日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

ARTICLE DETAIL

資訊詳情

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

從FER2013數(shù)據(jù)集到表情識別模型:完整數(shù)據(jù)處理與PyTorch實(shí)戰(zhàn)指南

從FER2013數(shù)據(jù)集到表情識別模型:完整數(shù)據(jù)處理與PyTorch實(shí)戰(zhàn)指南 簡介本資源面向深度學(xué)習(xí)初學(xué)者與計(jì)算機(jī)視覺實(shí)踐者聚焦面部表情識別這一典型CV任務(wù)提供FER2013數(shù)據(jù)集的完整可用形態(tài)及開箱即用的Python處理方案。壓縮包共2000個(gè)文件1998張48×48灰度JPG圖像、1個(gè)說明文本、1個(gè)核心提取腳本總大小130.43MB已供530人學(xué)習(xí)下載。其中JPG圖像為從原始CSV格式中批量解壓并歸類整理后的標(biāo)準(zhǔn)樣本覆蓋憤怒、厭惡、恐懼、快樂、中立、悲傷、驚訝七類情緒TXT文件含數(shù)據(jù)集結(jié)構(gòu)與標(biāo)簽映射說明PY腳本封裝了CSV解析、圖像讀取、標(biāo)簽編碼、數(shù)據(jù)劃分及NumPy數(shù)組轉(zhuǎn)換全流程可直接接入TensorFlow/Keras或PyTorch訓(xùn)練 pipeline。資源目錄結(jié)構(gòu)清晰省去繁瑣預(yù)處理環(huán)節(jié)顯著降低入門門檻特別適合情緒識別模型搭建、CNN基礎(chǔ)訓(xùn)練與多分類評估實(shí)踐。1. 項(xiàng)目概述從壓縮包到可用的圖像數(shù)據(jù)手頭拿到一個(gè)名為fer2013數(shù)據(jù)集和提取出的數(shù)據(jù)集圖片以及python提取代碼.zip的文件這幾乎是每個(gè)剛接觸計(jì)算機(jī)視覺特別是表情識別領(lǐng)域的朋友都會遇到的經(jīng)典“新手禮包”。這個(gè)壓縮包的名字本身就講述了一個(gè)完整的故事它包含了著名的 FER2013 數(shù)據(jù)集、已經(jīng)提取好的圖片文件以及用于完成提取過程的 Python 腳本。對于研究者、學(xué)生或是項(xiàng)目開發(fā)者而言這省去了從原始數(shù)據(jù)格式轉(zhuǎn)換、解析到文件組織的一系列繁瑣步驟是一個(gè)極佳的起點(diǎn)。FER2013 全稱 Facial Expression Recognition 2013是 Kaggle 上一個(gè)經(jīng)典的表情識別競賽數(shù)據(jù)集。它包含了 35,887 張 48x48 像素的灰度人臉圖像每張圖像被標(biāo)記為七種基本情緒之一憤怒、厭惡、恐懼、快樂、悲傷、驚訝和中性。原始數(shù)據(jù)集通常以一個(gè) CSV 文件的形式提供其中每一行代表一張圖片包含了情緒標(biāo)簽、像素?cái)?shù)據(jù)以逗號分隔的像素值字符串以及用途劃分訓(xùn)練、驗(yàn)證或測試。直接使用這個(gè) CSV 文件進(jìn)行模型訓(xùn)練并不直觀我們需要將其“解包”成一張張獨(dú)立的圖像文件并按類別、用途分門別類地存放這才是深度學(xué)習(xí)框架如 PyTorch, TensorFlow所期望的數(shù)據(jù)組織形式。這個(gè)壓縮包的價(jià)值就在于它很可能已經(jīng)幫你完成了這個(gè)“臟活累活”。里面的 Python 提取代碼就是打開這個(gè)數(shù)據(jù)寶庫的鑰匙。通過運(yùn)行它你可以清晰地理解數(shù)據(jù)是如何從一串?dāng)?shù)字變成一幅幅圖片的也能按自己的需求調(diào)整輸出結(jié)構(gòu)。接下來我將帶你徹底拆解這個(gè)項(xiàng)目從數(shù)據(jù)理解、代碼解析到實(shí)際應(yīng)用和擴(kuò)展讓你不僅能“用起來”更能“懂得透”。2. 核心需求解析為什么需要提取圖片你可能會問既然 CSV 里已經(jīng)有了所有像素值為什么還要大費(fèi)周章地提取成圖片文件這背后有幾個(gè)非常實(shí)際且關(guān)鍵的需求理解它們能幫助你更好地設(shè)計(jì)自己的數(shù)據(jù)處理流程。2.1 適配主流深度學(xué)習(xí)框架的數(shù)據(jù)加載器現(xiàn)代深度學(xué)習(xí)框架如 PyTorch 的torchvision.datasets.ImageFolder或 TensorFlow 的tf.keras.utils.image_dataset_from_directory都高度優(yōu)化了從目錄結(jié)構(gòu)加載圖像數(shù)據(jù)的流程。它們期望的數(shù)據(jù)組織形式通常是這樣的數(shù)據(jù)集根目錄/ ├── train/ │ ├── angry/ │ │ ├── image1.jpg │ │ └── image2.jpg │ ├── happy/ │ │ └── ... │ └── ... └── test/ ├── angry/ └── ...這種結(jié)構(gòu)清晰明了框架可以自動推斷類別標(biāo)簽來自子文件夾名并高效地進(jìn)行批量加載、數(shù)據(jù)增強(qiáng)和緩存。相比之下直接從 CSV 文件讀取像素?cái)?shù)組并轉(zhuǎn)換為張量你需要自己編寫數(shù)據(jù)加載、批處理、甚至數(shù)據(jù)增強(qiáng)的完整流程不僅代碼復(fù)雜而且難以利用框架內(nèi)置的高性能數(shù)據(jù)管道。2.2 便于數(shù)據(jù)可視化、檢查和預(yù)處理將數(shù)據(jù)保存為圖片文件后你可以用任何圖像查看器快速瀏覽樣本直觀地檢查數(shù)據(jù)質(zhì)量例如標(biāo)注是否正確一個(gè)笑臉是否被標(biāo)為“快樂”、圖像是否清晰、是否存在異常樣本。此外許多圖像預(yù)處理工具如 OpenCV, PIL和在線數(shù)據(jù)標(biāo)注平臺都直接操作圖像文件。如果你想進(jìn)行額外的預(yù)處理如尺寸調(diào)整、對比度增強(qiáng)或從中截取部分?jǐn)?shù)據(jù)用于遷移學(xué)習(xí)擁有實(shí)體圖像文件會方便得多。2.3 實(shí)現(xiàn)數(shù)據(jù)集的持久化與共享CSV 文件雖然緊湊但對于圖像數(shù)據(jù)而言并不直觀。將數(shù)據(jù)集保存為標(biāo)準(zhǔn)圖像格式如 PNG、JPEG后它就變成了一個(gè)自包含的、易于理解的資源包。你可以輕松地將其壓縮、上傳到網(wǎng)盤或共享給團(tuán)隊(duì)成員對方無需理解特定的 CSV 結(jié)構(gòu)就能直接使用。這對于團(tuán)隊(duì)協(xié)作和項(xiàng)目復(fù)現(xiàn)至關(guān)重要。2.4 代碼提取過程帶來的靈活性與可控性附帶的 Python 提取代碼并非一個(gè)黑盒。通過閱讀和運(yùn)行它你可以理解數(shù)據(jù)格式親眼看到像素字符串是如何被解析、重塑為二維數(shù)組并最終保存為圖像的。自定義輸出你可以修改代碼改變圖像格式如從 PNG 改為 JPEG、調(diào)整保存路徑結(jié)構(gòu)、甚至只提取特定情緒或劃分如僅訓(xùn)練集的數(shù)據(jù)。驗(yàn)證數(shù)據(jù)完整性在提取過程中加入簡單的統(tǒng)計(jì)如每類圖片數(shù)量或可視化檢查確保轉(zhuǎn)換過程沒有出錯(cuò)。注意在運(yùn)行任何來自網(wǎng)絡(luò)的代碼前尤其是處理數(shù)據(jù)時(shí)建議先在一個(gè)小的數(shù)據(jù)子集例如 CSV 的前100行上測試確認(rèn)其行為符合預(yù)期再處理全部數(shù)據(jù)避免因代碼錯(cuò)誤導(dǎo)致時(shí)間浪費(fèi)。3. 數(shù)據(jù)與代碼深度拆解拿到壓縮包后第一步自然是解壓。解壓后你通常會看到類似如下的目錄結(jié)構(gòu)fer2013_extraction_package/ ├── fer2013.csv # 原始數(shù)據(jù)集文件 ├── extract_images.py # Python 提取腳本 └── images/ # 可能已存在提取后的圖片文件夾 ├── train/ ├── public_test/ # 或稱 validation └── private_test/ # 或稱 test讓我們深入每個(gè)部分的核心。3.1 FER2013 數(shù)據(jù)集 CSV 文件結(jié)構(gòu)剖析用文本編輯器或 Excel 打開fer2013.csv你會看到它沒有表頭通常包含三列以逗號分隔情緒標(biāo)簽 (emotion)一個(gè)整數(shù)0到6分別代表0Angry憤怒 1Disgust厭惡 2Fear恐懼 3Happy快樂 4Sad悲傷 5Surprise驚訝 6Neutral中性。像素?cái)?shù)據(jù) (pixels)一個(gè)長字符串包含 48*482304 個(gè)整數(shù)每個(gè)整數(shù)在0到255之間代表一個(gè)像素的灰度值。這些值以空格或逗號分隔通常是空格。用途 (Usage)一個(gè)字符串標(biāo)明該樣本屬于哪個(gè)集合。通常是Training訓(xùn)練集、PublicTest公開測試集/驗(yàn)證集或PrivateTest私有測試集。一個(gè)典型的數(shù)據(jù)行示例0, 70 80 82 72 58 ... 245 個(gè)像素值 ... 120 90, Training這表示一張標(biāo)簽為“0”憤怒的圖片屬于訓(xùn)練集其像素?cái)?shù)據(jù)由2304個(gè)數(shù)字組成。3.2 Python 提取代碼核心邏輯解讀extract_images.py腳本的核心任務(wù)就是逐行讀取這個(gè) CSV 文件并根據(jù)第二列的像素字符串重建圖像然后根據(jù)第一列和第三列的標(biāo)簽將圖像保存到對應(yīng)的文件夾中。其核心邏輯通常包含以下幾步導(dǎo)入必要庫通常是csv用于讀取文件PILPython Imaging Library 即 Pillow 庫或OpenCV用于創(chuàng)建和保存圖像os用于處理目錄。定義標(biāo)簽映射創(chuàng)建一個(gè)字典將整數(shù)標(biāo)簽0-6映射到可讀的文件夾名稱如 ‘a(chǎn)ngry’ ‘happy’。創(chuàng)建目錄結(jié)構(gòu)遍歷所有可能的集合Train, PublicTest, PrivateTest和情緒類別使用os.makedirs()創(chuàng)建對應(yīng)的文件夾exist_okTrue參數(shù)可以避免因文件夾已存在而報(bào)錯(cuò)。讀取并解析 CSV使用csv.reader逐行讀取。對于每一行 a. 解析出情緒標(biāo)簽、像素字符串和用途。 b. 將像素字符串如”70 80 82 …”通過split()分割并轉(zhuǎn)換為整數(shù)列表。 c. 使用numpy如果用了或直接通過循環(huán)將這個(gè)長度為2304的列表重塑reshape為一個(gè) 48x48 的二維數(shù)組。 d. 將這個(gè)二維數(shù)組轉(zhuǎn)換為 PIL 的Image對象模式為 ‘L’ 表示灰度圖。 e. 根據(jù)用途和情緒標(biāo)簽構(gòu)造保存路徑例如./images/train/angry/00001.png。 f. 調(diào)用image.save()方法保存圖片。關(guān)鍵技巧與注意事項(xiàng)像素值范圍確保像素值在0-255之間并且數(shù)據(jù)類型是uint8無符號8位整數(shù)這是圖像存儲的標(biāo)準(zhǔn)格式。圖像保存格式PNG 是無損壓縮格式能完美保存灰度信息通常比 JPEG 更合適。JPEG 是有損壓縮可能會引入不必要的噪聲。文件名設(shè)計(jì)為了保持順序和唯一性文件名通常使用遞增的數(shù)字或原始的行索引。這有助于后續(xù)的調(diào)試和索引。內(nèi)存管理FER2013 數(shù)據(jù)集不大可以一次性讀入內(nèi)存。但對于超大型數(shù)據(jù)集可能需要分批讀取和處理避免內(nèi)存溢出。3.3 已提取圖片的目錄結(jié)構(gòu)驗(yàn)證如果壓縮包里已經(jīng)包含了images文件夾你應(yīng)該立即檢查其結(jié)構(gòu)是否符合標(biāo)準(zhǔn)。理想的、可直接用于訓(xùn)練的結(jié)構(gòu)如下images/ ├── train/ │ ├── angry/ # 包含成千上萬張 48x48 的憤怒表情圖片 │ ├── disgust/ # 厭惡表情圖片注意FER2013中此類樣本很少 │ ├── fear/ │ ├── happy/ │ ├── sad/ │ ├── surprise/ │ └── neutral/ ├── public_test/ # 或 validation/ │ ├── angry/ │ └── ... (同上) └── private_test/ # 或 test/ ├── angry/ └── ... (同上)重要檢查點(diǎn)類別平衡進(jìn)入train/下的各個(gè)文件夾粗略查看文件數(shù)量。FER2013 已知存在類別不均衡問題“快樂”和“中性”表情的樣本通常遠(yuǎn)多于“厭惡”。這對模型訓(xùn)練有直接影響你可能需要在后續(xù)進(jìn)行數(shù)據(jù)重采樣或使用類別權(quán)重。圖像完整性隨機(jī)打開幾張圖片確認(rèn)它們確實(shí)是清晰的人臉灰度圖而不是亂碼或全黑/全白的圖像。命名一致性確認(rèn)所有圖片格式統(tǒng)一如均為.png并且命名規(guī)則一致便于后續(xù)程序化處理。4. 從數(shù)據(jù)到模型完整的實(shí)戰(zhàn)工作流擁有了結(jié)構(gòu)化的圖像數(shù)據(jù)我們就可以將其投入實(shí)際的模型訓(xùn)練 pipeline。這里以使用 PyTorch 框架為例展示一個(gè)完整的工作流。4.1 使用 PyTorch 數(shù)據(jù)加載模塊PyTorch 的torchvision.datasets.ImageFolder是處理這種標(biāo)準(zhǔn)目錄結(jié)構(gòu)的利器。下面是一個(gè)典型的數(shù)據(jù)加載設(shè)置import torch from torchvision import datasets, transforms # 1. 定義數(shù)據(jù)增強(qiáng)和轉(zhuǎn)換 # 對于訓(xùn)練集通常需要較強(qiáng)的數(shù)據(jù)增強(qiáng)來防止過擬合并模擬真實(shí)場景的多樣性。 train_transform transforms.Compose([ transforms.Grayscale(num_output_channels1), # 確保是單通道雖然FER2013本就是灰度 transforms.RandomHorizontalFlip(p0.5), # 隨機(jī)水平翻轉(zhuǎn)對表情識別有效 transforms.RandomRotation(degrees10), # 小角度隨機(jī)旋轉(zhuǎn) transforms.ToTensor(), # 將PIL圖像轉(zhuǎn)換為Tensor并自動歸一化像素值到[0,1] transforms.Normalize(mean[0.5], std[0.5]) # 將[0,1]歸一化到[-1,1]有助于模型收斂 ]) # 對于驗(yàn)證集和測試集通常只進(jìn)行最基本的轉(zhuǎn)換不做數(shù)據(jù)增強(qiáng)。 val_test_transform transforms.Compose([ transforms.Grayscale(num_output_channels1), transforms.ToTensor(), transforms.Normalize(mean[0.5], std[0.5]) ]) # 2. 使用 ImageFolder 加載數(shù)據(jù)集 train_dataset datasets.ImageFolder(root./images/train, transformtrain_transform) val_dataset datasets.ImageFolder(root./images/public_test, transformval_test_transform) test_dataset datasets.ImageFolder(root./images/private_test, transformval_test_transform) # 3. 創(chuàng)建數(shù)據(jù)加載器 (DataLoader) batch_size 64 train_loader torch.utils.data.DataLoader(train_dataset, batch_sizebatch_size, shuffleTrue, num_workers4, pin_memoryTrue) val_loader torch.utils.data.DataLoader(val_dataset, batch_sizebatch_size, shuffleFalse, num_workers4) test_loader torch.utils.data.DataLoader(test_dataset, batch_sizebatch_size, shuffleFalse, num_workers4) print(f訓(xùn)練集類別: {train_dataset.classes}) print(f訓(xùn)練集樣本數(shù): {len(train_dataset)}) print(f驗(yàn)證集樣本數(shù): {len(val_dataset)}) print(f測試集樣本數(shù): {len(test_dataset)})參數(shù)解析與經(jīng)驗(yàn)num_workers: 用于數(shù)據(jù)加載的子進(jìn)程數(shù)。根據(jù)你的 CPU 核心數(shù)設(shè)置可以加快數(shù)據(jù)加載速度。在 Windows 上有時(shí)設(shè)為0以避免問題。pin_memory: 在 GPU 訓(xùn)練時(shí)設(shè)置為True可以將數(shù)據(jù)鎖頁內(nèi)存中加速從 CPU 到 GPU 的數(shù)據(jù)傳輸。shuffle: 訓(xùn)練集必須打亂以確保每個(gè) epoch 看到的數(shù)據(jù)順序不同這是隨機(jī)梯度下降的基本要求。驗(yàn)證集和測試集不需要打亂。數(shù)據(jù)增強(qiáng)的選擇對于小尺寸48x48、中心裁剪的人臉表情圖片RandomHorizontalFlip非常有效且安全因?yàn)樽笥曳D(zhuǎn)不改變表情語義。RandomRotation角度不宜過大如10度以內(nèi)否則可能生成不自然的人臉。還可以考慮ColorJitter調(diào)整亮度、對比度但對灰度圖意義不大。4.2 構(gòu)建一個(gè)簡單的卷積神經(jīng)網(wǎng)絡(luò)模型有了數(shù)據(jù)我們需要一個(gè)模型來學(xué)習(xí)。針對 48x48 的灰度小圖一個(gè)輕量級的 CNN 就足夠作為起點(diǎn)。import torch.nn as nn import torch.nn.functional as F class SimpleFERCNN(nn.Module): def __init__(self, num_classes7): super(SimpleFERCNN, self).__init__() # 卷積層塊提取特征 self.conv1 nn.Conv2d(in_channels1, out_channels32, kernel_size3, padding1) # 輸出: 32x48x48 self.bn1 nn.BatchNorm2d(32) self.pool1 nn.MaxPool2d(kernel_size2, stride2) # 輸出: 32x24x24 self.conv2 nn.Conv2d(32, 64, kernel_size3, padding1) # 輸出: 64x24x24 self.bn2 nn.BatchNorm2d(64) self.pool2 nn.MaxPool2d(2, 2) # 輸出: 64x12x12 self.conv3 nn.Conv2d(64, 128, kernel_size3, padding1) # 輸出: 128x12x12 self.bn3 nn.BatchNorm2d(128) self.pool3 nn.MaxPool2d(2, 2) # 輸出: 128x6x6 # 全連接層進(jìn)行分類 # 計(jì)算全連接層輸入特征數(shù): 128 * 6 * 6 4608 self.fc1 nn.Linear(128 * 6 * 6, 512) self.dropout nn.Dropout(p0.5) # 丟棄層防止過擬合 self.fc2 nn.Linear(512, num_classes) def forward(self, x): x self.pool1(F.relu(self.bn1(self.conv1(x)))) x self.pool2(F.relu(self.bn2(self.conv2(x)))) x self.pool3(F.relu(self.bn3(self.conv3(x)))) # 將多維特征圖“展平”成一維向量以便輸入全連接層 x x.view(x.size(0), -1) x F.relu(self.fc1(x)) x self.dropout(x) x self.fc2(x) # 輸出未經(jīng)過softmax因?yàn)閾p失函數(shù)如CrossEntropyLoss會內(nèi)部處理 return x # 實(shí)例化模型 model SimpleFERCNN(num_classes7) print(model)模型設(shè)計(jì)要點(diǎn)卷積核大小使用 3x3 的小卷積核是 VGG 網(wǎng)絡(luò)推廣的最佳實(shí)踐在減少參數(shù)量的同時(shí)增加了網(wǎng)絡(luò)深度和非線性。填充 (Padding)padding1配合kernel_size3可以保持特征圖的空間尺寸高和寬在卷積后不變。池化 (Pooling)使用 2x2 的最大池化步長為2每次將特征圖尺寸減半逐步增加感受野并減少計(jì)算量。批歸一化 (BatchNorm)在卷積層后、激活函數(shù)前加入批歸一化層可以加速訓(xùn)練、提升模型穩(wěn)定性并有一定正則化效果。丟棄法 (Dropout)在全連接層之間使用 Dropout隨機(jī)“關(guān)閉”一部分神經(jīng)元是防止模型過擬合的強(qiáng)有力工具。展平操作在卷積層到全連接層的過渡處必須使用.view()或torch.flatten()將多維張量轉(zhuǎn)換為一維。4.3 模型訓(xùn)練、驗(yàn)證與測試循環(huán)這是將數(shù)據(jù)、模型、損失函數(shù)和優(yōu)化器連接起來的核心部分。import torch.optim as optim from tqdm import tqdm # 用于顯示進(jìn)度條 device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) criterion nn.CrossEntropyLoss() # 多分類任務(wù)的標(biāo)準(zhǔn)損失函數(shù) optimizer optim.Adam(model.parameters(), lr0.001) # Adam優(yōu)化器自適應(yīng)學(xué)習(xí)率 scheduler optim.lr_scheduler.StepLR(optimizer, step_size10, gamma0.1) # 學(xué)習(xí)率調(diào)度器每10個(gè)epoch學(xué)習(xí)率乘以0.1 num_epochs 30 train_losses, val_losses [], [] train_accs, val_accs [], [] for epoch in range(num_epochs): # --- 訓(xùn)練階段 --- model.train() running_loss 0.0 correct 0 total 0 loop tqdm(train_loader, descfEpoch [{epoch1}/{num_epochs}] Train) for images, labels in loop: images, labels images.to(device), labels.to(device) optimizer.zero_grad() # 清零梯度 outputs model(images) # 前向傳播 loss criterion(outputs, labels) # 計(jì)算損失 loss.backward() # 反向傳播計(jì)算梯度 optimizer.step() # 更新權(quán)重 running_loss loss.item() _, predicted outputs.max(1) total labels.size(0) correct predicted.eq(labels).sum().item() # 更新進(jìn)度條信息 loop.set_postfix(lossloss.item()) epoch_train_loss running_loss / len(train_loader) epoch_train_acc 100. * correct / total train_losses.append(epoch_train_loss) train_accs.append(epoch_train_acc) # --- 驗(yàn)證階段 --- model.eval() val_loss 0.0 correct 0 total 0 with torch.no_grad(): # 驗(yàn)證時(shí)不計(jì)算梯度節(jié)省內(nèi)存和計(jì)算 for images, labels in val_loader: images, labels images.to(device), labels.to(device) outputs model(images) loss criterion(outputs, labels) val_loss loss.item() _, predicted outputs.max(1) total labels.size(0) correct predicted.eq(labels).sum().item() epoch_val_loss val_loss / len(val_loader) epoch_val_acc 100. * correct / total val_losses.append(epoch_val_loss) val_accs.append(epoch_val_acc) scheduler.step() # 更新學(xué)習(xí)率 print(fEpoch {epoch1}: Train Loss: {epoch_train_loss:.4f}, Train Acc: {epoch_train_acc:.2f}% | Val Loss: {epoch_val_loss:.4f}, Val Acc: {epoch_val_acc:.2f}%) # --- 最終測試 --- model.eval() test_correct 0 test_total 0 with torch.no_grad(): for images, labels in test_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted outputs.max(1) test_total labels.size(0) test_correct predicted.eq(labels).sum().item() print(fFinal Test Accuracy: {100. * test_correct / test_total:.2f}%)訓(xùn)練技巧實(shí)錄.train()和.eval()模式切換這至關(guān)重要。在訓(xùn)練時(shí)model.train()會啟用 Dropout 和 BatchNorm 的訓(xùn)練行為。在驗(yàn)證和測試時(shí)model.eval()會關(guān)閉 Dropout 并使用訓(xùn)練好的 BatchNorm 統(tǒng)計(jì)量保證評估的一致性。梯度清零每次計(jì)算新批次梯度前必須調(diào)用optimizer.zero_grad()。否則梯度會累積導(dǎo)致訓(xùn)練不穩(wěn)定。學(xué)習(xí)率調(diào)度使用StepLR或ReduceLROnPlateau當(dāng)驗(yàn)證損失不再下降時(shí)降低學(xué)習(xí)率可以顯著提升模型性能幫助跳出局部最優(yōu)。使用tqdm它能讓漫長的訓(xùn)練過程有直觀的進(jìn)度反饋方便估算剩余時(shí)間。早停法 (Early Stopping)一個(gè)重要的進(jìn)階技巧。在驗(yàn)證集準(zhǔn)確率連續(xù)多個(gè) epoch 不再提升時(shí)提前停止訓(xùn)練可以防止過擬合。你可以記錄最佳驗(yàn)證準(zhǔn)確率對應(yīng)的模型權(quán)重并在訓(xùn)練結(jié)束后恢復(fù)它。5. 項(xiàng)目擴(kuò)展與高級應(yīng)用場景掌握了基礎(chǔ)流程后你可以基于這個(gè)項(xiàng)目進(jìn)行多方面的擴(kuò)展使其更強(qiáng)大、更實(shí)用。5.1 應(yīng)對類別不平衡問題FER2013 中“厭惡”類別的樣本數(shù)約600張遠(yuǎn)少于“快樂”類約9000張。直接訓(xùn)練會導(dǎo)致模型嚴(yán)重偏向多數(shù)類。解決方法加權(quán)交叉熵?fù)p失計(jì)算每個(gè)類別的權(quán)重樣本數(shù)越少的類別權(quán)重越大。from torch.utils.data import WeightedRandomSampler import numpy as np # 計(jì)算每個(gè)類別的樣本數(shù) class_counts [len(os.listdir(f./images/train/{cls})) for cls in train_dataset.classes] total_samples sum(class_counts) # 計(jì)算每個(gè)類別的權(quán)重總樣本數(shù) / (類別數(shù) * 該類樣本數(shù)) class_weights [total_samples / (len(class_counts) * count) for count in class_counts] # 為每個(gè)訓(xùn)練樣本分配其所屬類別的權(quán)重 sample_weights [0] * len(train_dataset) for idx, (_, label) in enumerate(train_dataset.samples): sample_weights[idx] class_weights[label] sampler WeightedRandomSampler(sample_weights, num_sampleslen(sample_weights), replacementTrue) # 在創(chuàng)建 DataLoader 時(shí)使用這個(gè)采樣器并設(shè)置 shuffleFalse balanced_train_loader DataLoader(train_dataset, batch_size64, samplersampler)或者更簡單地在損失函數(shù)中指定權(quán)重# 將權(quán)重轉(zhuǎn)換為Tensor并送到設(shè)備上 weights torch.tensor(class_weights, dtypetorch.float).to(device) criterion nn.CrossEntropyLoss(weightweights)過采樣與數(shù)據(jù)增強(qiáng)對少數(shù)類樣本進(jìn)行更多的數(shù)據(jù)增強(qiáng)或直接復(fù)制少數(shù)類樣本以增加其在訓(xùn)練批次中出現(xiàn)的頻率。5.2 嘗試更先進(jìn)的模型架構(gòu)基礎(chǔ)的 CNN 表現(xiàn)有限。你可以輕松替換成更強(qiáng)大的預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)即使它們是針對彩色 ImageNet 數(shù)據(jù)訓(xùn)練的。import torchvision.models as models # 方法一微調(diào)整個(gè)預(yù)訓(xùn)練模型適用于數(shù)據(jù)量尚可的情況 model_ft models.resnet18(pretrainedTrue) # 修改第一層卷積因?yàn)镽esNet默認(rèn)輸入是3通道彩色圖而我們是1通道灰度圖 model_ft.conv1 nn.Conv2d(1, 64, kernel_size7, stride2, padding3, biasFalse) # 獲取全連接層輸入特征數(shù) num_ftrs model_ft.fc.in_features # 替換最后的全連接層輸出為我們的7個(gè)表情類別 model_ft.fc nn.Linear(num_ftrs, 7) # 方法二固定特征提取器適用于數(shù)據(jù)量很少的情況 model_fe models.resnet18(pretrainedTrue) model_fe.conv1 nn.Conv2d(1, 64, kernel_size7, stride2, padding3, biasFalse) # 凍結(jié)除最后一層外的所有參數(shù) for param in model_fe.parameters(): param.requires_grad False # 只訓(xùn)練新替換的全連接層 num_ftrs model_fe.fc.in_features model_fe.fc nn.Linear(num_ftrs, 7) # 只優(yōu)化最后一層參數(shù) optimizer optim.Adam(model_fe.fc.parameters(), lr0.001)經(jīng)驗(yàn)之談對于 FER2013 這種規(guī)模的數(shù)據(jù)集數(shù)萬張微調(diào)整個(gè) ResNet 通常能取得比固定特征提取更好的效果但需要更小心地控制學(xué)習(xí)率和正則化如更強(qiáng)的 Dropout以防止過擬合。5.3 部署為簡易應(yīng)用訓(xùn)練好的模型可以保存下來并集成到一個(gè)簡單的圖形界面或 Web 服務(wù)中實(shí)現(xiàn)實(shí)時(shí)表情識別。保存與加載模型# 保存整個(gè)模型結(jié)構(gòu)和參數(shù) torch.save(model.state_dict(), fer_model.pth) # 加載時(shí)需要先實(shí)例化相同的模型結(jié)構(gòu)再加載參數(shù) loaded_model SimpleFERCNN(num_classes7) loaded_model.load_state_dict(torch.load(fer_model.pth)) loaded_model.eval()使用 OpenCV 進(jìn)行實(shí)時(shí)攝像頭預(yù)測import cv2 from PIL import Image # 加載人臉檢測器如Haar Cascade face_cascade cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_frontalface_default.xml) # 加載你的表情識別模型此處為示例需替換為你的模型加載代碼 # model ... emotion_dict {0: Angry, 1: Disgust, 2: Fear, 3: Happy, 4: Sad, 5: Surprise, 6: Neutral} cap cv2.VideoCapture(0) while True: ret, frame cap.read() if not ret: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, 1.3, 5) for (x, y, w, h) in faces: roi_gray gray[y:yh, x:xw] # 將檢測到的人臉區(qū)域調(diào)整為48x48并預(yù)處理 roi cv2.resize(roi_gray, (48, 48)) roi_pil Image.fromarray(roi) roi_tensor val_test_transform(roi_pil).unsqueeze(0).to(device) # 增加batch維度 with torch.no_grad(): outputs model(roi_tensor) _, predicted torch.max(outputs, 1) emotion emotion_dict[predicted.item()] # 在圖像上繪制矩形和標(biāo)簽 cv2.rectangle(frame, (x, y), (xw, yh), (255, 0, 0), 2) cv2.putText(frame, emotion, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36,255,12), 2) cv2.imshow(Facial Expression Recognition, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()這個(gè)簡單的演示展示了如何將模型應(yīng)用于實(shí)時(shí)視頻流。在實(shí)際項(xiàng)目中你可能需要更魯棒的人臉檢測器如 MTCNN 或基于深度學(xué)習(xí)的人臉檢測并對預(yù)處理流程進(jìn)行更精細(xì)的調(diào)整。6. 常見問題與排查技巧實(shí)錄在實(shí)際操作中你幾乎一定會遇到各種問題。這里記錄了一些典型問題及其解決方案。6.1 數(shù)據(jù)加載與預(yù)處理問題問題1運(yùn)行提取代碼時(shí)出現(xiàn)PIL.Image相關(guān)錯(cuò)誤提示“無法識別圖像模式”。原因像素值列表在轉(zhuǎn)換為 NumPy 數(shù)組或 PIL Image 時(shí)數(shù)據(jù)類型或范圍不正確??赡馨菙?shù)字字符或者數(shù)值超出了0-255的范圍。排查在保存圖像前打印出像素列表的長度應(yīng)為2304、最小值、最大值和數(shù)據(jù)類型。確保在轉(zhuǎn)換為Image時(shí)指定了正確的模式‘L’8位灰度。解決在代碼中加入數(shù)據(jù)清洗步驟例如pixel_values [int(p) for p in pixel_str.split() if p.isdigit()]并確保數(shù)組形狀正確np.array(pixel_values, dtypenp.uint8).reshape(48, 48)。問題2使用ImageFolder時(shí)程序報(bào)錯(cuò)“Found 0 files in subfolders”。原因ImageFolder默認(rèn)只識別常見的圖像格式如.jpg,.jpeg,.png,.bmp等。如果你的圖片是其他格式如.pgm或者文件夾結(jié)構(gòu)不對就會找不到文件。排查檢查images/train/angry/這樣的路徑下是否存在圖片文件并確認(rèn)文件擴(kuò)展名。可以使用os.listdir()打印查看。解決確保圖片是常見格式或修改ImageFolder的extensions參數(shù)。更常見的原因是路徑錯(cuò)誤使用絕對路徑或仔細(xì)檢查相對路徑。6.2 模型訓(xùn)練問題問題3訓(xùn)練損失 (Loss) 不下降準(zhǔn)確率徘徊在隨機(jī)猜測水平約14.3%。原因這是最令人頭疼的問題??赡艿脑蚍浅6鄬W(xué)習(xí)率太大或太小、模型架構(gòu)有缺陷如梯度消失/爆炸、數(shù)據(jù)預(yù)處理錯(cuò)誤如歸一化錯(cuò)誤導(dǎo)致輸入數(shù)據(jù)尺度異常、標(biāo)簽錯(cuò)誤等。系統(tǒng)性排查步驟檢查數(shù)據(jù)從數(shù)據(jù)加載器中取出一個(gè)批次可視化幾張圖片和對應(yīng)的標(biāo)簽確認(rèn)圖片顯示正常標(biāo)簽正確。檢查輸入尺度打印一個(gè)批次數(shù)據(jù)的mean()和std()。經(jīng)過Normalize(mean[0.5], std[0.5])后數(shù)據(jù)應(yīng)在[-1, 1]附近。如果出現(xiàn)極大或極小的值說明預(yù)處理有問題。檢查模型前向傳播在不訓(xùn)練的情況下將一批數(shù)據(jù)送入模型檢查輸出是否合理7個(gè)類別的 logits。可以嘗試一個(gè)非常小的模型或單個(gè)線性層看損失是否能快速下降以排除數(shù)據(jù)問題。調(diào)整學(xué)習(xí)率嘗試一個(gè)更大的學(xué)習(xí)率如0.01或更小的學(xué)習(xí)率如0.0001觀察損失最初幾個(gè) batch 的變化。簡化問題嘗試在極小的數(shù)據(jù)集如每類10張圖上過擬合。如果模型連這么小的數(shù)據(jù)都學(xué)不會訓(xùn)練準(zhǔn)確率無法接近100%那肯定是模型或代碼有根本性錯(cuò)誤。問題4訓(xùn)練準(zhǔn)確率很高但驗(yàn)證/測試準(zhǔn)確率很低過擬合。原因模型記住了訓(xùn)練數(shù)據(jù)的噪聲和特定樣本而非學(xué)習(xí)到泛化特征。解決策略增強(qiáng)正則化增加 Dropout 比率如從0.5提高到0.7、在卷積層后也加入 Dropout、為優(yōu)化器添加權(quán)重衰減optim.Adam(..., weight_decay1e-4)。加強(qiáng)數(shù)據(jù)增強(qiáng)在訓(xùn)練時(shí)添加更多樣化的數(shù)據(jù)增強(qiáng)如隨機(jī)裁剪對于中心人臉可能需謹(jǐn)慎、輕微的仿射變換。使用更簡單的模型減少網(wǎng)絡(luò)層數(shù)或通道數(shù)。收集更多數(shù)據(jù)如果可能使用更大的數(shù)據(jù)集或進(jìn)行數(shù)據(jù)合成。早停法根據(jù)驗(yàn)證集損失提前停止訓(xùn)練。6.3 性能與工程化問題問題5訓(xùn)練速度很慢。原因數(shù)據(jù)加載是瓶頸、模型太大、沒有使用 GPU 或 GPU 未充分利用。優(yōu)化數(shù)據(jù)加載確保DataLoader的num_workers 0在 Linux/macOS 上并使用pin_memoryTrueGPU 訓(xùn)練時(shí)。圖像解碼如果圖片文件很大解碼會慢。可以考慮將數(shù)據(jù)集轉(zhuǎn)換為更快的格式如torch.save()保存的 Tensor 文件或使用lmdb、h5py等數(shù)據(jù)庫格式?;旌暇扔?xùn)練使用torch.cuda.amp進(jìn)行自動混合精度訓(xùn)練可以顯著減少 GPU 內(nèi)存占用并加快訓(xùn)練速度。梯度累積如果由于 GPU 內(nèi)存限制無法使用更大的 batch size可以通過梯度累積來模擬大 batch 的效果。問題6如何評估模型在各類別上的表現(xiàn)僅僅看總體準(zhǔn)確率是不夠的尤其是對于不平衡數(shù)據(jù)集。你需要計(jì)算混淆矩陣和分類報(bào)告。from sklearn.metrics import confusion_matrix, classification_report import seaborn as sns import matplotlib.pyplot as plt all_preds [] all_labels [] model.eval() with torch.no_grad(): for images, labels in test_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) # 混淆矩陣 cm confusion_matrix(all_labels, all_preds) plt.figure(figsize(10,8)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabelsemotion_dict.values(), yticklabelsemotion_dict.values()) plt.ylabel(Actual) plt.xlabel(Predicted) plt.show() # 分類報(bào)告精確率、召回率、F1分?jǐn)?shù) print(classification_report(all_labels, all_preds, target_namesemotion_dict.values()))通過混淆矩陣你可以清晰地看到模型最容易混淆哪些表情例如經(jīng)常把“悲傷”誤判為“中性”從而有針對性地改進(jìn)模型或數(shù)據(jù)。這個(gè)從fer2013數(shù)據(jù)集和提取出的數(shù)據(jù)集圖片以及python提取代碼.zip開始的項(xiàng)目就像打開了一扇通往計(jì)算機(jī)視覺和深度學(xué)習(xí)實(shí)踐的大門。它不僅僅是一個(gè)數(shù)據(jù)轉(zhuǎn)換腳本更是一個(gè)完整的學(xué)習(xí)案例涵蓋了從原始數(shù)據(jù)處理、模型構(gòu)建、訓(xùn)練調(diào)優(yōu)到簡單部署的全流程。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
中文字幕中文字幕一区二区| 干妹子| 欧美91网站| 精品一区二区2| 欧美天天性| 密乳AV免费观看| 免费啪啪啪网站18岁| 96精品在线| 大香蕉十区| 中文字幕日本久久| 91jk色拍| 欧美色图 色综合图| 欧美精品久久久久久久丰满| 欧美十八禁导航成人| 96AV精品| 加勒比av网| 午夜小电影在线插入淫高潮| 香蕉久久国产AV一区二区| 欧美性暴力猛交XXXX | 99青青草国产视频| 日本 情色 1区| 日韩精品怡红院| 26uuu欧美日韩| 国产精品网站www| 日韩电影免费网站麻豆视频| 99re公开精品免费视频 | 小说区 图片区色 综合区| 熟女人妇一区二区三区| 妇女视频网站| 四虎在线视频| 亚洲无线码一区国产欧美国| 日韩78m视频| 中文乱码字幕观看| 717影院理论午夜伦八戒| 抽插爽| 哈哈操电影| 亚洲成熟国产精品美女| 又粗又长又大国产不卡| 九九毛片这里只有精品| 久热99999| 91精片| 8x福利精品第一福利视频导航| 日韩精品一区二区三区色欲 | 九九成人精品| 亚洲大色堂| 欧美色997| 亚州男人天堂| 色娱乐色呦呦夜夜夜夜av| 黑人白女精品一区| 国产免费一区二区三区最新不卡| 亚洲性爱成人| 91狠婷| 国产91专区| 99成人| 欧美亚洲丝袜人妻制服中文99| 天天舔九色婷婷| 欧美丝袜91| 91网亚洲| 亚洲一本大道中文字幕无码在线| 另类图片天天影视| 天天舔九色婷婷| 婷婷激情一区二区三区俺也去| 97色色色| 色香网| 韩日欧亚a级| 青青操综合网| 精品久久久亚洲AV成人网站| 久草福利在线资源站| 精品九九国产无码| 日韩久久艹| 2024年最新色情网站在线观看| 一色网男人的天堂| 搡老女人老91二区| 日韩三级久久久| 伊人影院在线理论播放 | 欧美日韩性爱无码| 屁股久久久久久久久| 国产三级多多影院2022国产AA一级毛片无码| 97日视频| 国产无码一二三区| 在线不欧美| 欧美v日韩欧亚洲电影天堂色诱,国产传媒| 婷婷爽人人婷婷爽视频| 日韩另类色图| 一级黄色性爱裸体视频| 青青草视频在线观看一区二区| 美女被啪到深处抽搐视频| 中文字幕制服欧美久久一区| 51国产午夜精品视频| 欧亚第一综合网| 超碰在线人妻中文字幕| 97欧美色资源| 欧美日本一区二区a人| 夜夜嗨一区二区三区三州加勒比| 99久久99久久综合| 神马久久午夜| 91N欧美| 久久m| 亚洲图片日本AⅤ欧美在线| 亚洲天堂情色| 网页导航五月天免费一二三区 | 操迟操逼在巾线Fre看| 亚州欧美一区| 亚洲欧美日韩综合在线尤物 | 一起草av| 亚洲精品白浆高清久久久久久 | 另类图片五月天| www.狠狠| www.色吧5.com| 白丝少妇一区二区| 亚洲精品国产精品乱码不99| 蜜臀久久99精品久久久久| 偷拍欧美激情| 欧美黄片免费在线观看视频| 啊啊啊啊无码| 91女神在线视频| 国产一级137片内射麻豆| 精彩久久中文| 男人午夜天堂| 91呆哥人妻| 精品人妻av区天天看片| 大香网伊人久久综合网eew| 国产精品呦一区二区三区| 精品久操| 伊人久久亚洲中文字幕| 日日操丁香五月天| 青娱乐91| 狠狠操狠狠燥| 欧美老熟另类| 成人性爱全视频观看| 超碰九九| 亚洲天堂女优在线| 殴美在线AⅤ| 日韩啪啪视频| 99蜜桃臀亚洲成人在线观看| 一区二区娱乐网站| 欧美激情性久久久久久| 综合熟妇一区二区三区| 欧美性色综合网| 黄片aaaaa一区| 日本一区不卡| 日韩欧美蜜桃精品久久中文字幕久久 | 亚洲久热| av一区二区三区不卡| 成人久久久精品| 屌色在线97视频| 国内毛片无遮挡国产| 97视频一区| 99国产在线绯色一区| 中国乱伦一区二区| 高潮精品| …中文字幕亚洲乱,97人妻无码费视…| 99无码视频| 特级特黄一级毛片免费| 国产路线专区| 97网址97| 九九九网页| 强奸乱伦麻豆| 国产最火爆久久国产网站网站| avav青青草久久夜| 日本人妻天堂网站在线播放| 五月天社区| 人妻一区视频| 欧美裸体美女日麻屄| 97精品在线| 中文字幕在线观看第二页| 中文字幕在线观看二区三区| 亚洲 欧美 制服 另类 自拍| 精品性爱无码在线播放| 色哟哟-国产专区| 91天天| 欧洲综合视频| 97在线欧| 97天天插| 人妻啊啊人妻啊啊| 啪啪视频亚洲第一| 精品视频在线观看精品| 国产午夜精品一区二区三区牛牛| 亚洲青色欧美| 欧美天堂日韩三级国产传媒| 亚洲欧美大| 立川理惠被中出无码| 99操逼| 夜精品久无码| 国产精品久久久蜜臀| 99色色网| 亚洲综合五月天| 逼逼逼逼操操操操操操操操操午夜剧场| 91老女人| 亚洲三级。日韩三级| 四虎在线免费视频| 蜜臀久久久| 日本天天吊| 天天干天天插| 色小视频蜜乳| 黄色片大香蕉| 萌白酱自拍视频| 国产精品成人AV片免费看网站| 欧美熟妇精品黑人巨大91| 欧美爱国产综合、| 二区熟妇韩日| 男人综合网| 中出20p| 久操大香蕉手机视频在线看| 最近的最新的中文字幕视频| 中文字幕性感少妇av| 精品无码一区二区| 亚洲 欧美 第一页 | 国产精品盗摄 偷窥盗摄| 91一区二匹| 97超级久久| 久热这里| 久久国产精品视频| 天天日骚逼熟女| 一级黄碟| 日本性一区| 嫩草 我啊~嗯~在线| 日本在线播放不卡一区| 欧美性爱中文字幕无线码| 手机在线免费看的av| w w w.久久精品| 97精品免费视频网站| 国产精品白丝www| 亚洲第一男人天堂| 日韩内| 人妻丰满熟妇av无码区蜜桃| 天天影视综合色| 久久激情视频| 午夜综合在线| 神马久久免费电影观看| 亚欧韩av| 欧美日本久久精品一区| 宅男91视频在线播放| 六月婷激情福利天堂69| 少妇精品久久久| 国产女人高潮视频| 天天操女人| 91狠狠综合久久久久久| 老熟女91av| 这里是精品| 天天香香欲综合| 啊啊啊在线观看免费视频| 国产AV天美| 久久精品免视看国产成人﹣蜜臀av一区. 久久精品免视看国产成人,蜜臀av一区 | AV 少妇 人妻 偷拍| 性爱动态120秒| 久久精品中文字幕无码l| 青青欧美在线| 亚洲四虎熟女精品| ss久久| 欧美激色| 国语av最新自产拍在线观看| 国产日韩无码一区二区三区久久区| 9色国产精品一区粉嫩| aaa亚无码专区| 肏逼福利网站| 国产亲戚伦亲在线| 志村玲子视频一区二区| 69AV女优男人的天堂| yiren97| 日本黄色裸日本黄色裸体| 久久婷婷影院| 无码 黑人一区二区三区| 爱逼综合| CCYY草草影院地址入口| 五月天玖玖资源站| 超碰免费人人| 麻豆蜜桃视频在线观看| 91欧美另类| 青青草原成人| 九九九九精| 青青青国产手线观看视频2| 日韩中文字幕精品一区在线| 人人天天干干| 91人人爽人人爽人人人,gav福利视频导航,日韩欧美亚洲国产字幕四区 | 久久久久国产精品喷潮免费观看臀 | 一区二区三区精品黑丝白丝酒店对鸡| 啊啊啊97视频| 一区超碰一区| 91综合在线| 九九九草| 999精品女人| 中文?日韩?免费?精品| 美国人人操人人操| 好吊妞转入那个网| 日韩二三区| 色阁阁AV综合网| 欲香欲色综合天天伊人| 欧美大香蕉久| 99视频自拍| 欧美美女自慰一区二区三区| AV色图| 久久国产精品m码| 操操逼视频| 亚洲aV性爱| 99精品丰满人妻无| 亚洲综合 欧美| 搡老女人老熟女91老熟女综合网| 亚洲阿v天堂无码z2018| 夜夜操狠狠操| 伊人 俄罗斯 a v| 3P丝袜熟女 色综合| 日韩操逼性鲍| 五月丁香啪啪啪| 久久久18禁| 男女打扑克高清网站| 精品人妻一区春色| 亚洲欧美情色| 久久久久国产精品片区无码直播| 1024亚洲中文字幕久在线看片你懂的 | 青青草大香蕉视频| 日本 免费 一区二区三区 久久香蕉| 94色色电影网| 少妇3P性爱自拍| 欧美另类色图片| 国偷自 一区二区| 超碰欧美| 丁香五月天堂| 91在线/欧洲| 超碰78| 国模精品一区二区三区苹果色戒| 亚洲中文电影| 亚洲情色欧美| 久热大香蕉| 精品无码人妻一区二区免费蜜桃| 日韩欧美加勒比| 人人人人插| 99久久无色码| 色av中文字| 中文熟女五十乱码在线| 97在线观看| 熟女乱伦二区| 伊人96在线| 亚洲无码国产精品久久| 国产天天骚| 亚洲欧美综合图片| 国产三区免费在线观看| 粉嫩小泬久久久一区二区| 日本不卡五区| 五月丁香激情综合网| 超碰午夜| 高清国产成人无码| 青青操少妇| 91人妻少妇| 香蕉久久国产AV一区二区| 任你干在线视频| 秋霞操逼片| 麻豆 欧美 日韩| 欲色综合| 一区二区三区激情在线观看| 欧美亚洲激情一二三| 久久久久久久九九九九九九| 亚洲色欲一区二区三区| 91综合色噜噜| 五月天色色色| 亚洲精品 大香蕉| 不卡六六在线91| 少妇3P性爱自拍| 精品十三区| 日本中文熟女视频| 婷婷五月天久久精品视频一区二区三区| 色妺妺AⅤ| 亚洲成人网站在线观看| 清纯唯美综合亚洲| 日本 欧美 国产一区| 98超碰日本| 又大又长又粗又爽又黄| 中国黑人三级片网站上区| 插入逼91| 人人爽夜夜操| 日韩三级在线观看网站| 97精品一二区| 26uuu久久| 无码一区二区三区四区五区六区七区八区九区十区视频 | 蜜乳AV一区| 九区国产| 一牛影视成人片免费| 欧美性爱一区二区三区四区 | 免费97视频| 亚洲人妻久久久| 亚洲人妻中文高清| 啊啊啊操死我了| 国产视频一区二区免费| 天堂av最新电影网| 伊人色综合网电影| 国产9熟妇视频网站| 强奸乱亚洲| 九九九不卡| 伊人久久艹| 自拍啪啪视频| 色五月亚洲| 高清无码人妻久久久一区二区三区aⅴ| 风骚少妇视频中文字幕| 精品久久久av| 亚洲综合中文字幕有码| 欧美操人视频| 亚洲婷婷丁香在线| 欧美极度丰满熟妇hd| 欧美一级欧美三级在线观看| 我要色综合网| 欧美亚男人的天堂| 91精品久久久久五月天精品| 激情黄色五月天| 欧美图片校园春色| 91美女中出| 黄色工厂这里只有精品| 一区二区三区在线资源| 亚洲日韩人妻中文字幕一区| 97久久久精品| 亚洲精品第一| 国产sv美女内射| 超碰 97国产熟女| 九九九精品成人免费视频小说| 欧美最婬乱婬爆婬性视频| 人人操人人操人人人操| 亚洲欲| 国产精品自产拍在线观看社区| 国产嫩草精品A88AV| 亚欧精品久久久久久久久久久| 欧美岛国精品在线观看| 久久少妇人妻| 99九九久久| 操逼操2| 人妻酒店出差被中出免费在线播放| 无码精品一区二区三区潘金莲| 久久久无码精品人妻二区| 丁香五月影院| 99这里只有精品国产| 果冻传媒一区二区三区| 红杏大香蕉| 中日韩一区二区三区欧美| 亚洲情色一区二区三区| 五月丁香啪啪网| 久操操| 黄片直播三级黄片两女一男| 久久久久久久性爱| 啊啊啊快操我视频| 强奸乱伦资源| 超碰在线一区二区| 大吊色| 欧美成va视频网站| 熟妇综合一区二区三区| 国产免费一区| 久久本道| 高跟丝袜AV专区国产| 久久岛国| 东北老女人的激情视频| 色欲久久综合| 伊人一区二区在线播放| 国产伊人精品在线| 最新一二三区视频| 久久久精品成人国产| 天天色图| 久久亚洲日韩国产欧| 青青草在线成人视频| 日欧亚洲二三区大片不卡| 啊啊啊免费| 操死我了嗯嗯嗯| 五月丁香六月激情| 一二三四区操操Av| 涩涩久久精品| 不卡中文字幕aⅴ在线| 97这里有精品| 精品视频123区小说区| 伊人网青青| 69人妻精品丰满熟女区| 亚洲夜夜欢无码一区二区| 免费A片三p视频| 91天美免费| 伊人91| 大香蕉一区二区在线观看.| 少妇高潮一区二区三区在线| 和协影院中文字幕三区| 伊人影院中文字幕| 丰满少妇乱子伦精品无| 国产精品扒开腿做爽爽爽视频| 亚洲精品1区| 女同在线视频一区| 亚洲aV性爱| 日韩强奸av| 蜜臀久久99精品久久久久久成人小说 | 精品人妻视频入口| 丝袜美腿丝袜| 亚洲十八禁止| 久久久久久久久久久久黄色| 婷婷五月丁香五月| 伊人激情五月天一区二区| 三上制服丝AV| 91 刺激在线| 国语av最新自产拍在线观看| 欧美一级AAAAAAA| 国产97亚洲| 久久国产精品视频| 国产第二页| 色婷婷成人综合| 99re在线观看| 睡产熟女乱伦| 亚洲精品天堂久久A∨51成人漫| 中文乱码字字幕在线第5页| 亚洲综合 欧美| 99re在线观看| 天天弄欧美| 床上啊啊啊一区二区三区| 在线观看av区| 亚洲一区二区三区播放在线| 国产中出内射一区二区| 欧美天天射| 亚洲色图A| 亚洲欧美变态| 2020中文字幕在线| 亚热日本熟女| 欧美日韩婷婷中文| 亚洲综合性感在线| 大香蕉十区| 人人妻人人操人人乐| 亚洲人成网www| 丁香五月自拍| 久久久婷婷| 日韩人妻无码专区| 偷窥自拍亚洲天堂网爆| 97美日韩视频| 蜜臀久久99精品久久久久久成人小说 | 日韩乱伦影音先锋| 青青久久手机线视频| 啪啪啪东京| 视频一区二区免费在线| 国产成人亚洲精品无| 大香蕉狠狠爱| 熟女少妇视频| 男人综合网| 猛猛干| 男人的天堂va在线| 蜜臀久久久99久久久久 | 日韩偷拍色图| 91色女| 台欧久久精品视频| 国产青一二三| 91在线免费观看处女| 久久欧美1卡2卡3| 国产精品久久9| 欧洲免费一区二| 高清不卡一二三区视频......| 99久久无色码| 欧美大香蕉在线观看| 久久久久久久九九九九九九| 性色中出| 蜜屁Av| 97干综合网| 天天操夜夜操| 一色网男人的天堂| 嫩草 人人网精品| 一级黄碟在线观看| 啊啊啊啊啊好大好舒服想要| 亚洲和欧美裸体美女双飞视频| s片在线观看| 天天舔天天日天天射| 制服丝袜第二页| 九九九只有精品| 日本熟妇人妻一区二区三区| 久久九色| 久久精品国内Av熟女高清| 黄色电影在线播放综合网站| 欧美人妻久久精品二区三区| 亚洲成人久久美女| 中文字幕日韩综合| 天操天操夜操夜月操月年年操| 99国产精品久久久久久久成人热| yy少妇精品久久| 天美传媒精品一区二区三区| 1024精品在线| 韩国三级一线观看久| 亚洲天天操| 亚洲激情深爱文学小说网站| 91性网| 亚洲欧美综合| 久久无码成人| 9999免费精彩视频| 日本韩国一本产品小视频日本韩国一本产品久久久产品小视频日本韩国一本产品久 | 啊操爽品善一区二区三区| 青青草五月天| 97chaopenrihan| 2020中文字幕在线观看| 欧美成熟性爱精品| 99久久久er直播网址| 九九热AV| 亚洲色图激情小说| 日本男人插女人的逼黄色| 欧美一区二区三熟女剧情| 亚洲色交| 看大黄色大片原件| 爱我干综合| 日韩熟女精品无码专区一区二区| 久久久久久久久久黄色网| 亚洲日韩XXX| 四虎影视精品| 亚洲啪AⅤ永久无码| 欧美顶级黄片AAAAA在线免费看| 国产农村妇女一区二区| 干婷婷综合网| 日本精品一区三区| 欧美男女午夜啪啪| 亚洲天堂资源| 97在线视频观看| 欧美人妻久久精品二区三区 | 精品美女少妇一区二区| 日欧操屄| 综合网色| 人人妻人人色| 精品天堂| 婷婷午夜成人色中色| 亚州伊人色综台| 亚州色阁| 国产白丝精品在线观看| 激情视屏国产乱伦强奸| 一区久久久二区| 亚洲drav色图| 亚洲综合首页| 国人欧美精品一区二区| 色哟哟-国产专区| 婷婷综合网站| 精产国品一区二三产品| 天天操天天日天天干| 亚洲熟女国产综合另类| 亚洲 综合 第一页| 黄色网址久久精品欧美喷水| 久噜噜| 国产久久天堂资源| 久久中文字幕一区不卡| 另类视频在线| 五月天加勒比啪| 蜜桃狠狠色伊人亚洲综合网站| 操高情无码| 内射中出日韩在线观看视频| 东京热伊久| 大香蕉www.超碰| 久99| 韩国嫰模上门援交视频| 日韩一区二区精彩视频| 国产精品久久久久久片| 亚洲天堂自拍| 久久久久久久| 无码乱人伦中文视频| 欧美内射少妇| 国产久久久久久| 深田咏美亚洲精品福利社| 精彩国产视频播放1区2区| 97综合激情| 99国产在线 精品 视频| 九九无码视频| 97爱b| 日本熟妇浓毛hdsex| 香蕉视频精品亚洲一区二区三区在线播| 一区操逼日比视频| 亚洲成人一二三区| 伊人操| 国产日比| 熟女高潮精品一区二区| 日韩一性一交一A片俄罗斯| 久久av色| 91肉片| 免费观看欧美日韩操逼视频| 97日韩欧美亚洲| 天天做日日做天天欢。| 天天综合欧美综合| 91欧美色| 丁香五月婷婷色| 91亚洲狠狠色| 午夜影美女日鸡鸡天天视频国产| 北条麻妃性愛视频| 热99这里有精品综合久久| 黄色片,com| 国产av波波国产精品| 欧美欲色| 国产色产精品在线观看| 人妻激情偷乱视频一区二区三区 | 青青操视频在线| 人人看欧美性爱| yellow网站免费观看日韩高清无码| 久久免费看高潮毛片韩国| 亚洲成人激情小说视频| 亚洲图片欧美91N| 天美传媒婬乱在| 懂色AV一区二区三区| 无人区高清电影免费观看一区二区三 www.qmcai2.com | 欧美综合网1| 欧美日韩国产三级黄色| 天天舔天天日天天射| 在线岛| 一牛一区二区三区久久| 不卡av在线中文字幕| 欧美日韩天堂| 成人免费看吃奶视频网站| 午夜啊啊啊| 国产精品99精品视频网站| 大香蕉免| 欧美在线91| 五月天色图| 欧美精品69性爱| 99999精品成人| 一区二区三区色综合| 日本三级一区二区 在线| 欲香欲色天天天综合和网| 亚洲AV噜噜狠狠网址蜜桃动漫| 国产地址二三| 国产精品极品美女视频| 四虎免费视频| 国产99 中文字幕日韩小视频| 清纯唯美综合亚洲| 九九九九九九九精品视频| 91成人无码| 亚洲欧洲美腿丝袜| 亚洲性爱电影| 插入粉嫩少妇视频| 亚洲成人久久美女| 69久久| 欧美一区91大爱| 亚欧色图在线激情| 大香伊人在线一区| 逼逼逼逼操操操操操操操操操午夜剧场| 偷拍综合亚洲| 国产久久视频| 日本色色色网站免费看不卡| 久超超碰| 熟妇熟女亚洲天堂网| 91亚洲影视| 超碰亚洲97| ji熟女.com| 久久国产999| 九九黄色网| 在线视频免费观看午夜| 啊啊啊在线观看免费视频| 成人精品一区二区91毛片不卡| 欧美精品欧美精品系列| 99∨VTV| 精品无码欧美三级| 国产精品久久久久久久免牛肉蒲团| 亚洲欧美日韩精品久久久一区二区| 91蜜臀人妻中文字幕在线| 五月丁香综合| 成人小说另类在线| 欧美色自拍| 亚州AV无码国产精品| 加勒比综合88| caopeng97人妻| 秋霞影音一区二区三区| 香蕉99秘 一区精品蜜桃臀| 麻豆久久久久久久久丝袜 | 婷婷五月天小说| 最新日本中文字幕| 97欧美色综合| 午夜精品久久久久久久男人的天堂 | 美女上床网站| 精品国产嫩穴视频| 国产JDAV无码视频在线观看| 综合色久欲| 天堂蜜桃无码视频一区二区| 天天色黄色影院天天操| 中文字幕福利视频一区二区三区在线观看| 天天综合AV| 亚洲无码免费看| 久久啊啊| 啊好爽快点-国产一区二区三区撒尿在线-成人AV| 亚洲一区二区精品福利| 日韩一级二级三级免费看完整版| 久草男人天堂| 男人的天堂不卡一区二区| 在线色导航| 99999久久精| 亚洲美女30b| wwwss在线观看| 日本色色视频网站| 青青草大香蕉视频| 91久久堂| 亚洲丝袜二区| 做爱A级亚欧| 91狠狠| 亚洲高清在线se| 久久精品亚洲婷婷| 爱做久久久久久| 国语对白露脸XXXXXX| 91热色| 啊啊啊97视频| www.狠狠操| 欧美一级特黄淫片在线观看| 99无码| 欲色啪| AV一二区| 男人的天堂啪啪啪啪啪蜜桃不卡| 淫荡少妇免费| 超碰78| 伊人宅男大香蕉 | 操逼不卡中文字幕| 久久伊人最新网址视频| 好一吊区二区| 在线观看视频91| 亚洲 欧美 中文 日韩超碰| 嫩草影院在线观看精品 | 美女9118禁| 久久曰曰| 小草精彩毛片| 婷婷五月天久久久| 97人人操人人摸人人爱| AVE乱伦| 先锋女优在线观看视频| 2020中文字幕在线| 亚洲自拍欧美国产首页网曝| 人妻啊啊人妻啊| 91|九色|国产熟女| 国产亚洲美日韩Aⅴ中文字幕无码成人| 中文字幕欧美丝袜07资源| 91久热| 亚洲日韩乱码中文无码蜜桃臀网站| 泰国AV在线观看| 久久小视频| 精品一二三区久久AAA片| 小视频国产| 国内亚洲高清无码| 国产精品网址| 正宗无毛一线天嫩逼| 六月婷婷一区二区三区| 性欧美天天| 丰满人妻一区二区三区在线| 激情婷婷| 日韩精品字幕| 97在线视频免费| 中文字幕精品一区欧美| 干B网| 久久精品男人的天堂| 亚洲人91| 青青草精玖玖69精品| 六月婷激情福利天堂69| 丁香六月婷婷综合| 九九黄色视频在线观看| 色官网色综合| 在线免费观看日韩一区| 9久在线视频只有精品| 麻豆 美女 丝袜 人妻 中文| 91精品操美女| 区自美91| 四虎免费视频| 色臀aV| 国产偷人妻精品一区二区在线| 久操九九九九九九九九九九九九九九九九九九九九九九九九九九九九 | 91超碰丝袜制服| 超碰97在线色男人??| 久久超碰98| 亚av顶级裸体一区二区三区四区五区| 日han少妇无码| 另类av天堂| 91麻豆天美国产欧美日| 丁香五月激情综合| 丁香色五月 97干| 综合网色| 亚洲激情av| 三级三久久线久久99久目本WW| 丁香五月激情综合国产| 777奇米影视777四色| 九九干| 国产综合网站在线播放| 思思热影视| 国产一区二区欧美日本| 一起草精品人妻| 岛国片在线观看视频亚洲| 免費黃色視頻觀看一| 无码自拍SM| 九九色逼| 亚州情色j区| 天天色悠悠激情| 男人天堂站| 青青草伊人久久| 超碰 av 女人天堂| 裸体美女久久久| 秋霞鲁丝午夜无码一区二区三| 老熟妇一区二区三区啪啪| 嗯~啊~快点 死我视频免费看网站| 美女91色黄18| 97精品视频在线播放| 蜜臀中文无码午夜| 天天天干977| 色欧洲| 操国产高清| 黄色免费一级在线毛片| 亚洲熟女精品| 国产精品激情久久久久久久| 亚洲福利中文字幕在线| 91chinese在线| 中文字幕一区av| 日本九九久久99播| 美腿丝袜高跟网免费视频免费视频| 久久天天摸| 日本日日色视频| 超碰地址97| 久久久三区二区一区| 91N综合网| 91欧美亚洲| PMv在线观看| 国产精品嫩草久久久久| 在线免费观看日韩一区| 国产欧美亚洲精品a第2页| 欧洲色| 亚洲五区熟女| 国产乱码久久久久久| 日韩欧美麻豆 | 操逼操操操91| 一本道综合色图| 91最新综合| 少妇色综合| 操熟女91| 欧美精品成人一区二区在线观看| 美国精品国产精品| 无遮挡猛进视频免费无限观看| 男人的天堂不卡一区二区| 日日干夜夜操视频h| 91国精产品| 美女9118禁| 18啪啪手机免费性爱| 91精品无码人妻系列| 男人亚洲91首页在线| 91美女视频在线| 国产AB视频| 久久精品国产亚洲AV先锋| 国产av强奸美女| 激情综合亚洲| 国产一区二区三区不卡手机在线| 欧美精品久久| 国产精品久久蜜乳av| 国产亚洲精品A在线观看下载| 国产女人91精品嗷嗷嗷嗷| 综合影院亚洲| 亚洲精品国产av天美传媒| 91操熟女视频 | 操高情无码| 五月开心网| 欧美 日韩 婷婷 五月| 怡春院久久| 免费黄色片。| 99视频内射三四| 自拍视频大全亚洲专媒视频/一区二区三区| 丝袜天堂网| 少妇综合| 国产女人91精品嗷嗷嗷嗷| 无码heyzo高清一区| 欧美综合狠| 99人妻碰碰碰久久久久禁片| 静品嫩模一区二区| 无码人妻丰满熟妇奶水区毛片| 亚洲脚交| 久久透逼视频| 婷婷五月天网| 97在线资源| 97超碰超碰| 在线观看色视频| 超AV色女| 欧美线天码中字| 成人精品久久久午夜福利| av资源在线播放天堂| 人妻大相焦在线| 97资源站日韩| 亚洲熟女性高潮久久久| 日韩女优中文字幕| 51一区二区三区| 最新国内自拍av免费| 亚洲综合在线视频| 青草园大香蕉| 插入逼91| 日本久久精品| 久久噜| 日本中文熟女视频| 日日爽夜夜爽| 啊嗯嗯啊好大好爽| 久久久久久久久久va| 五月婷婷深深爱| 日韩操呦呦影院在线观看| 91天天综合网| 国产精品成人无码av| 嗯嗯啊好大| 在线视频97| 婷婷色在线| 劲爆欧美人妖三区91| 人人操,人人插| AV中文在线可看| 另类老少妇| 人妻一区视频| 国产嫩草精品A88AV在线| 午夜毛片亚洲精品片国产久久久| www黄片免费看com| 久久爱超碰网| TS人妖另类精品视频系列| 日本天天操| 少妇激情AV| 成人免费看吃奶视频网站| 人妻日日夜夜精品| 少妇淫妇久久久久久久| 日本午夜福利影院| 熟妇高潮精品一区二区三区下载| 四虎国产精品永久在线囯在线| 天天日少妇逼AV| 美女爽爽爽刺痛洞洞| 色翁荡息又大又硬又粗又爽| 亚洲欧美九九| 亚洲图片第一页| 国内毛片无码一级毛片| 九9精品| 国产传媒操逼视频| 97视频在| a男人的天堂久久一级A毛片| 翘臀vidoes| 欧美性爱一区二区三区| 国产高清在线观看欧美| 噜噜噜久久亚洲精品色情| 久久国产AⅤ| 无码人妻一区二区一牛影视| 亚洲欧美清纯| 99热只有| 精品一区二区三区18| 日本黄 R色 成 人网站| 亚洲精品国产熟女久久久| 国产精品婬乱一级毛片彝族| 久久久久久中文版| 亚洲婷婷综合网| 日韩专区数据列表-第3230页-精品国产一区二区三区香蕉 久久99熟女人妻中文字 | 97视频播放| 中文字幕黄色片| 一本大道青青| 亚洲综合一区二区| 亚洲日本大香蕉1| 入口操逼网站| 色97国产69香蕉| 日韩不卡a级视频专区| 欧美性Fer办公室秘书| 少妇高潮对白在线观看| 亚洲欧美综合网站| 日韩午夜精品一区二区三区电影| 天天影视网色欲色香| 人人摸人人添人人操| 久久、1234| 日本性爰一道本| 亚州综合AⅤ| 91社操逼| 啊啊啊啊好大好硬啊啊啊啊啊| 亚乱色| wuyechaopeng| 国产精品无码久久久久2028| 欧美大片一区二区三区| 日韩成人精品视频自拍| 日韩av电影网站| 操逼网站地址| 乱人乱色一区二区三区免费| 精品人妻伦一二三区久久| 九九热精品| 荡小穴在线观看| 熟妇综合一区二区三区| 日本一片一区| 欧美性爱第一区| 久久久久ab| 青椒国产97在线熟女| 老鸭窝日丰县女人| 强奸乱亚洲| 一本色道综合久久欧美日韩精品| 国产又粗又又黄又猛| 国产精品懂色tv影视免费观看| 熟妇熟女一区二三区| 人人摸.人人色| 日本一久是| 久99视频| 视频不卡中文字幕| 日本999精品视频| 欧美精品99久久久**| 色偷偷综合91久久噜噜| 国产小视频91| 色综合1991| 丁香六月婷婷| 成·人免费午夜在线观看| 成人A片男人的天堂| 在线观看岛国有码| 蜜臀久久99精品久久久久久成人小说 | dy888午夜老子影视达达兔| 精品久久久中文字幕不| 精品欧美А∨无码黑人大荫蒂 | 九九九九九九九九九国产精品 | 少妇久久久久久| 97超碰逼| 婷婷中文网| 91老司机在线| 久久久中文版| 亚洲欧美日韩精品久| 老熟女91视频| 亚洲色图加勒比| 亚洲 欧美日韩 另类| 天天看片青娱乐| 国产AV人人 夜夜人人澡| 91成人久久| 屁股久久久久久久久久| 欧亚第一综合网| 美女被艹尤物视频| 97国产超碰| 亚洲综合九| 婷婷综合五月| 天天视频网站黄| 久久久内射良家| 花野真衣| 国产成人精品必看 | 国产精品国产自产拍高清AV| 亚洲一区二区三区播放在线| 伊人九九| 97天天综合网| 大香蕉综合| 97精品一区二区视频| 热久久无毒不卡| 看看小穴| 国产一区二区三区导航| 国产97av| 国产精品久久久久久久久久久久久久久久久久 | 97综合网| 欧美激色| 成 人 影视 一区 二区 三区 四区| 一级aaaaa欧美中文字幕录像片| 欧美天天干| 97超碰在线资源网站| 少妇一线天久久久久久| xxxx网站亚洲精品| 亚洲精品人体| 国产第二页| 91一起操| 美女裸体无遮挡永久免费观看网站| 欧美aⅴ99久久黑人专区| 亚洲国产一区二区三区四区国产| 国产成年女黄特黄| 欧美色爱综合| 欧美狠狠弄| 97人人干| 视频在线观看免费一区二区三区| ss久久| 日韩av性爱在线播放| 亚洲欧洲激情| 亚洲中文字幕乱码无码一区二区 | 女同性恋中文字幕| 欧美日韩黄色片一区二区三区四区人与兽做爱 | 蜜臀网址在线| 日日橹狠狠爱欧美超碰| 91操人视频| 久久毛卡| 亚洲国产丝袜熟女av| 色与欲影视天天看综合网| 日韩av色图综合| 中文字幕高清20页视频| av在线一区二区三区| 91天天综合| 超碰超碰超碰超碰的大鸡吧操黑丝袜| 久久国产对白激情浪潮| 国产亚洲一黄| 午夜久久无码1000合集| 99re免费视频精品全部| 激情在线青青操| 男人的天堂久久狠| 人人操天天爽| 嗯嗯嗯好爽| 日韩在线观看中文字幕视频| 黑人白女精品一区| 欧洲性爱无码区|