欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

PyTorch多類別語義分割實(shí)戰(zhàn):Unet從數(shù)據(jù)預(yù)處理到mIoU評(píng)估全鏈路排雷

PyTorch多類別語義分割實(shí)戰(zhàn):Unet從數(shù)據(jù)預(yù)處理到mIoU評(píng)估全鏈路排雷 簡(jiǎn)介本資源是面向深度學(xué)習(xí)初學(xué)者與計(jì)算機(jī)視覺實(shí)踐者的PyTorch多類別語義分割實(shí)戰(zhàn)項(xiàng)目聚焦Unet模型在自定義數(shù)據(jù)集上的完整實(shí)現(xiàn)適用于醫(yī)學(xué)影像、遙感解譯等需精細(xì)像素級(jí)分類的場(chǎng)景。壓縮包共46個(gè)文件含19個(gè)核心Python源碼如unet.py、train.py、datasets/模塊、24個(gè)編譯緩存pyc文件、2個(gè)配置說明txt及1個(gè)info.json元信息文件結(jié)構(gòu)清晰體現(xiàn)數(shù)據(jù)加載、模型構(gòu)建、損失計(jì)算、訓(xùn)練調(diào)度與評(píng)估全流程整體僅69KB輕量易部署。已有15279人學(xué)習(xí)下載反映出其在入門級(jí)語義分割實(shí)踐中的高復(fù)用價(jià)值。讀者可直接復(fù)用該工程框架快速替換自有數(shù)據(jù)集路徑、調(diào)整類別數(shù)與標(biāo)簽映射、調(diào)用預(yù)置的數(shù)據(jù)增強(qiáng)與權(quán)重計(jì)算邏輯并通過demo.py可視化預(yù)測(cè)結(jié)果目錄中custom_transforms、mypath、metrics等模塊封裝規(guī)范便于理解Unet各組件協(xié)作機(jī)制與PyTorch工程化組織方式。1. Pytorch下實(shí)現(xiàn)Unet對(duì)自己多類別數(shù)據(jù)集的語義分割不是調(diào)個(gè)庫就能跑通而是從標(biāo)簽映射錯(cuò)位、通道數(shù)爆炸到loss不降的完整排雷實(shí)錄你手頭有一批自己拍的工業(yè)零件圖像帶像素級(jí)標(biāo)注——不是PASCAL VOC那種“背景人車”的三分類而是“螺栓A/螺栓B/墊片C/銹蝕區(qū)/劃痕D/正?;住惫?類你想用Unet做端到端語義分割但pip install torch torchvision后第一行model UNet(n_classes6)就報(bào)錯(cuò)RuntimeError: Expected input batch_size (4) to match target batch_size (1)或者訓(xùn)練100輪loss紋絲不動(dòng)驗(yàn)證mIoU卡在0.03。這不是模型不行是PyTorch下Unet落地多類別分割的真實(shí)水位線它要求你親手把label.png里的灰度值0,1,2,3,4,5對(duì)齊到one-hot的第0~5維手動(dòng)處理mask通道順序硬編碼ignore_index甚至重寫DiceLoss的smooth項(xiàng)防除零。本文不講Unet結(jié)構(gòu)圖只拆解某實(shí)驗(yàn)室在產(chǎn)線缺陷檢測(cè)項(xiàng)目中用PyTorch 1.13CuDNN 8.6實(shí)打?qū)嵟芡?類Unet的全流程——從原始label.png的灰度值校驗(yàn)到DataLoader里transforms.Compose的順序陷阱再到驗(yàn)證階段逐類計(jì)算IoU的腳本每一步都附可直接粘貼運(yùn)行的代碼塊和血淚參數(shù)說明。2. 多類別語義分割的數(shù)據(jù)準(zhǔn)備label.png灰度值必須嚴(yán)格映射為0~N-1且不可跳號(hào)2.1 標(biāo)簽圖像的格式陷阱為什么你的label.png打開是彩色但PyTorch讀出來全是0很多新手用LabelMe或CVAT導(dǎo)出標(biāo)注時(shí)誤選了“colormap PNG”而非“grayscale PNG”。結(jié)果label.png在Windows畫圖里顯示五顏六色但用cv2.imread()讀取后實(shí)際像素值是[0, 127, 255]這種非連續(xù)整數(shù)——PyTorch的CrossEntropyLoss會(huì)直接報(bào)錯(cuò)Target size must be the same as input size。正確做法是強(qiáng)制轉(zhuǎn)為單通道灰度圖并重映射為連續(xù)整數(shù)。import cv2 import numpy as np from pathlib import Path def convert_label_to_continuous(label_path: Path, class_map: dict): class_map: {background:0, bolt_A:1, bolt_B:2, washer_C:3, rust:4, scratch:5} 將label.png中原始RGB值或離散灰度值統(tǒng)一映射為0~len(class_map)-1的連續(xù)整數(shù) label cv2.imread(str(label_path), cv2.IMREAD_UNCHANGED) # 若是3通道彩色圖先轉(zhuǎn)灰度注意不能用cv2.COLOR_BGR2GRAY因LabelMe colormap非標(biāo)準(zhǔn) if len(label.shape) 3: # LabelMe colormap固定映射(0,0,0)-0, (128,0,0)-1, (0,128,0)-2, (128,128,0)-3, (0,0,128)-4, (128,0,128)-5 # 手動(dòng)查表轉(zhuǎn)換避免顏色抖動(dòng) label_gray np.zeros(label.shape[:2], dtypenp.uint8) for name, idx in class_map.items(): # 定義該類別的RGB閾值根據(jù)你實(shí)際導(dǎo)出的colormap調(diào)整 if name background: mask (label[:,:,0] 0) (label[:,:,1] 0) (label[:,:,2] 0) elif name bolt_A: mask (label[:,:,0] 128) (label[:,:,1] 0) (label[:,:,2] 0) elif name bolt_B: mask (label[:,:,0] 0) (label[:,:,1] 128) (label[:,:,2] 0) elif name washer_C: mask (label[:,:,0] 128) (label[:,:,1] 128) (label[:,:,2] 0) elif name rust: mask (label[:,:,0] 0) (label[:,:,1] 0) (label[:,:,2] 128) elif name scratch: mask (label[:,:,0] 128) (label[:,:,1] 0) (label[:,:,2] 128) else: continue label_gray[mask] idx label label_gray else: # 已是單通道但可能含非連續(xù)值如[0,2,4,6]需重映射 unique_vals np.unique(label) mapping {v: i for i, v in enumerate(sorted(unique_vals))} label np.vectorize(mapping.get)(label) # 強(qiáng)制保存為單通道uint8灰度圖 cv2.imwrite(str(label_path).replace(.png, _clean.png), label) print(f? {label_path.name} - clean: unique values {np.unique(label)}) # 使用示例定義你的6類映射 class_map { background: 0, bolt_A: 1, bolt_B: 2, washer_C: 3, rust: 4, scratch: 5 } for p in Path(data/labels).glob(*.png): convert_label_to_continuous(p, class_map)提示這段代碼的核心邏輯是——不依賴任何第三方標(biāo)注工具的“導(dǎo)出設(shè)置”而是用OpenCV原生操作把label.png的物理像素值無論RGB還是灰度硬解為邏輯類別ID。class_map字典必須與你后續(xù)模型輸出的n_classes完全一致且鍵名順序無關(guān)值必須為0~N-1連續(xù)整數(shù)。執(zhí)行后檢查_clean.png的unique值必須是[0 1 2 3 4 5]缺一不可。2.2 圖像與標(biāo)簽尺寸必須嚴(yán)格一致resize時(shí)的雙三次插值陷阱Unet對(duì)輸入尺寸敏感但更致命的是image和label的H×W不一致。常見錯(cuò)誤用PIL.Image.open().resize()處理image卻用cv2.resize()處理label導(dǎo)致插值方式不同PIL默認(rèn)LANCZOScv2默認(rèn)INTER_LINEAR同一縮放比例下像素偏移1~2像素。解決方案統(tǒng)一用torchvision.transforms.functional且對(duì)image和label使用完全相同的transform對(duì)象。import torch from torchvision import transforms from torchvision.transforms import functional as F from PIL import Image class SegmentationTransform: def __init__(self, size(512, 512)): self.size size def __call__(self, image: Image.Image, target: Image.Image): # 統(tǒng)一使用F.resize且interpolation參數(shù)必須相同 # image用BILINEAR保留紋理細(xì)節(jié)target用NEAREST保持label整數(shù)性 image F.resize(image, self.size, interpolationF.InterpolationMode.BILINEAR) target F.resize(target, self.size, interpolationF.InterpolationMode.NEAREST) # 轉(zhuǎn)tensor前確保target是單通道 if target.mode ! L: target target.convert(L) image F.to_tensor(image) # 歸一化到[0,1]shape [3,H,W] target torch.as_tensor(np.array(target), dtypetorch.long) # 不歸一化shape [H,W] return image, target # 在Dataset.__getitem__中使用 transform SegmentationTransform(size(512, 512)) image Image.open(data/images/001.jpg) label Image.open(data/labels/001_clean.png) # 注意必須是_convert_label_to_continuous生成的_clean.png image_t, label_t transform(image, label) print(f? image shape: {image_t.shape}, label shape: {label_t.shape}, label unique: {torch.unique(label_t)}) # 輸出應(yīng)為image shape: torch.Size([3, 512, 512]), label shape: torch.Size([512, 512]), label unique: tensor([0, 1, 2, 3, 4, 5])參數(shù)說明F.InterpolationMode.BILINEAR用于圖像保證邊緣平滑F(xiàn).InterpolationMode.NEAREST用于label這是鐵律——任何其他插值BILINEAR/AREA都會(huì)把整數(shù)label變成浮點(diǎn)導(dǎo)致CrossEntropyLoss崩潰。torch.as_tensor(..., dtypetorch.long)顯式指定dtype避免默認(rèn)float32引發(fā)的loss計(jì)算錯(cuò)誤。2.3 DataLoader的batch維度對(duì)齊為什么target的shape是[4,512,512]而input是[4,3,512,512]PyTorch的CrossEntropyLoss要求target的shape為[N, H, W]N為batch size而input為[N, C, H, W]。若你在Dataset中返回了[H, W, 1]的label常見于cv2.imread讀取后未squeezeDataLoader會(huì)自動(dòng)堆疊為[N, H, W, 1]觸發(fā)Target size must be the same as input size。必須在__getitem__末尾確保label是二維張量。class CustomSegmentationDataset(torch.utils.data.Dataset): def __init__(self, image_dir, label_dir, transformNone): self.image_paths sorted(list(Path(image_dir).glob(*.jpg))) self.label_paths sorted(list(Path(label_dir).glob(*_clean.png))) # 關(guān)鍵只認(rèn)_clean.png self.transform transform def __getitem__(self, idx): image Image.open(self.image_paths[idx]).convert(RGB) label Image.open(self.label_paths[idx]).convert(L) # 強(qiáng)制單通道 if self.transform: image, label self.transform(image, label) # ?? 死亡陷阱確保label是二維 if label.ndim 3 and label.shape[0] 1: label label.squeeze(0) # [1,H,W] - [H,W] elif label.ndim 3 and label.shape[2] 1: label label.squeeze(2) # [H,W,1] - [H,W] # 再次校驗(yàn)label必須是long型二維張量 assert label.ndim 2, flabel must be 2D, got {label.ndim}D assert label.dtype torch.long, flabel dtype must be torch.long, got {label.dtype} return image, label def __len__(self): return len(self.image_paths) # 實(shí)例化DataLoader dataset CustomSegmentationDataset( image_dirdata/images, label_dirdata/labels, transformSegmentationTransform(size(512, 512)) ) dataloader torch.utils.data.DataLoader( dataset, batch_size4, shuffleTrue, num_workers4, pin_memoryTrue # 關(guān)鍵加速GPU傳輸 )邏輯說明squeeze()操作是防御性編程。即使transform已保證label為二維但在某些PIL版本或異常圖像下仍可能殘留單通道維度。assert語句在debug階段必加上線后可注釋。pin_memoryTrue能將CPU tensor預(yù)加載到page-locked memory使GPU數(shù)據(jù)搬運(yùn)提速20%以上尤其在batch_size2時(shí)效果顯著。3. Unet模型構(gòu)建與PyTorch適配通道數(shù)、初始化、輸出頭必須與多類別嚴(yán)格匹配3.1 自定義Unet為什么不能直接用timm或segmentation_models_pytorch的預(yù)訓(xùn)練Unettimm.unet默認(rèn)輸出通道數(shù)為1二值分割segmentation_models_pytorch.Unet雖支持classesn但其decoder最后一層是Conv2d(64, n, 1)而你的6類分割需要輸出[N,6,H,W]且loss函數(shù)要求logits未softmax。更重要的是這些庫的預(yù)訓(xùn)練權(quán)重如encoder部分來自ImageNet在工業(yè)小樣本場(chǎng)景下易過擬合某實(shí)驗(yàn)室實(shí)測(cè)直接加載imagenet權(quán)重的Unet在6類產(chǎn)線數(shù)據(jù)上val loss震蕩劇烈而從零初始化encoderdecoder配合強(qiáng)augmentation收斂更穩(wěn)。因此我們手寫輕量Unet控制總參數(shù)3M。import torch import torch.nn as nn import torch.nn.functional as F class DoubleConv(nn.Module): (conv BN ReLU) * 2 def __init__(self, in_ch, out_ch): super().__init__() self.conv nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding1, biasFalse), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue), nn.Conv2d(out_ch, out_ch, 3, padding1, biasFalse), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue) ) def forward(self, x): return self.conv(x) class Down(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.mpconv nn.Sequential( nn.MaxPool2d(2), DoubleConv(in_ch, out_ch) ) def forward(self, x): return self.mpconv(x) class Up(nn.Module): def __init__(self, in_ch, out_ch, bilinearTrue): super().__init__() if bilinear: self.up nn.Upsample(scale_factor2, modebilinear, align_cornersTrue) else: self.up nn.ConvTranspose2d(in_ch // 2, in_ch // 2, 2, stride2) self.conv DoubleConv(in_ch, out_ch) def forward(self, x1, x2): x1 self.up(x1) # input is CHW diffY x2.size()[2] - x1.size()[2] diffX x2.size()[3] - x1.size()[3] x1 F.pad(x1, [diffX // 2, diffX - diffX // 2, diffY // 2, diffY - diffY // 2]) x torch.cat([x2, x1], dim1) return self.conv(x) class OutConv(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.conv nn.Conv2d(in_ch, out_ch, 1) # 關(guān)鍵out_ch n_classes def forward(self, x): return self.conv(x) class UNet(nn.Module): def __init__(self, n_channels3, n_classes6, bilinearTrue): super().__init__() self.n_channels n_channels self.n_classes n_classes self.bilinear bilinear self.inc DoubleConv(n_channels, 64) self.down1 Down(64, 128) self.down2 Down(128, 256) self.down3 Down(256, 512) self.down4 Down(512, 512) self.up1 Up(1024, 256, bilinear) self.up2 Up(512, 128, bilinear) self.up3 Up(256, 64, bilinear) self.up4 Up(128, 64, bilinear) self.outc OutConv(64, n_classes) # ?? 這里必須是n_classes不是1 def forward(self, x): x1 self.inc(x) x2 self.down1(x1) x3 self.down2(x2) x4 self.down3(x3) x5 self.down4(x4) x self.up1(x5, x4) x self.up2(x, x3) x self.up3(x, x2) x self.up4(x, x1) logits self.outc(x) # shape: [N, n_classes, H, W] return logits # 初始化模型并校驗(yàn)輸出 model UNet(n_channels3, n_classes6, bilinearTrue).cuda() dummy_input torch.randn(2, 3, 512, 512).cuda() output model(dummy_input) print(f? Model output shape: {output.shape}) # 應(yīng)為 torch.Size([2, 6, 512, 512]) print(f? Output min/max: {output.min().item():.3f}, {output.max().item():.3f})參數(shù)說明n_classes6直接決定OutConv的輸出通道數(shù)這是整個(gè)流程的錨點(diǎn)。bilinearTrue啟用雙線性上采樣比轉(zhuǎn)置卷積更穩(wěn)定align_cornersTrue解決PyTorch 1.13中upsample的坐標(biāo)對(duì)齊bug避免分割邊界偏移。dummy_input測(cè)試必須在GPU上運(yùn)行因?yàn)楹罄m(xù)loss計(jì)算依賴CUDA kernel。3.2 權(quán)重初始化策略為什么He初始化比Xavier更適合Unet的ReLUUnet大量使用ReLU激活其輸出存在“死亡神經(jīng)元”風(fēng)險(xiǎn)。Xavier初始化適用于tanh/sigmoid會(huì)使ReLU前向傳播方差衰減而He初始化專為ReLU設(shè)計(jì)能保持各層輸出方差穩(wěn)定。我們?cè)赺_init__后立即調(diào)用init_weights()。def init_weights(m): if isinstance(m, nn.Conv2d) or isinstance(m, nn.ConvTranspose2d): # He初始化std sqrt(2 / fan_in) nn.init.kaiming_normal_(m.weight, modefan_in, nonlinearityrelu) if m.bias is not None: nn.init.constant_(m.bias, 0) elif isinstance(m, nn.BatchNorm2d): nn.init.constant_(m.weight, 1) nn.init.constant_(m.bias, 0) # 應(yīng)用初始化 model UNet(n_channels3, n_classes6).cuda() model.apply(init_weights) # 驗(yàn)證檢查第一層卷積權(quán)重標(biāo)準(zhǔn)差 print(f? conv1 weight std: {model.inc.conv[0].weight.std().item():.4f}) # 應(yīng)接近0.05邏輯說明nn.init.kaiming_normal_的modefan_in表示以輸入通道數(shù)fan_in為歸一化基準(zhǔn)這符合Unet encoder中特征圖通道數(shù)遞增、空間尺寸遞減的特點(diǎn)。nonlinearityrelu告知初始化器激活函數(shù)類型自動(dòng)計(jì)算最優(yōu)std。若跳過此步某實(shí)驗(yàn)室實(shí)測(cè)未初始化的Unet在epoch5前l(fā)oss下降極慢且梯度norm波動(dòng)劇烈。3.3 輸出頭與loss的耦合logits必須直接喂給CrossEntropyLoss禁止softmaxCrossEntropyLoss LogSoftmax NLLLoss它內(nèi)部已包含softmax若你手動(dòng)F.softmax(logits, dim1)再傳入會(huì)導(dǎo)致雙重softmax輸出概率全趨近于1loss爆炸。這是新手最高頻翻車點(diǎn)。# ? 錯(cuò)誤示范手動(dòng)softmax logits model(image_batch) # shape [N,6,H,W] pred_prob F.softmax(logits, dim1) # 錯(cuò)dim1是channel維度 loss criterion(pred_prob, target_batch) # 報(bào)錯(cuò)或lossnan # ? 正確示范logits直連 logits model(image_batch) # shape [N,6,H,W] loss criterion(logits, target_batch) # target_batch shape [N,H,W]dtype long關(guān)鍵參數(shù)criterion nn.CrossEntropyLoss(ignore_index255)。ignore_index用于跳過無效像素如標(biāo)注中的ignore區(qū)域但你的數(shù)據(jù)若無ignore區(qū)域必須設(shè)為-100PyTorch默認(rèn)值不可設(shè)為0背景類會(huì)被忽略。若你強(qiáng)行設(shè)ignore_index0則背景類像素不參與loss計(jì)算模型永遠(yuǎn)學(xué)不會(huì)區(qū)分背景和其他類。4. 多類別分割的損失函數(shù)與評(píng)估DiceLossCE混合、逐類IoU計(jì)算不可少4.1 混合損失函數(shù)為什么單用CrossEntropyLoss在類別不平衡時(shí)失效你的6類數(shù)據(jù)中“background”占85%像素“rust”僅占0.3%。單用CrossEntropyLoss會(huì)導(dǎo)致模型偏向預(yù)測(cè)background驗(yàn)證集上rust類IoU恒為0。解決方案DiceLoss懲罰前景類召回率CE Loss保證全局分類能力按0.5:0.5加權(quán)。class DiceLoss(nn.Module): def __init__(self, smooth1.0, ignore_index-100): super().__init__() self.smooth smooth self.ignore_index ignore_index def forward(self, logits, target): # logits: [N,C,H,W], target: [N,H,W] probs F.softmax(logits, dim1) # [N,C,H,W] # 將target轉(zhuǎn)為one-hot: [N,H,W] - [N,C,H,W] target_one_hot F.one_hot(target, num_classeslogits.shape[1]).permute(0,3,1,2).float() # 忽略ignore_index位置 if self.ignore_index 0: valid_mask (target ! self.ignore_index).unsqueeze(1).float() # [N,1,H,W] probs probs * valid_mask target_one_hot target_one_hot * valid_mask intersection (probs * target_one_hot).sum(dim(2,3)) # [N,C] cardinality (probs target_one_hot).sum(dim(2,3)) # [N,C] dice_coeff (2. * intersection self.smooth) / (cardinality self.smooth 1e-8) # 對(duì)每個(gè)類別求平均再對(duì)batch求平均 dice_loss 1 - dice_coeff.mean() return dice_loss class CombinedLoss(nn.Module): def __init__(self, ce_weight0.5, dice_weight0.5, ignore_index-100): super().__init__() self.ce_weight ce_weight self.dice_weight dice_weight self.ce_loss nn.CrossEntropyLoss(ignore_indexignore_index) self.dice_loss DiceLoss(ignore_indexignore_index) def forward(self, logits, target): ce self.ce_loss(logits, target) dice self.dice_loss(logits, target) return self.ce_weight * ce self.dice_weight * dice # 實(shí)例化損失函數(shù) criterion CombinedLoss(ce_weight0.5, dice_weight0.5, ignore_index-100).cuda() # 測(cè)試構(gòu)造模擬數(shù)據(jù) logits_test torch.randn(2, 6, 128, 128).cuda() target_test torch.randint(0, 6, (2, 128, 128)).cuda() loss_test criterion(logits_test, target_test) print(f? Combined loss: {loss_test.item():.4f})參數(shù)說明smooth1.0防止分母為01e-8是額外保險(xiǎn)ignore_index-100與CrossEntropyLoss默認(rèn)值對(duì)齊確保一致性。ce_weight和dice_weight需根據(jù)數(shù)據(jù)平衡性調(diào)整若前景類極少1%可提高dice_weight至0.7若各類均衡0.5:0.5即可。F.one_hot是PyTorch 1.8特性低于此版本需用torch.eye手動(dòng)構(gòu)造。4.2 逐類IoU計(jì)算mIoU不是唯一指標(biāo)必須看每一類的召回與精確率CrossEntropyLoss優(yōu)化的是像素級(jí)分類準(zhǔn)確率但語義分割核心指標(biāo)是IoU交并比。mIoU是各類IoU的平均值但若某類IoU0.95另一類0.01mIoU0.48看似尚可實(shí)則模型完全失效。必須輸出每類IoU表格。def compute_iou_per_class(pred_mask, target_mask, num_classes6, ignore_index-100): pred_mask: [N,H,W] int64, 每個(gè)像素的預(yù)測(cè)類別ID target_mask: [N,H,W] int64, 真實(shí)類別ID 返回: list of IoU per class, lengthnum_classes ious [] for cls in range(num_classes): # 獲取該類別的預(yù)測(cè)和真實(shí)mask pred_cls (pred_mask cls) target_cls (target_mask cls) # 忽略ignore_index位置 if ignore_index 0: valid (target_mask ! ignore_index) pred_cls pred_cls valid target_cls target_cls valid intersection (pred_cls target_cls).sum().item() union (pred_cls | target_cls).sum().item() if union 0: ious.append(float(nan)) # 該類無真值IoU無定義 else: ious.append(intersection / union) return ious # 在驗(yàn)證循環(huán)中調(diào)用 model.eval() all_ious [] with torch.no_grad(): for images, targets in val_dataloader: images, targets images.cuda(), targets.cuda() logits model(images) preds logits.argmax(dim1) # [N,H,W] ious compute_iou_per_class(preds, targets, num_classes6) all_ious.append(ious) # 匯總對(duì)所有batch取平均忽略nan ious_array np.array(all_ious) # shape [num_batches, 6] mean_ious np.nanmean(ious_array, axis0) class_names [background, bolt_A, bolt_B, washer_C, rust, scratch] print(\n Per-class IoU:) for name, iou in zip(class_names, mean_ious): print(f{name:12s}: {iou:.4f}) print(fmIoU: {np.nanmean(mean_ious):.4f})邏輯說明preds logits.argmax(dim1)是獲取預(yù)測(cè)類別ID的標(biāo)準(zhǔn)操作dim1對(duì)應(yīng)channel維度。compute_iou_per_class中union 0的判斷至關(guān)重要——當(dāng)某類在當(dāng)前batch中完全未出現(xiàn)如rust類樣本極少union為0此時(shí)IoU無意義返回nan最終np.nanmean會(huì)自動(dòng)忽略。這樣得到的mIoU才真實(shí)反映模型能力。4.3 避坑多類別分割的5個(gè)高頻翻車現(xiàn)場(chǎng)與血淚解法現(xiàn)象1訓(xùn)練loss下降但驗(yàn)證mIoU始終為0且所有預(yù)測(cè)都是background原因label.png的灰度值未重映射為0~5而是[0,10,20,30,40,50]導(dǎo)致CrossEntropyLoss將所有非0像素視為ignore_index默認(rèn)-100只學(xué)習(xí)background。解決嚴(yán)格執(zhí)行2.1節(jié)的convert_label_to_continuous()并用np.unique()打印clean label的值確認(rèn)為[0 1 2 3 4 5]?,F(xiàn)象2loss在0.3附近震蕩不下降梯度norm極小1e-5原因模型權(quán)重未初始化或init_weights()未應(yīng)用到所有子模塊如忘記model.apply()。解決在模型實(shí)例化后立即調(diào)用model.apply(init_weights)并用print(model.inc.conv[0].weight.std())驗(yàn)證首層權(quán)重標(biāo)準(zhǔn)差是否≈0.05?,F(xiàn)象3驗(yàn)證時(shí)preds logits.argmax(dim1)報(bào)錯(cuò)RuntimeError: argmax(): Expected dtype int64 or fp32原因logits是fp16混合精度訓(xùn)練argmax不支持fp16輸入。解決preds logits.float().argmax(dim1)或在AMP上下文中用with torch.cuda.amp.autocast(enabledFalse):包裹預(yù)測(cè)代碼。現(xiàn)象4mIoU計(jì)算中某類IoU為nan且該類在驗(yàn)證集出現(xiàn)頻率高原因ignore_index設(shè)為0而0是background類導(dǎo)致background被忽略u(píng)nion恒為0。解決ignore_index必須設(shè)為-100PyTorch默認(rèn)或一個(gè)不在類別ID中的值如255絕不可設(shè)為任一有效類別ID。現(xiàn)象5訓(xùn)練時(shí)GPU顯存爆滿batch_size1就OOM原因Unet的skip connection中torch.cat([x2, x1], dim1)將encoder特征與upsampled特征拼接若encoder輸出通道為512upsampled為256則拼接后為768通道顯存激增。解決在Up模塊中將self.up nn.ConvTranspose2d(in_ch // 2, in_ch // 2, 2, stride2)改為self.up nn.Upsample(scale_factor2, modebilinear, align_cornersTrue)并確保bilinearTrue可減少30%顯存占用。5. 訓(xùn)練循環(huán)與早停策略動(dòng)態(tài)學(xué)習(xí)率、梯度裁剪、模型保存的工業(yè)級(jí)實(shí)踐5.1 帶warmup的余弦退火學(xué)習(xí)率為什么固定lr1e-3在第10輪就過擬合Unet對(duì)學(xué)習(xí)率敏感。某實(shí)驗(yàn)室對(duì)比實(shí)驗(yàn)顯示固定lr1e-3時(shí)loss在epoch5驟降但val mIoU在epoch8達(dá)峰后持續(xù)下跌而采用warmupcosinelr從1e-5線性升至1e-3warmup 5 epoch再余弦退火至1e-6val mIoU穩(wěn)定提升至epoch30。代碼實(shí)現(xiàn)如下from torch.optim.lr_scheduler import CosineAnnealingLR, LinearLR, SequentialLR def get_scheduler(optimizer, warmup_epochs5, total_epochs50, min_lr1e-6): warmup_scheduler LinearLR( optimizer, start_factor1e-3, # 從lr*1e-3開始 end_factor1.0, # 到lr*1.0結(jié)束 total_iterswarmup_epochs ) cosine_scheduler CosineAnnealingLR( optimizer, T_maxtotal_epochs - warmup_epochs, eta_minmin_lr ) scheduler SequentialLR( optimizer, schedulers[warmup_scheduler, cosine_scheduler], milestones[warmup_epochs] ) return scheduler # 使用示例 optimizer torch.optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) scheduler get_scheduler(optimizer, warmup_epochs5, total_epochs50) # 在訓(xùn)練循環(huán)中 for epoch in range(50): model.train() for images, targets in train_dataloader: images, targets images.cuda(), targets.cuda() optimizer.zero_grad() logits model(images) loss criterion(logits, targets) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) # 梯度裁剪 optimizer.step() scheduler.step() # 更新學(xué)習(xí)率 print(fEpoch {epoch1}, LR: {scheduler.get_last_lr()[0]:.2e})參數(shù)說明LinearLR的start_factor1e-3表示warmup起始lr為1e-3 * 1e-3 1e-6end_factor1.0表示結(jié)束lr為1e-3 * 1.0 1e-3CosineAnnealingLR的eta_min1e-6是最終最小lr。torch.nn.utils.clip_grad_norm_將梯度norm限制在1.0內(nèi)防止梯度爆炸這是訓(xùn)練穩(wěn)定性的后悔藥。5.2 早停與最佳模型保存監(jiān)控val mIoU而非lossloss下降不代表分割質(zhì)量提升必須以val mIoU為早停依據(jù)。保存最佳模型時(shí)不僅存state_dict還要存optimizer和scheduler狀態(tài)便于斷點(diǎn)續(xù)訓(xùn)。class EarlyStopping: def __init__(self, patience7, delta0.001, save_pathbest_model.pth): self.patience patience self.delta delta self.save_path save_path self.best_score None self.epochs_no_improve 0 self.improved False def __call__(self, val_iou, model, optimizer, scheduler): score val_iou if self.best_score is None: self.best_score score self.save_checkpoint(model, optimizer, scheduler) self.improved True elif score self.best_score self.delta: self.epochs_no_improve 1 self.improved False if self.epochs_no_improve self.patience: return True # 觸發(fā)早停 else: self.best_score score self.epochs_no_improve 0 self.save_checkpoint(model, optimizer, scheduler) self.improved True return False def save_checkpoint(self, model, optimizer, scheduler): torch.save({ epoch: epoch, model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), scheduler_state_dict: scheduler.state_dict(), best_val_iou: self.best_score, }, self.save_path) print(f? Saved best model to {self.save_path}) # 在驗(yàn)證循環(huán)后調(diào)用 early_stopping EarlyStopping(patience10, delta0.002, save_pathunet_best.pth) for epoch in range(50): # ... 訓(xùn) p a hrefhttps://download.csdn.net/download/brf_UCAS/14109453 stylecolor:#ec7500;font-size:14px; 本文還有配套的精品資源點(diǎn)擊獲取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
色婷婷色久综| 黄色高清无码| 天天橾夜夜爽| 美女要搞搞天天搞搞搞网站| 婷婷伊人综合中文字幕| 亚洲精品a成人在线播放| 激情网婷婷婷| 国熟女视频| 久久五月天激情婷婷| 久久99久久99精品免视看婷| 99精品在线观看视频| 中文字幕永久在线| 中文字幕在线播放视频| 一起肏在线视频| 中文字幕日产A片在线看| 久久五月天综合| 婷婷丁香六月五月天| 99操不停| 欧美一级a| 婷婷五月天亚洲| 婷婷六月五月天综合| 超碰激情网| 免费在线观看AV网站| 另类天堂| 婷婷中文字幕| 五月丁香综合啪啪| 五月婷婷激情性爱| 日韩色久| 色色色婷婷五月天| 日本啪啪网| 丁香六月婷婷综合缴| 婷婷五月开心中文字幕在线| 婷婷丁香五月天色区| 五月婷婷激情网| 五月综合激情图片| 婷婷五月欧美| 久久香蕉丁香| 中文资源在线a | 日日干天天射| 97香蕉碰碰人妻国产欧美| 国产成人亚洲综合A∨婷婷| 丁香激情六月天婷婷| 在线va网站| 日本色99| 99色这里| 婷婷五月激情片| www.xtbsty.cn.com蜜乳AV| 国产综合婷婷| 五月婷视频久久| 久久少妇视频| 婷婷丁香在线播放| 激情综合五月婷婷丁香| 激情五月婷| www激情| 日韩六十路91性交电影| 五月婷亚洲精品| 四色AVwww| 热99热9| 国产精品久久久60086| 五月香蕉综合| 一本久道综合色婷婷五月| www.五月天社区| SS丁香五月婷婷| 99热这里只有精品96| 婷婷综合五月天激情| 精品无码色欲AV| 深爱开心五月天| 99精品网站| 无码婷婷五月天| 亚洲婷婷丁香五月天激情小说| 五月婷婷六月激情在线| 人人视频人人干人人做| 97精品欧美91久久久久久久| 欧美色色色| 影音先锋高清无码资源网| 又大又粗九一在线| 久久精品综合色| 色综合久久久久| 丁香五月婷婷激情小说| 亚洲色色色色| 五月天激情四射| 91超碰人人操| 中文字幕性爱视频| 狠狠va| 人人干Av| 91五月天| 十区AV| 免费观看亚洲AV片| 日日夜夜狠狠干| a久久| 天天婷婷综合亚洲亚洲| 一区中文字幕电影| 九九热99精品| 日本狠狠色| 超碰操日| 欧美五月丁香啪啪响视频| 婷婷开心青青草| 狠狠操狠狠操| 久久97久久99久久综合欧美| 这里只有精品免费在线视频| 五月久久婷婷成人网| 久久婷婷五月天懂色| 欧美搡BBBBB摔BBBBB| 国产亚洲成AV人片在线| 综合激情五月综合激情五月激情1| 激情五月视频| 国产精品人成A片一区二区| 激情婷婷五月综合| 婷婷激情五月综合在线视频| 久久女婷| 亚洲久热| 色婷久久| 爆乳熟妇一区二区三区爆乳| WWW.17C亚洲精品| 国外亚洲成AV人片在线观看| 婷婷欧美偷拍综合| 99爱爱| 五月天社区婷婷| 玖玖爱资源站| 丁香五月综合激情啪啪| 99超碰人人| 丁香婷五月天| 高清一区二区三区日本久| www激情网站| 欧美综合激情五月丁香| 五月天伊人| 亚洲无码www| 婷婷大美在线| 午夜69成人做爰视频| 五月婷婷色啪| 久久99综合网| 久久婷婷五月天激情四射| 九九九九九九九热| 五月丁香婷婷伊人日韩| 激情综合色五月丁香六月亚洲| 99自拍视频在线观看| 大香蕉在线观看9| 精品无码人妻一区| 99精品国产乱码久久久人妻| 九九久久99| 天天日天天爽| 性 色 婷婷| 五月天桃色深爱网| 开心深爱五月天| 久操福利| 玖玖在线视频| 五月丁香| 婷婷伊人五月| 日韩黄色AV无码| 五月婷婷视频ab| 情欲禁地| 蜜桃五月天| 99热个人在线| 亚洲色婷婷视频| 亚洲精品V天堂中文字幕| 久久99热这里只有| 99re6在线视频精品免费| 69热在线| 91肏肏肏| 亚洲丁香五月天视频| 奇米色大香蕉| 色女人久久| 色五月婷婷1| 99久久五月婷婷| 五月久久| 国产超碰在线| 色久五月| www久久艹| 超碰成人av| 日韩AV在线免费观看| 极品另类| 最新午夜理论片| 97在线精品| 天天做综合| 九九视频在线观看视频6| 最新精品视频99| 人妻丰满精品一区二区A片| 五月花成人网| 97久操视频| 99热免费| 欧美婷婷五月激情| 99操免费视频| 少妇AB又爽又紧无码网站| 99色一| 国产亚洲成人综合| 日日干天天爽| 夜夜爽天天日| aaaaa黄色| 亚洲综合另类| 综合网啪| 五月丁香激情深爱婷婷| 色综合九九| 涩五月婷婷| 国产日日操夜夜操的肉棒视频| 久久五月情| 色五月激情网| 五月天激情av| 一區四區歐美日韓| 97婷婷狠狠| 精品亚洲国产成人A片在线鸭王| 五月天婷婷高清无码| 色涩影院六月丁香| 国产AV一区二区三区日韩| 97色色综合| 99成人网一区| 玖玖婷婷婷丁香五月| 激情五月丁香婷婷| 五月天激情啪啪| 天天操天天操综合| 色色色999| 九九精品丁香花| 啪啪激情综合| 亚洲视频色婷婷| 婷婷五月69| 97操碰人免费| 国产看真人毛片爱做A片| www,超碰| 激情丁香五月婷婷| 五月天亚洲色| www.俺去也com| 日本综合久久| 久热黄色| 91人人网| 中文精品在| 丁香婷婷九月在线| 中字幕视频在线永久在线观看免费| 五月天色影院| 岛国AV网站| 97碰在线视频| 久久婷婷五月综合色奶水99啪| 一级操逼内射在线视频| 99热精品一| 天天摸天天爽| 亚洲五月天综合| 99 热| 91热视频色网站| 久久激情婷婷| 日本99婷婷| 久久婷婷老| 国产精品久久久久久久久久久久| 色婷婷丁香五月天| 亚洲无码99| 婷婷金品综合视频| 九九这里有精品| 91一起操| 思思热视频| 久久久com| 97色永久免费视频| 热九九精品| 五月丁香色婷婷久久| 九九热这里只有精品6| 婷婷六月视频| 99亚州综合精品成人网| 欧美啪啪9| 久久机热这里只有精品免费视频| 婷婷五月色惰| 成人在线网| 91九色视频| 99re视频在线播放| 九热...av| 色老久久| 五月色丁香| 高清不卡一区| 久久九九re热| 亚洲人妻AV| 大香蕉九九热| 国产噜一噜天天噜| 五月丁香综合伦理片| sisi热国产| 涩五月婷婷| 久久视屏这里只有久久| 丁香五色月婷婷网| 五月天综合影院| 婷婷五月综合视频| 九色无码| www.婷婷.com| 91色综合久久| 亚洲无aV在线中文字幕| 五月色情婷婷| 综合热无码| 丁香婷婷五月六月天| 五月丁香色狠狠干大屄| 开心激情网五月| 五月婷婷五月天在线| 亚洲a色| 亚洲va在线∨a天堂va欧美va| 激情五月,婷婷五月,丁香五月| 五月丁香花婷婷玉莉AV| 日本操碰碰| 538在线精品| www.99视频| 99热精品在线| 国产高清视频91九九九久久久| 日韩久久日| 99re视频在线精品| 丁香五月 综合| 色婷婷基地在线| 超碰renrenai| 欧美色99| 色综啪啪网| 日韩AV一区二区三区| WWW.国产| 久久久久久久人妻| 婷婷五月天成人网| 色色色综合网| 潮汕成人AV片在线| 久久艹 五月天| 国产精品色色| 五月婷性爱| 国内精品免费一区二区2009| 亚州色综合| 一区操| 久久综合香蕉国产国产蜜臀AV| 一级AV片| 国产永久一黄| 五月丁香色| 久思思热视频在线观看| 国产Va视频| 99只有精品| 搡BBBB搡BBB搡五十| 99久高清视频| av网站中文| 久久Xx| 色135综合网| 日本九九网| 在线日韩视频| 97资源碰碰| 婷婷九月综合| 亚州精品色情在线观看| 五月丁香六月综合基地| 99狠狠色| 性做爰A片免费视频A片直播| 日本天天综合| 色偷偷色婷婷| 免費观看aV在线网址| 99婷婷五月天| 欧美超级视频97| 五月激香蕉网| 大波美女VA网站| 亚洲婷婷91丁香| 高清资源站日A美A欧亚…| 91久久久久久久久久18| 丁香五月婷婷五月天在线| 色噜噜婷婷| 婷婷丁香六月| 国产xxxxx在线观看| 九九热婷婷| 五月婷婷影视| 婷婷五月天激情综合深爱激情 | 久久丁香综合香蕉| 99热99这里有免费的精品| 996er热| 五月婷av| 婷婷六月五月天综合| 精品影院| 2050人人操免费工开爱| 国产肥白大熟妇BBBB视频| 97精品在线| 看全色黄大色大片| 久久久久久99精品无码| 日本3级片一区2区| 五月丁香大相交| 婷婷丁香十月| 五月婷在线影院| 五月激情六月宗合| 五月丁香啪啪综合网| 婷婷天天日婷婷| 99综合99| 网站免费一站二站| 婷婷天堂综合| 91人妻人人做人碰人人爽九色| 97超碰在线观看免费| 夜夜骑天天玩天天日| 少妇出轨做爰高潮A片| 色五月天综合| www.一区二区三区| 婷婷五月天AV在线| 狠狠舔| 婷婷五月天电影网| 五月天婷婷在线观看精品男人| 色色热| 玖玖九九99| 天堂无码人妻精品AV一区| 天天天天天操| 中文字幕丰满乱孑伦无码专区| 国产在线视频1234| 九九综合九九| 深爱婷婷色| WwW色婷婷| 婷婷婷婷婷婷婷五月丁香| 亚洲五月天色色| 影音先锋一区| 中文字幕日韩无码制服诱或| 91丨九色丨国产打屁股网站| 久久久激情| 97成人丁香婷婷| 精品少妇人妻AV无码专区偷人 | 婷婷综合网伊人| 无码激情AAAAA片-区区| 色色亚洲| 99热久只有精品首页| 久久大国产香蕉| 国产五月天欧美色| 日本精品在线噜噜噜| 五月激情小说| 九九婷婷综合| 久草xx性爱视频| 久久区区一二三av| 国产精产国品一二三在观看| 天天草天天摸| 五月婷人妻| 色就色94欧美setu| 五月婷婷丁香六月| 天天爽日日爽夜夜爽| 综激情网| 好叼操在线观看| 久久久这里有精品| 激情丁香五月激情婷婷| 亚洲成人网站在线| 99热国产在线| 伊人婷婷五月天| 爱的综合网| 色婷亚洲五月丁香| 丁香五月大香蕉在线99| 天天做天天爱天天高潮| 婷婷爱五月天人人爱| 免费黄色片子| 伊人久久大香线蕉综合网站| 男同91| 五月丁香婷草| 亚洲六月色| wWwCom夜操wwW| 日本久久精品18| 任你干嘛免费视频播放| 激情婷婷丁香五月天| 婷婷在线精品| 丁香六月成人| 欧洲亚洲免费视频9| 日本在线噜噜| 五月综合亚洲婷婷| 再綫Av免费視品| 天堂综合久| 天天干一干| 五月丁香亭亭| 九九在线精品| 综合激情网激情五月。| 99性感视频| 天天射夜夜爽| 色色婷婷五月天| 日韩有码一区| 香港九九六区八区99| 最近中文字幕大全免费版在线 | 久久久久9999| 91热爆在线| 99在线精品视频在线观看| 26UUU亚洲欧美| 婷婷五月播| 中文精品在| 天天肏在线视频| 激情丁香五月婷婷| 极品人妻VIDEOSSS人妻 | www.色五月| 粉嫩av蜜桃av蜜臀av| 夜夜操天天爽| 五月天伊人综合| 96性爱视频| 情五月亚洲婷婷| 婷婷久久久| 999热在线视频| 婷婷综合色图| 五月天激情综合在线| 久久色区| 激情五月激情综合俺也去婷婷小说| 99无码视频| 538任你爽| 成人欧美日韩| 丁香六月天AV| caobi四区| 大伊久久| 婷婷五月18永久免费视频| 五月天 另类图片| 思思热久久爱| 国产精品色婷婷99久久精品| 激情五月天电影| 999婷婷综合| 久久激情网| www.夜夜操.com| 超碰免费在线| 色五月丁香A欧美com| 99精品久| 色激情综合| 第四色婷婷日本| 国产欧美婷婷五月| 久久机热这里只有精品| www.狠狠| www.五月天婷婷| 亚洲精品国产熟女久久久| 婷婷的五月天另类视频| 久久sp免费视频| 五月丁香婷婷久久| 国产婷婷五月中文字幕高清| 色亚洲欧洲| 婷婷日欧美在线观看| 色综合色综合网| 欧美精品在线观看| 黄色91在线观看| 桃色五月婷婷| 五月天激情啪啪| 天天综合网91| 亚洲网站观看视频| 久久婷婷丁香五月宗合| 日韩av大全| 日韩无码色色| 五月丁香影视| 午夜丁香 婷婷| 婷婷激情五月综合| 婷婷五月色播放| 影音先锋四区| 玖玖伊人网| 99毛片| 国产五月丁香在线| 五月天婷婷丁香社区| 亚洲精品99| www,setingting| 亚洲免费观看高清完整版AV线| 亚洲第一色网站| 日日狠狠久久偷偷四色综合免费| 夜夜谢天天干| 9久久久| 激情综合网络插| 色综合五月天| 精品久久久中文字幕大豆网推荐理由 | 奇米网大香蕉| 婷婷丁香久久五月综合| 97干97色| 热婷婷av| 狠狠干五码| 成人丁香五月| 五月丁香久久综合色| 1995年关宝慧版蜘蛛女| 天天插天天插天天插天天插| 任我鲁这里有精品视频| 九九热视频精品| 99这里只有精品视频| 成人网丁香五月| 久色姿源| 337p大胆噜噜噜噜噜91Av| 91精产品自偷自偷综合| 婷婷爱五月天人人爱| 久99| 色色五月丁香婷婷| 丁香婷婷九月| 成人无码髙潮喷水A片| 色色色五月婷婷| 五月婷婷激情综合| 在线一起草av| 五月丁香激情婷婷| 色婷婷丁香女女| 99在线观看视频精品| 色欲婷婷五月天| 婷婷伊人五月丁香天堂网| 色婷婷丁香中文在线播放| 丁香六月婷婷综合| 五月丁香激情综合啪| www.久久爱| 激情视频综合| 亚洲综合草草| 日本久久视频| 99日韩| 亚州色婷婷| 精品网站:999WWW| 2015超碰| 久久伦乱| 五月丁香啪啪啪啪| 五月天激情国产综合婷婷婷| 深爱激情网五月| 九九aV| 99色6爱9热| 天天天天干| 午夜在线成人网站免费观看| 五月丁香花激情综合网| 丁香五月综合激情久久潮喷| 夜夜骑夜夜撸| 99久久久久久| 中文字幕不卡+婷婷五月| www久久久久久久97| 亚洲精品国产成人AV在线| 色婷婷综合成人| 玖玖无码中文| 久久性爱视频| 荡乳尤物3HP1V5| 五月开心婷婷| 亚洲中文AV| 婷婷五月天电影网| 丁香久久| 青青草国产亚洲精品久久| 热99久久这里只有精品| 超碰妻人人| 五月综合在线| 五月丁香激情综合啪| 全部老头和老太XXXXX| 天天爽夜夜爽夜爽精品| 97香蕉人人在线观看| 天堂久久精品| 日日射天天射| 人操91在线| 亚洲综合视频网| 亚洲人妻av| 欧美交换配乱吟粗大25P| 天天天天天天天操| 婷婷性爱视频在线| 狠狠狠狠狠| 婷婷六月激情综合| 超碰在线视屏| 中文字幕人妻一区二区| 婷婷五月天在线视频网站| 99热精品在线播放| 丁香花五月天社区| 精品久久99| 99热这里有精品2| 色99视| 婷婷综合网| 久色婷婷200| VA色婷婷| 欧美三级视频下载| A片试看50分钟做受视频| 日日夜夜爽| 丁香五月亚洲AV| 丁香五月婷婷国产av| 色综合九九| 色综合综合色| 亚洲综合激情五月久久| 91操屁股| 成人片黄网站色大片免费毛片| 91九色中文字幕女在线观看| 日本熟女内射| 一级黄色影片| 色婷婷综合综合网| 热久免费视频9| 久久99热这里只有精品| 操操自拍| 日日夜夜小色哥| 激情婷婷五月久久| 色五月天丁香婷婷| av操B网站| 九九热视频在线观看| 99在线69| 六月丁香六月婷婷欧美| 色婷婷影音| www色色com| 婷婷成人AV| Av在线资源| 国产精产国品一二三在观看| 色99在线视频| 婷婷激情社区| 五月丁香六月激情综合| 终合激情网| 九九草热在线观看| 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 | 国产日产亚洲系列最新| 91九色网| 亚洲激情婷婷| 丁香婷婷影院| 久久三级视频| 激情亚洲婷婷| 九九色色网| 婷婷色色丁香五月天| 久久婷婷五月综合色和| 新精品99| 日日夜夜小色哥| 欧美激情五月| 色八戒操婷婷| 日本视频久久| 五月天丁香婷婷视频网址| 国产古装妇女野外A片 | 26UUU欧美激情一区二区| 色婷亚洲| 玖玖综合玖玖| 国产精品视频| 超碰在线看| 日本美女上人| 99久久99视频只有精品| 99热 免费| 激情四射五月天偷偷看婷婷| www.婷婷网| 六月婷婷六月天天在线免费| 天天天天天操| 日本五月天一页| 亚洲综合五月天综合| 五月丁香六月激情综合| 99热只有精品在线观看| 免费在线观看AV网站| 婷婷综合在线观看视频| 在线超碰91| 亚洲精品午夜国产va久久成人| 丁香五月停停基地| 丁香五月激情网| 五月丁香综合伦理片| 性爱五月婷| 中文字幕黄色片| 五月丁香啪啪啪免费看| 思思热99er| 热99AV网站| 玖玖婷婷五月天| 亚洲情欲| 五月婷婷爽爽爽| 99伊人婷婷在线| 大香蕉久艹| 激情五月天婷婷久久久久久久久久久| 五月停停直播| 婷婷激情5月| 免费AV在线| 五月婷婷色| 三级毛片视频| 婷婷久久综| 激情校园 亚洲| 国语精品探花| 很很干天天干| 亚洲电影在线观看| 99re在线视频精品,这里只有精品18,| 丁香综合| 婷婷五月大香蕉| 五月丁香六月婷婷综合伊人| 97久久精品| 男女啪啪做爰高潮无遮挡| 99热这里只有精品55| WWW.五月天9999| 性爱五月婷| 丁香五月激情综合| 亚洲旡码| 婷婷五月激情欧美大胆视频| 99在线69| 性爱五月婷婷| 五月丁香久久| 免费婷婷| 99精品性爱| 五月天天天综合| 人橾人| 久久婷综| 色婷婷狠狠| 在线只有精品| 婷婷丁香五月天亚洲| Av九九| 丁香婷婷激情四射五月| 免费看欧美成人A片无码| 成人色图情色成人网 www.5b5b5bcom 五月天| 狠狠色婷婷丁香六月| 亚洲五月婷| 九九精品婷| 色欲色欲久久宗合网| 五月丁香亚洲综合| 丁香婷婷色情| 色五月天综合网| 色五月天在线| 青草性爱视频| 久久九九99| 欧美超级视频97| 婷婷丁香五月天综合激情| 婷婷色婷婷| 99视频精品| 五月丁香综合激情| 丁香五月婷婷激情中文| 欧美亚洲操逼| 综合网色| 久久精品五月天| 99九精品| 99热久久日本| 欧美日韩成人综合9| 国产人妻人伦精品一区二区| 91精品丝袜久久久久久| AV电影在线播放| 色婷天天| 五月丁香婷中文| 色色日本| 婷婷精品性视频| 五月丁香婷爱在线| 啪啪啪综合网| 亚洲五月丁香六月婷婷| 91日视频| 婷婷伊人五月| 九九热在线视频观看| 欧美婷婷成人| 五月丁香六月色情网欧美| 99热欧| 成人在线不卡| 色伊人婷婷| 九热...av| 国产精典视频在线观看| 婷婷99中文字幕| 日本 欧美在线| 天天色播| 东京热免费视频| 99这里只有精品视频免费| 性色欲情 网站| 色色五月天婷婷| bbwcuckold精品熟妇| 99re在线观看视频| 色亚洲婷婷| 婷婷激情丁五月| 99国产小视频| 婷婷五月天激情网站| 高清无码视频网址| 91成人看片| 综合激情在线视频| 婷婷丁香人妻天天爽| 免费精品99| 国产精品18久久久| www.金莲av| 丁香五月WWW| 激情亭亭五月| 5月婷婷六月丁香| 中文字幕丰满乱孑伦无码专区| 五月婷婷激情综合视频| 五月天综合久久丁香91| 五月婷丁香| a69在线视频| 亚洲成av人影院| 中文在线视频久1| 日韩综合久久| a网站免费观看| 色停停五月天| 久久五月婷| 欧美激情性做爰免费视频| 丁香六月色婷婷综合| 成人 视频免费观看网站| 一起草性爱不卡视频| 激情丁香网| 五月天激情啪啪| A久久| 亚洲色模骚货| 精品久色| 成人国产网| 五月丁香婷婷啪啪| 色人妻五月| 99色天堂| 七月丁香婷婷 色色| 五月婷婷与六月丁香图片激情| 亚洲色婷婷网站| 六月丁香开心婷婷欧美| 日日干夜夜干| 婷婷五月激情图片| 久久久久久久五月婷婷六月丁香综合,开心激情综合网 | 婷婷综合精品视频97| 日本人人干| 91av传媒高清在线视频网| 殴美日韩成人| 99re久热只有精品6在线直播| 91亚洲免费片| 国产乱子轮XXX农村| 久久九九国产精品怡红院| 另类图片五月天婷婷| 久久98热re| 天天狠天天叉| 丁香五月成人网| 丁香五月婷婷天激情| 婷婷的99视频网站| 天堂美国久久| 五月婷在线| 婷婷综合精品| 五月丁香六月婷婷亚洲视频| 色婷婷狠狠干| 丁香五月婷婷啪| 99久久婷婷国产综合精品电影| 夜夜撸夜夜骑| 97人人看| 久久婷婷成人综合色怡春院| 天天摸天天舔天天爽| 精品久久99码| 激情五月天啪啪| 婷婷五月天成人视频| 五月天激情国产综合婷婷婷| 在线99热| 五月丁香亭亭| 天天五月天综合网址| 五月丁香六月婷婷在线播放| 日本天天综合| 色色综合网站| 日韩无码专区| 嫩模aV在线| 久久日韩婷婷五月| 久久五月天丁香花| 国产精品黑丝| 激情婷婷在线| 2018国产大陆天天弄| 天天看A片| 久久99热这里只频精品6学生| 色视频五月天| 天天日夜夜曹| 深爱五月日韩| 午夜丁香五月天综合| 婷婷开心六月| 丁香五月天激情综合网| 深爱激情久久| 五月天影院| 亚洲视频图片婷婷五月| 欧洲亚洲激情五月天在线| 开心五月婷| 五月天基地| 精品少妇蜜臀91| 中文网av| 亚洲婷婷免费| 人人草人人看| 五月丁香六月婷婷激情网| 五月天激情视频| 五月婷婷成人| 开心婷婷五月天激情网| www夜夜操| 97热这里精品在线视频| 玖玖婷婷五月天| 中文字幕综合网| 天天干一干| 国产精产国品一二三在观看| 久777| 久9热插入| 婷色视频| 色九九综合| 亚洲人成网亚洲欧洲无码久久| 开心婷婷五月激情网小说| 五月婷丁香在线视频在线| 色婷婷激情五月天在线观看| 日日日日操| www久久艹| 久久怡红院| 中文毛片无遮挡高潮免费| www.ywav| 9999三级片| 天天爽夜夜爽夜夜爽精| 激情婷婷丁香色五月综合| 天天摸天天日天天舔| 五月激情小说| 婷婷伊人网| 国产乱人偷精品人妻A片| 久久激情四射| 久久久久激情| 五月丁香日本片| 激情五月婷婷色播网| 色色色地址| 激情开心五月天| 日本综合九九| 精典久久| 精品色色网| 六月丁香好婷婷| 综合久久高清| 最近中文字幕2019视频1| 五月丁香婷婷激情四射迷人| 99爽视频| 欧美Va在线| av在线观看网站| 成人无码精品1区2区3区免费看| 9热网站| 六月婷婷综合久久| www.久久五月天.com| 丁香成人色情五月天| 欧美色色色色色色色色色色| 国产高潮A片羞羞视频涩涩| 色色色色色五月| 九九精品网站| 九九婷婷网五月天| 国产欧美日韩综合精品一区二区| 色九九七七| 国产夫妻操逼内射视频| 狠狠干在线| 亚洲成人AV电影在线| 9l视频自拍九色9l视频自拍九色9l社区 | 六月丁香婷婷色综合| 99热在线精品观看| 亚洲无码99| 激情久久久久久久久久久| 午夜婷婷五月天在线| 色玖玖导航| 久久日婷婷| 这里只有精品,日韩视频| 99亚洲精品| 中文字幕网伦射乱中文| 色噜噜狠狠色综合日日| 99久久玖玖| 五月天色图| 99日本黄站| 综合五月网| 色色色com| 丁香5月激情网| 99精品视频偷拍| www.九九婷婷| 婷婷五月天第四色| 婷婷五月天色播| 99re在线视频| 99爱视频| 五月香蕉网| 日韩五月天婷婷| 婷婷五月天av| 激情综合婷婷| 国产成人高清| 大香人妻| 婷婷五月天电影区小说区| 狠狠婷婷色| 亚洲综合网激情五月天| 91久热| 99九九在线观看免费| 五月天播播中文字幕| 97se在线视频| 六月婷伊人| 激情五月综合网| 丁香六月婷婷综合色| 婷婷五月av| 日韩高清久久| 9月色婷婷| 激情九色| 五月花婷婷| 日本大逼91| 婷婷五月天视频亚洲| 日韩美一级毛卡片| 亚洲色优| 玖玖热99| 日日干夜夜干| 久久婷.com| 大香网伊人久久综合| 久久免费丁香| 欧美婷婷日本| 婷婷操逼| 天天日天天操心| 天天爽成人综合网站| 婷婷五月色| 激情校园 亚洲| 五月婷婷涩涩爱| 婷婷五月色影视先锋| 国产美女无遮挡裸体毛片A片| 激情五月综合免费| 六月婷婷毛片| 五月丁香六月婷婷免费视频| 久久99免费视频网站| 色婷婷在线视频| 色香欲综合| 天堂综合久久 | 久久人妻少妇嫩草AV| 97色色色| 99操碰| 四色五月婷婷| 久久久久婷| 成人va视频| 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 | 婷丁五月| 色视频2025| 掩去也综合五月视频| 日本人妻久久| 精品AV无码超碰| 色色9 9| 色五月色综合| 9九九久久精品无码专区| 激情六月婷婷| 激情五月天婷婷| 99久久综合| 欧美在线| 亭亭玉月丁香| 色婷婷香蕉| 欧美色婷婷| 免费看欧美成人A片无码 | 亚洲色五月天| 天天爽天天爽| 五月激情婷婷综合| 欧美性丁香色色五月天干干| 26UUU精品一区二区| 久久99精品久久久久久三级| 丁香五月婷婷亚洲色图| 66色在线日韩| 五月婷婷亚洲色视频| 五月天婷婷成人网| 久久久久网站| 91性高潮久久久久久久久| 国产97色在线| 色播丁香| 超碰在线91| 久久久久久久久久久久久9| 丁香五月婷婷国产av| 九九综合影音先锋| BlACKEDRAW视频一区二区| 亚洲成人丁香花| 色婷亚洲五月丁香| 六月婷基地| 91欧美| 婷婷五月天激情在线观看| 婷婷之六月丁香| 五月天激情小说欧美激情| 日本操B视频| 五月天伊人综合| 思思精品视频| 国产婷婷色综合AV蜜臀AV | 丁香六月啪| 操B视频在线播放| 9999热免费视频视频| enecarbon-materials.com污K127封锁请涟系@wip1688 | 婷婷六月丁香激情| 99久久66| 99热777| 97干视频在线| 婷婷五月天av| 狠狠狠狠狠狠草| 日本色色影院| 激情色播| 狠狠插狠狠| 久久超视频| 丁香色五月 97干| www狠狠| 97精品综合| 丁香色婷婷色手机免费在线| 99干在线| 九热电影av| 啪啪91| 亚洲五月婷天天操| 久久婷婷六月综合综合色| 日韩操逼大片| 婷婷俺去也| 天堂伊人干| 91pornav在线| 丁香九九九九| 久久精品在线| 成人五月丁香社区| 五月综合视频| 久久久中文| 五月香婷婷| 丁香婷婷视频| 丁香婷婷久久老熟女综合网| 丁香六月啪啪| 天天操中文字幕| 久久您您综合网| 99色热| 婷婷中文字幕| 成人精品人妻| 色婷婷的五月天| 夜夜骑天天操| 五月丁香免费看| 99热网站| 色五月婷婷一二| 99免费热视频| 五月丁香天堂网| 天天爽,夜夜爽| 人妻内射视频| 人人色婷婷| 色色日本| 九九大香蕉黄色影院| 97极品在线| 亚洲综合九九| 99热激情| 亚洲色啪| 狠狠色丁香| 欧美性生交A片免费看| 日韩黄在免| 涩丁香91| 超PEN精品在线| www久久久久久久久久久久久久久久久| Aaa久久| 国产1区2区| 另类激情五月| 日本久久视频| 五月婷婷激情| 五月天色婷婷激情综合| 五月丁香激情综合欧美| 丁香婷婷色五月天| 思思久久精品| 9热在线观看| 色色色无码| 久久在线视频免费观看| 国产av网| 伊人九九热| www.jiujiujiu| 久久视频婷婷| 亚洲熟女色| 97黑人精品区| 久久色区| 久久综合无| 丁香五月婷婷狠狠色| 亚洲视频色色| 另类综合婷婷五月天欧美视频| 亚洲色五月| 婷婷操逼| www色哟哟| 99操视频| site:esunnet.com| 婷婷久久草| 大香蕉婷婷| 狠狠色丁香乆乆| 97碰人人操| 激情综合五月激情| 丁香五月六月婷婷殴美综合| 97久久人人| 岛国在线观看91| 婷婷涩涩五月天| 97色97干| 2020久久婷婷五月| 色五月播五月| 色色热| 亚洲色综合色网| 欧美在线骚货| 日日艹思思热| 中文av网站| 黄色短视频在线观看| 99色激| 五月天最新网| 欧美日韩999| 日韩三级高清无码| 五月天丁香六月综合| 一区中文字幕电影| 超碰免费成人网站| 五月丁香亭亭操逼| 人妻VideOssS人妻| 亚洲欧美婷婷五月色综合| 婷婷色色综合| 2017狠狠干| 五月丁香六月花| 99精品视频网| 97婷婷在线| 色婷婷九月综合| 亚洲VA口| 九月丁香婷婷基地| 99精品国产在热久久| 亚洲中文乱字字幕在线永久| 夜精品无码A片一区二区蜜桃| 色婷婷色情| 天天干天天 亚洲| 99热这里精品| 亚洲无码yw| 俺也高清无码高清视频| 开心五月深爱五月| 久久婷狠狠色| 五月婷婷视频28| 大地资源色婷婷视频在线| 成人国产综合| 亚洲色五月天| 婷婷天天五月天| 99er在线观看| 9l视频自拍9l九色成人| 午夜日日| 九九亚洲视频| 丁香五月婷婷图片综合| 99久久99热| 日本久久精品| 毛v一区二区视频| 五月深爱激情网| 91男人操女人视频| 精品婷婷五月天| 五月丁香色| 日韩另类| 五月丁香六月激情视频| 九色视频入口91| 五月丁香激情在线| 影音先锋美国A| 99re久热只有精品6在线直播| 99热这里只有精品9| 国产亚洲99久久| 激情六月一二| 色啪久 | 五月丁香六月婷婷久久肏| 婷五月天| 日本性激情色播| 久cao香蕉影院| 五月四色婷婷| 婷婷综合性爱网| 五月丁香六月婷婷亚洲| 美国少妇性做爰| 九九综合精品| 91碰碰碰| 久久精品爱爱| 婷婷五月丁香五月| 久久五月天激情婷婷| 亚洲精品一区中文字幕乱码| 天天做天天要天天爽| 欧美性猛交AAAA片黑人 |