五月天| 99热的无码| 丁香久久激情俄| 五月色综合| 天天色激情| 黄网在线免费观看| 亚洲宗合激情| 丁香婷婷六月| 成人短视频在线| 成人国产网站在线免费看| 精品人妻一区二区三区四区不卡在| 日韩超碰在线| 人人爽网| 狠狠操狠狠爱| 亭亭社区五月天| 色播播之激情五月婷婷| 极品九九九九九九| 无码操B| 在线观看中文字幕亚洲| 久久久精品人妻录| 久久婷网| 激情五月天婷婷播播久久综合91| 天天色播| 五月婷婷无码专区| 五月婷婷激情性爱| 婷婷成人av| 99久热| 国产免费一区二区三区三州老师F1F1.CC| www.狠狠| 亚洲欧洲一二| 国产日产亚系列精品版优势 | 成人综合视频网址| 亚洲麻豆乱码国产2028| 日韩AV在线免费观看| 这里只有精品久久| 狠狠操天天干| 欧美五月丁香在线观看| 成人网站在线观看视频| 超碰天堂网| 99爱视频在线观看| 亚洲va成人va成人va在线观看| 欧美综合婷婷欧美综| 另类A片| 大香蕉久| 激情久久综合网| 久久久国产精品黄毛片| 国产亚洲99久久精品| 婷婷丁香18| 天天爽综合网| 亚洲人妻一区二区 | VA婷婷| 久久性爱视频| 五月婷婷五月色| 综合图区激情| 最新热中文字幕| 色中色综合| 国产一区男女| 色五月综合婷婷久久综合婷婷久久综合婷婷久久综合婷婷久久 | 欧洲色区| 激情婷婷五月天| 丁香六月婷婷综合在线|