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)運營的一線實戰(zhàn)洞察。

WebGPU加速的瀏覽器端以圖搜圖:MobileNet特征提取與本地向量檢索實戰(zhàn)

WebGPU加速的瀏覽器端以圖搜圖:MobileNet特征提取與本地向量檢索實戰(zhàn) 你有沒有遇到過這種情況客戶要一個“以圖搜圖”功能圖片又不想傳到服務(wù)器上要求在瀏覽器里直接完成而且速度還不能慢。傳統(tǒng)前端想都不敢想的任務(wù)現(xiàn)在靠瀏覽器端 AI 加上 WebGPU 加速已經(jīng)能跑得很舒服了。我這次做的項目就是讓瀏覽器加載一個 MobileNet 特征提取模型把用戶上傳的圖片變成 1024 維向量再拿這個向量去全本地索引里搜相似圖整個鏈路不依賴 GPU 服務(wù)器也不把圖片發(fā)出去。這套方案的核心技術(shù)點有三個MobileNet 這種輕量 CNN 為什么適合在瀏覽器端跑WebGPU 和傳統(tǒng) WebGL 推理的差異到底在哪里以及 1024 維特征向量怎么支撐起一套可用的以圖搜圖鏈路。適合看這篇文章的人我大概歸了三類想做前端 AI 應(yīng)用但卡在性能和兼容性上的開發(fā)者正在做素材管理、相冊去重、版權(quán)比對這類圖片檢索需求的工程師還有想低成本給自己的網(wǎng)頁應(yīng)用加“相似圖片”搜索能力的產(chǎn)品和技術(shù)決策者。文章里的代碼基于 onnxruntime-web 實現(xiàn)模型用 MobileNetV2 結(jié)構(gòu)推理走 WebGPU向量檢索在前端用純 JavaScript 完成。我會把從模型導出、環(huán)境準備、代碼拆解到踩坑記錄全流程講一遍你跟著操作就能在自己項目里復(fù)現(xiàn)。1. 為什么非要在瀏覽器里跑特征提取1.1 用戶要的“不傳圖”實際上要的是隱私和速度先說個挺有意思的現(xiàn)象。做后端推理的兄弟可能覺得客戶端傳圖、服務(wù)器返回結(jié)果不是挺成熟的方案嗎確實成熟但落地的時候有三個問題很難繞開。第一是隱私。相冊類應(yīng)用、企業(yè)內(nèi)部素材庫、醫(yī)療影像系統(tǒng)的用戶對圖片數(shù)據(jù)極其敏感圖片一旦上行合規(guī)、加密、審計的流程就全來了。很多項目根本不是技術(shù)做不到是“圖片能不能出域”這一條直接被客戶否掉了。第二是延遲。圖像上傳要看帶寬服務(wù)器排隊要看負載。哪怕后端推理只要 50 毫秒一張兩兆的圖傳上去再加上網(wǎng)絡(luò)抖動用戶感知到的就是“轉(zhuǎn)圈”。而瀏覽器端直接處理圖片從本地文件到特征向量幾百毫秒內(nèi)完成這種反饋是實打?qū)嵉?。第三是成本。做圖片特征抽取要吃 GPU 資源如果只是偶爾查一次專門起一個 GPU 服務(wù)就是浪費。把計算挪到用戶設(shè)備上服務(wù)器只負責靜態(tài)資源分發(fā)成本結(jié)構(gòu)完全不一樣。所以“瀏覽器端跑 AI”聽起來像炫技實際上是在隱私、速度、成本三個維度上都更優(yōu)的選擇。尤其是圖庫規(guī)模不大比如幾千到幾萬張、查詢頻率不高的場景純前端方案是性價比最高的一條路。1.2 WebGPU 相比 WebGL 到底強在哪可能有人問瀏覽器端跑神經(jīng)網(wǎng)絡(luò)又不是今天才有WebGL 時代就有人用 TensorFlow.js 跑過模型了。為什么現(xiàn)在要提 WebGPU因為這個差距實在太大了。WebGL 本質(zhì)上是為二維和三維圖形渲染設(shè)計的 API想在它上面跑神經(jīng)網(wǎng)絡(luò)得把卷積、矩陣乘法這些算子偽裝成片段著色器把數(shù)據(jù)塞進紋理再把計算結(jié)果從紋理里讀回來。這個過程中紋理讀寫的限制很多內(nèi)存分配和算子控制也很粗糙遇到復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)性能損耗非常明顯。WebGPU 不一樣它引入了 compute shader 的概念能夠直接操作 GPU buffer做通用并行計算。這意味著卷積、矩陣乘法這類重計算算子可以用更接近底層的方式組織數(shù)據(jù)不必反復(fù)在紋理和 CPU 之間倒騰。對神經(jīng)網(wǎng)絡(luò)推理來說WebGPU 還有一個天然優(yōu)勢支持更靈活的 tensor 布局比如直接用 NCHW 布局減少推理框架內(nèi)部的 transpose 開銷。我用同一個 MobileNet ONNX 模型做過對比在同樣的機器上WebGL 后端跑一次推理大約 300 到 500 毫秒WebGPU 后端降到 30 到 60 毫秒差距接近一個數(shù)量級。這種差距決定了“在瀏覽器里做實時圖片檢索”是可行的還是只能停留在玩具階段。1.3 選型MobileNet ONNX Runtime Web 的組合怎么定下來的模型選 MobileNet理由很直接。MobileNet 的核心設(shè)計是深度可分離卷積把標準卷積拆成逐通道卷積和逐點卷積兩步參數(shù)量和計算量大幅下降很適合瀏覽器這種算力受限的環(huán)境。MobileNetV2 在 ImageNet 上的精度雖然不如 ResNet 這類大模型但作為特征提取器它的瓶頸層輸出已經(jīng)能很好地表達圖像語義足夠支撐相似圖片檢索。推理引擎我選了 ONNX Runtime Web。這里要說說為什么不用 TensorFlow.js。TensorFlow.js 對 TensorFlow 模型生態(tài)的支持確實好但我日常更多是 PyTorch 訓練模型ONNX 作為中間格式更通用。onnxruntime-web 對 ONNX 算子的覆蓋度一直在提升而且從 1.17 版本開始加入 WebGPU 執(zhí)行后端走的是官方維護的路線。特征維度定在 1024不是拍腦袋。維度太低相似圖片容易誤判維度太高索引和檢索的開銷明顯增加。人臉識別領(lǐng)域常見的特征維度是 512 或者 1024這個區(qū)間在語義區(qū)分度和計算量之間比較平衡。MobileNetV2 原版瓶頸層輸出是 1280 維我在項目里對模型做了一點調(diào)整輸出層改成 1024 維的 embedding 頭后面會詳細說導出方式。2. 動手前的準備環(huán)境、模型導出與工程骨架2.1 瀏覽器端 WebGPU 能不能用的自檢方法寫代碼之前先確認目標環(huán)境下 WebGPU 到底可不可用。WebGPU 需要瀏覽器和硬件驅(qū)動雙重支持不是裝了新瀏覽器就一定行。最直接的檢測方法是看navigator.gpu是否存在。Chromium 內(nèi)核的瀏覽器從 Chrome 113 開始默認支持 WebGPUEdge 113 也同步支持。Firefox 目前是部分支持Safari 在較新版本里也開始跟進。開發(fā)階段建議優(yōu)先用 Chrome 或 Edge 調(diào)試。還有一個隱藏條件WebGPU 要求安全上下文。也就是說頁面必須在 HTTPS 環(huán)境下打開或者本地 localhost 調(diào)試普通的 HTTP 頁面是拿不到 GPU 權(quán)限的。我寫過一個簡單的檢查函數(shù)頁面加載時直接跑一遍function checkWebGPU() { if (gpu in navigator) { console.log(WebGPU 可用GPU 設(shè)備:, navigator.gpu); return true; } console.warn(當前瀏覽器不支持 WebGPU請使用 Chrome 113 或 Edge 113); return false; }如果navigator.gpu存在但推理速度異常慢建議打開chrome://gpu頁面看一下 WebGPU 相關(guān)的狀態(tài)和驅(qū)動告警。有時候是顯卡驅(qū)動版本太舊WASM 和 WebGPU 本身沒問題但硬件加速沒跑起來。2.2 把 MobileNet 導出成 1024 維特征模型這一步把 PyTorch 模型轉(zhuǎn)成 ONNX 格式。我用的 MobileNetV2 來自 torchvision默認的分類頭輸出 1000 類現(xiàn)在要把它替換成 1024 維的特征輸出。注意一個細節(jié)MobileNetV2 在全局池化之后classifier包含兩層第一層是 Dropout第二層是Linear(last_channel, 1000)其中l(wèi)ast_channel是 1280。要改成 1024 維特征直接替換最后的 Linear 層即可。import torch import torchvision import torch.nn as nn model torchvision.models.mobilenet_v2(weightstorchvision.models.MobileNet_V2_Weights.DEFAULT) model.classifier[1] nn.Linear(model.last_channel, 1024) model.eval() dummy_input torch.randn(1, 3, 224, 224) torch.onnx.export( model, dummy_input, mobilenet_v2_feat.onnx, input_names[input], output_names[feature], opset_version17 ) print(導出完成輸出維度應(yīng)在 ONNX 中為 [1, 1024])這里要提醒一句隨機初始化的 Linear 頭在沒經(jīng)過微調(diào)時特征質(zhì)量不一定比原版 1280 維好。我在實際項目里用的是在業(yè)務(wù)數(shù)據(jù)集上用度量學習微調(diào)過的 1024 維 head。如果你只是驗證流程可以暫時用隨機初始化的 head相似圖片檢索的結(jié)果會有一點下降但流程能跑通。另一個方案是直接用原版 1280 維輸出在前端用固定投影矩陣降維到 1024這個后面再聊。MobileNet 的輸入預(yù)處理要和訓練時保持一致resize 到 224x224像素歸一化到 0 到 1然后按 ImageNet 的 mean 和 std 做標準化。導出 ONNX 時沒有把歸一化層放到模型里所以這些步驟要在前端預(yù)處理完成。2.3 工程結(jié)構(gòu)、依賴與 wasm 文件放置項目使用 npm 安裝 onnxruntime-web 的穩(wěn)定版本。注意 WebGPU 后端還處于快速迭代期API 有變化建議鎖定一個大版本不要每次盲目升級。npm install onnxruntime-web1.19.2onnxruntime-web 底層是 WASM瀏覽器需要加載對應(yīng)的 wasm 文件。最簡單的做法是把node_modules/onnxruntime-web/dist/下的 wasm 文件復(fù)制到項目的public/wasm/目錄然后用ort.env.wasm.wasmPaths指定路徑。項目目錄結(jié)構(gòu)參考project/ ├── public/ │ ├── models/ │ │ └── mobilenet_v2_feat.onnx │ └── wasm/ │ ├── ort-wasm-simd-threaded.wasm │ └── ... ├── src/ │ ├── feature-extractor.js │ ├── image-search.js │ └── main.js └── index.htmlfeature-extractor.js負責加載模型、圖像預(yù)處理和推理image-search.js負責向量歸一化、相似度計算和圖庫管理。這樣拆開之后模型相關(guān)的邏輯和檢索邏輯可以獨立測試。初始化代碼是這樣的import * as ort from onnxruntime-web/webgpu; ort.env.wasm.wasmPaths /wasm/; const session await ort.InferenceSession.create(/models/mobilenet_v2_feat.onnx, { executionProviders: [webgpu], graphOptimizationLevel: all });這里把executionProviders指定為[webgpu]onnxruntime-web 會用 WebGPU 后端執(zhí)行算子。如果某些算子不支持 WebGPU會自動回退到 CPU。后續(xù)調(diào)試的時候可以打開日志確認算子有沒有發(fā)生回退。3. 核心代碼拆解從圖片到 1024 維向量3.1 圖像預(yù)處理resize、歸一化、布局轉(zhuǎn)換預(yù)處理是整個流程里最容易寫錯的地方因為模型對輸入布局極其敏感。ONNX 模型的輸入一般是 NCHW 格式也就是[batch, channel, height, width]在 JavaScript 里就是一個Float32Array數(shù)據(jù)順序是先放所有像素的 R 通道再放 G 通道最后放 B 通道。下面這段代碼把圖片畫到 canvas 上縮放到 224x224再按 ImageNet mean/std 做標準化輸出ort.Tensorasync function imageToTensor(imageSource) { const width 224; const height 224; const canvas document.createElement(canvas); canvas.width width; canvas.height height; const ctx canvas.getContext(2d, { willReadFrequently: true }); ctx.drawImage(imageSource, 0, 0, width, height); const imageData ctx.getImageData(0, 0, width, height); const data imageData.data; const float32Data new Float32Array(3 * width * height); const mean [0.485, 0.456, 0.406]; const std [0.229, 0.224, 0.225]; for (let i 0; i width * height; i) { const r data[i * 4] / 255.0; const g data[i * 4 1] / 255.0; const b data[i * 4 2] / 255.0; float32Data[i] (r - mean[0]) / std[0]; float32Data[width * height i] (g - mean[1]) / std[1]; float32Data[2 * width * height i] (b - mean[2]) / std[2]; } return new ort.Tensor(float32, float32Data, [1, 3, height, width]); }有幾個細節(jié)要提一下。getContext(2d, { willReadFrequently: true })這個參數(shù)在頻繁讀取像素時能避免 canvas 使用 GPU 加速導致的問題。如果圖片帶透明通道data[i * 4 3]是 alpha 值這里直接忽略因為 MobileNet 訓練時用的是 RGB 三通道圖像。如果你用的是createImageBitmap(file)讀取本地圖片得到的ImageBitmap對象可以直接傳給drawImage性能比先把文件轉(zhuǎn)成img標簽再畫要好尤其在批量處理場景下明顯。3.2 用 WebGPU 執(zhí)行推理并拿到特征向量預(yù)處理完之后推理代碼其實只有三行但背后發(fā)生的事情很多const output await session.run({ input: tensor }); const feature outputs[feature].data;session.run會走 WebGPU 計算管線輸入 tensor 上傳到 GPU buffer算子按圖執(zhí)行最后結(jié)果從 GPU buffer 讀回 CPU。第一次調(diào)用時WebGPU 需要完成管線編譯會有明顯的等待所以正常做法是在頁面加載后先“預(yù)熱”一次后面會專門講。拿到outputs[feature].data之后它是一個類型化數(shù)組長度理論上應(yīng)該是 1024。但 ONNX 輸出可能帶 batch 維度最好先確認一下形狀const shape outputs[feature].dims; // 例如 [1, 1024] const feature new Float32Array(outputs[feature].data); console.log(特征維度:, feature.length);這里用new Float32Array(...)復(fù)制一份很有必要。output.data可能引用的是 onnxruntime 內(nèi)部緩沖區(qū)后面再次推理時會被覆蓋復(fù)制出來可以避免臟數(shù)據(jù)。完整的抽取封裝大概長這樣let session null; async function initFeatureExtractor(modelPath) { if (session) return session; session await ort.InferenceSession.create(modelPath, { executionProviders: [webgpu], graphOptimizationLevel: all }); await warmup(); return session; } async function extractFeature(imageSource) { const tensor await imageToTensor(imageSource); const outputs await session.run({ input: tensor }); const feature new Float32Array(outputs[feature].data); return normalize(feature); }warmup就是拿一張全黑或全白的 224x224 圖先跑一次推理把 WebGPU 管線編譯和算子調(diào)度預(yù)熱完成這樣用戶真正查詢時就不會卡在那幾秒的編譯等待里。3.3 把特征向量喂給檢索模塊歸一化與余弦相似度特征向量做檢索之前先做 L2 歸一化。歸一化之后兩個向量的余弦相似度等于它們的內(nèi)積計算量小很多而且這種查詢方式在索引層面也更友好。export function normalize(vector) { let sum 0; for (let i 0; i vector.length; i) { sum vector[i] * vector[i]; } const norm Math.sqrt(sum) || 1; const normalized new Float32Array(vector.length); for (let i 0; i vector.length; i) { normalized[i] vector[i] / norm; } return normalized; } export function cosineSimilarity(a, b) { let dot 0; for (let i 0; i a.length; i) { dot a[i] * b[i]; } return dot; }注意如果a和b都已經(jīng)歸一化cosineSimilarity返回的就是余弦相似度值域在 -1 到 1 之間。以圖搜圖場景里返回結(jié)果一般按相似度從高到低排序。我在項目里會額外保存每個特征的平方和用來排查向量是否因為某種原因變成全零向量全零向量直接跳過不參與排序。4. 圖片庫構(gòu)建與檢索鏈路打通4.1 離線入庫批量抽取圖片特征以圖搜圖不止需要“查詢端”能抽特征圖片庫里的每張圖也得有特征。項目初期圖庫不大可以直接在瀏覽器里批量入庫把圖片庫的圖片逐張丟給extractFeature生成特征后存起來。批量入庫比單張查詢更容易做性能優(yōu)化。MobileNet 輸入是動態(tài) batch 維度的我可以把多張圖拼成一個[N, 3, 224, 224]的輸入張量一次推理同時輸出 N 個 1024 維向量。這個優(yōu)化在 WebGPU 后端下收益很大GPU 并行能力被充分用起來。批量特征抽取的示意代碼async function extractFeaturesInBatch(imageSources) { const tensor await batchImagesToTensor(imageSources); const outputs await session.run({ input: tensor }); const data outputs[feature].data; const shape outputs[feature].dims; const [batch, dim] shape; const features []; for (let i 0; i batch; i) { const vec new Float32Array(dim); vec.set(data.subarray(i * dim, (i 1) * dim)); features.push(normalize(vec)); } return features; }batchImagesToTensor就是把預(yù)處理的循環(huán)從單張變成多張構(gòu)造Float32Array(batch * 3 * 224 * 224)。我建議入庫過程放在 Web Worker 里跑避免 UI 卡死這個后面講工程化時展開。4.2 特征存儲IndexedDB 與二進制編碼入庫生成的特征需要持久化否則每次刷新頁面都要重新抽一遍特征。瀏覽器端的自然選擇是 IndexedDB它支持結(jié)構(gòu)化克隆Float32Array可以直接保存。我的存儲結(jié)構(gòu)很簡單每條記錄一個 id、一個Float32Array特征向量、還有圖片的縮略圖 Blob 和元信息。查詢時把圖庫全部向量取出來在內(nèi)存里做相似度計算。function saveFeatureToDB(id, vector, thumbnailBlob) { return new Promise((resolve, reject) { const request indexedDB.open(image-search-db, 1); request.onupgradeneeded () { const db request.result; if (!db.objectStoreNames.contains(features)) { db.createObjectStore(features, { keyPath: id }); } }; request.onsuccess () { const db request.result; const tx db.transaction(features, readwrite); tx.objectStore(features).put({ id: id, vec: vector, thumb: thumbnailBlob, createdAt: Date.now() }); tx.oncomplete () { resolve(); }; }; }); }要提醒一句IndexedDB 的結(jié)構(gòu)化克隆在保存Float32Array時是安全的但所有讀出來的Float32Array都是新的副本不會和內(nèi)存里的引用沖突這一點用起來很省心。如果你的項目圖庫超過十萬張1024 維 float32 的向量就是 400 多兆純前端暴力檢索的內(nèi)存壓力會非常大必須引入索引剪枝策略這個放到最后一節(jié)講。4.3 在線查詢一次完整的上傳檢索流程在線查詢的完整鏈路是用戶選擇圖片 -createImageBitmap讀取 -extractFeature抽特征 - 從 IndexedDB 讀取庫向量 - 逐個計算余弦相似度 - 排序取 TopK - 展示結(jié)果。檢索函數(shù)核心代碼async function searchByImage(imageSource, db, topK 10) { const queryVec await extractFeature(imageSource); const allFeatures await loadAllFeatures(db); const results []; for (const item of allFeatures) { const score cosineSimilarity(queryVec, item.vec); if (Number.isFinite(score)) { results.push({ id: item.id, score, thumb: item.thumb }); } } results.sort((a, b) b.score - a.score); return results.slice(0, topK); }細節(jié)上有一個性能優(yōu)化點查詢向量在循環(huán)外只歸一化一次庫向量在入庫時也已經(jīng)歸一化所以內(nèi)循環(huán)就是純乘加運算。對于一萬張圖就是一萬次 1024 維的內(nèi)積主線程上大概 10 到 20 毫秒體驗完全能接受。如果查詢過程中發(fā)現(xiàn)結(jié)果明顯不對先別急著改模型檢查一下查詢向量和庫向量是不是都做了歸一化這是我踩過最多的坑。5. WebGPU 推理的坑我替你踩了一遍5.1 打開頁面發(fā)現(xiàn) navigator.gpu 是 undefined這是最常見的兼容性問題。用戶瀏覽器版本太老或者頁面不在 HTTPS/localhost 環(huán)境下都會導致 WebGPU API 不可用。我的處理方式是在應(yīng)用入口做雙保險先檢查navigator.gpu不可用時給出提示同時給用戶一個回退按鈕用 CPU 執(zhí)行器跑同一個模型。const useWebGPU gpu in navigator; const executionProviders useWebGPU ? [webgpu] : [cpu];不過要把預(yù)期管理好CPU 后端跑 MobileNet一次推理大概在 200 到 400 毫秒小圖庫勉強能接受大圖庫就差很多。項目上線前一定提前確認目標用戶群用的瀏覽器版本不要指望所有用戶都有最新版 Chrome。5.2 首次推理慢得像假死預(yù)熱能解決多少WebGPU 的“首次運行慢”是新手遇到最多的現(xiàn)象明明同一個模型第二次跑快得很第一次卻可能要等好幾秒。原因是 WebGPU 后端需要把計算管線編譯成 GPU 指令這個編譯過程在第一次用一組算子形狀時觸發(fā)。方案就是預(yù)熱。session 創(chuàng)建完成后立即用一張和真實輸入尺寸完全一樣的假圖跑一次推理。這里強調(diào)“尺寸完全一樣”因為 WebGPU 管線編譯是按輸入形狀緩存的你用 224x224 預(yù)熱之后如果突然來一張別的尺寸輸入會再次觸發(fā)編譯。因此我在項目里把所有輸入都固定 resize 到 224x224避免形狀變化。預(yù)熱還有一個副作用就是能把 wasm 實例跑熱后續(xù)的線程調(diào)度也會更穩(wěn)定。5.3 WebGPU 結(jié)果和 CPU 推理不一致心里慌不慌這個現(xiàn)象我遇到的時候也慌了一下。同一張圖CPU 推理出來 Top1 結(jié)果和 WebGPU 推理出來有一點偏差尤其是在 FP16 支持不完整的顯卡上。原因在于 WebGPU 后端為了性能在部分 GPU 算子上會使用半精度浮點計算而 CPU 后端通常用全精度 float32。MobileNet 這類模型對浮點精度誤差有一定容忍度最終特征向量的歸一化數(shù)值不會差很多但如果你在兩個后端上對比精確值會有細微差異。處理方式要分場景。如果是檢索排序微小的特征數(shù)值波動一般不影響 TopK 結(jié)果不用過度擔心。如果你在做嚴格的精度對比實驗可以在創(chuàng)建 session 時把 WebGPU 后端的浮點精度設(shè)置調(diào)整一下。具體參數(shù)在不同版本里命名不一樣建議查 onnxruntime-web 官方文檔。我在項目里用的策略是用搜索結(jié)果的相似度閾值來判斷是否可信低于閾值的查詢直接提示用戶“可能沒有相似圖片”而不是讓用戶盯著一個不靠譜的 Top1 猜來猜去。5.4 跨域與 WASM 加載報錯最容易讓人連夜排查onnxruntime-web 是 WASM 程序要跑多線程還需要 SharedArrayBuffer。瀏覽器對 SharedArrayBuffer 有嚴格限制要求頁面處于跨域隔離狀態(tài)也就是必須帶上Cross-Origin-Opener-Policy: same-origin和Cross-Origin-Embedder-Policy: require-corp這兩個響應(yīng)頭。如果你的頁面部署在普通靜態(tài)服務(wù)器上沒配置這兩個頭控制臺會報一堆跟 WASM 相關(guān)的錯誤最常見的是 “SharedArrayBuffer is not defined” 或者 wasm 加載失敗。很多人會誤以為是模型文件路徑寫錯了其實問題出在響應(yīng)頭。解決方法是讓靜態(tài)服務(wù)器加上響應(yīng)頭同時給模型文件、wasm 文件等所有跨域資源加上Cross-Origin-Resource-Policy: cross-origin。如果你用的是 Nginx配置大概是這樣add_header Cross-Origin-Opener-Policy same-origin always; add_header Cross-Origin-Embedder-Policy require-corp always; add_header Cross-Origin-Resource-Policy cross-origin always;如果模型文件和頁面在同域也要確保模型文件響應(yīng)里帶上 CORP 頭。這個坑很容易出現(xiàn)在“本地開發(fā)好好的一部署到線上就崩”的場景里排查順序應(yīng)該是先看控制臺報錯再檢查響應(yīng)頭最后才懷疑模型文件。5.5 內(nèi)存問題session 重復(fù)創(chuàng)建和 canvas 泄漏瀏覽器端跑推理內(nèi)存泄漏通常不是 GPU 顯存問題而是 JavaScript 堆內(nèi)存被悄悄吃掉。最容易踩的一個坑是每查詢一次就調(diào)用一次InferenceSession.create。創(chuàng)建 session 要加載模型、實例化 wasm、初始化 WebGPU 管線這些對象在多次創(chuàng)建后如果沒有被正確釋放堆內(nèi)存會持續(xù)上漲。我一開始為了“保險”每個查詢都新建 session結(jié)果瀏覽器內(nèi)存從 100 多兆一路漲到 800 多兆頁面開始卡頓。后來改成全局單例 session問題直接消失。另一個坑是 canvas 對象。每次預(yù)處理都創(chuàng)建新的 canvas 并保留在局部變量里沒問題但要避免把 canvas 存在全局數(shù)組或者事件回調(diào)里。用ImageBitmap讀取圖片后要記得調(diào)用close()釋放底層資源尤其是在批量入庫幾百張圖時不釋放的話內(nèi)存漲得飛快。6. 工程化優(yōu)化從能跑到跑得穩(wěn)6.1 會話復(fù)用、預(yù)熱與內(nèi)存回收的落地工程化第一步就是把基礎(chǔ)的資源管理做好。session 全局唯一啟動時創(chuàng)建進程級復(fù)用。預(yù)熱跑一次假推理。索引查詢時給Float32Array用完后及時置空引用讓 GC 可以回收。這里給一個我在項目里用的初始化流程順序很重要checkWebGPU()檢查環(huán)境。創(chuàng)建 session指定executionProviders。執(zhí)行預(yù)熱推理捕獲異常如果 WebGPU 失敗則回退 CPU。從 IndexedDB 加載圖庫特征構(gòu)建內(nèi)存索引。注冊文件上傳、拖拽等事件。初始化是異步過程要給用戶一個 loading 狀態(tài)。瀏覽器端 AI 應(yīng)用最常見的體驗問題就是“沒有任何反饋地白屏幾秒鐘”用戶以為頁面壞了。我習慣在首屏渲染一個進度條至少告訴用戶模型正在加載。6.2 別讓主線程卡死Web Worker 與多請求并行推理和向量檢索都是 CPU/GPU 密集任務(wù)放在主線程會阻塞頁面交互。工程化方案是 Web Worker。在 Worker 里創(chuàng)建 onnxruntime session主線程通過postMessage傳ImageBitmap給 WorkerWorker 完成推理后把特征向量傳回來。ImageBitmap在結(jié)構(gòu)化克隆時是零拷貝的性能影響很小而且 Worker 里跑推理不會卡住頁面。多請求并行的實現(xiàn)要特別注意WebGPU 并不適合無限并發(fā)。GPU 的計算隊列本身是串行調(diào)度的同時發(fā)起幾十個session.run只會增加線程切換開銷并不會加快總吞吐。我的做法是在 Worker 內(nèi)維護一個任務(wù)隊列同一時間最多執(zhí)行一個推理任務(wù)。如果收到多個查詢請求按順序排隊處理。const taskQueue []; let running false; self.onmessage async (event) { taskQueue.push(event.data); if (!running) await processQueue(); }; async function processQueue() { running true; while (taskQueue.length 0) { const task taskQueue.shift(); const imageBitmap task.imageBitmap; const vec await extractFeature(imageBitmap); self.postMessage({ id: task.id, vec: Array.from(vec) }); } running false; }注意postMessage傳Float32Array也是結(jié)構(gòu)化克隆如果向量很大可以改用transferable轉(zhuǎn)移緩沖區(qū)所有權(quán)避免拷貝開銷。但轉(zhuǎn)移之后原數(shù)組就不能用了要確保 Worker 側(cè)不再持有引用。6.3 大圖庫檢索暴力枚舉不是終點純暴力枚舉在幾千張圖的時候表現(xiàn)不錯但圖庫到了十萬張數(shù)量級每查詢一次就要計算十萬次 1024 維內(nèi)積主線程就撐不住了。優(yōu)化思路是聚類剪枝。離線入庫時用 K-Means 把全部特征聚成 K 個類存下每個類的中心向量。在線查詢時先用查詢向量和 K 個中心計算相似度選出最相近的幾個類再只對這幾個類里的特征做精確比對。K 的取值我一般取 64 到 256取決于圖庫總量和目標延遲。這個方案在純前端實現(xiàn)起來不復(fù)雜效果卻非常明顯十萬張圖可以剪到只比對幾千張查詢時間從幾百毫秒降到幾十毫秒。如果向量維度可以降也可以降維。MobileNet 的瓶頸層特征本身有很強的信息冗余我在另一個項目里用 PCA 把 1024 維降到 256 維檢索 Top10 的召回率只下降了 2% 左右但內(nèi)存和計算量直接縮小到原來的四分之一。這個方向?qū)η岸藞鼍昂軐嵱谩?.4 更多落地場景相冊去重、商品同款、素材管理這套方案能做的事不止“以圖搜圖”一個場景。做相冊應(yīng)用時可以批量抽取相冊圖片特征然后做去重和相似聚類用戶不用手動整理幾千張照片。做電商場景時用戶拍一張商品圖瀏覽器直接在本地的商品庫里找同款不上傳圖片購物流程更順暢。做素材管理系統(tǒng)時設(shè)計師上傳一張參考圖本地檢索相似素材響應(yīng)速度遠超云端方案。如果你往里再疊加一個人臉檢測模型做區(qū)域裁剪檢索精度還能進一步提升。我的經(jīng)驗是MobileNet 提取的是全局特征對整圖的配色、構(gòu)圖、物體布局比較敏感但沒法做到精細的局部匹配。遇到這類需求可以在 MobileNet 之前接一個檢測模型或者換用多尺度特征融合的方案別指望一個全局特征解決所有問題。這個工程的延展性其實很好。模型文件可以換后端執(zhí)行器可以切索引策略可以升級但整體的“瀏覽器端特征抽取 本地向量檢索”架構(gòu)是穩(wěn)定可復(fù)用的。只要把extractFeature這個函數(shù)的輸入輸出協(xié)議定好后面換成任何其他特征提取模型業(yè)務(wù)代碼都不用改。這也是我在實際項目中比較受益的一個設(shè)計決策。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
啊啊啊啊好爽好舒服一区二区易域| 亚洲男人天堂2019| 色综合中文字幕不卡| 熟妇高潮精品一区二区三区下载| 日本精品一区二区三区四区的功能| 成人八戒网站| 91日产欧美| 人妻娇喘 激情视频| 欧美性爱18观看| 99热99re超碰精品| 亚洲素人综合| 亚洲做性| 一本一道波多野毛片中文在线| 人妻熟女字幕一区二区| 91国模| 最新国产亚洲精品精品国产亚洲综合| 欧美97视频| yw尤物av无码点击进入麻豆| 蜜臀操逼黄色视频操的好爽| 久久亚洲日韩国产欧| 亚洲激情综合另类男同| 一区二区三区四区五区高清无码永久视频 | 亚洲无限观看| 日韩人妻一区二区| 美女诱惑久久| 国产一区二区三区影片| 久久久久久久综合,国产| 一区二区乱码福利| 校园春色宗合网| 精品一国2| 97视频在线播放| 综合色图区| 久久东京热成人| www成人啪啪18秘 免费| 精品少妇人妻一区二区三区| 日韩国产在线观看av| 97超碰天天爱天天爱| 视频一区二区三区精品| 91天美传媒精品| 亚洲国产精品成人久久蜜臀| 人人色97| 国产视频第二页| 亚洲色综合| 97超碰伊人| www.狠狠| 人人妻人人爽| 69人妻精品一区二区绯色| 情色五月天就去干| 亚洲另类春色| 江都AV在线| 丰满美女一级毛片在线播放| 超碰综合色| 岛国免费视频在线| 91精品久久久久| 五月天综合| 色色色色色色色色综合| 激情五月天丁香社区| 精品美女少妇一区二区| 97免费在线视频在线观看| 综合97| 欧美亚洲第1页| 天天操夜夜操狠很操| 75大香蕉| 五月天婷婷色| 欧美大香蕉久| 91美女视频直播| 99ri精品| 亚州AV无码国产精品| 精品无码一区二区| 嗯嗯啊啊啊好爽| 亚洲欧洲综合| 欧美在线伊人色| 美国精品国产精品| 男人成人黄色视频在线观看免费下载| 欧美黑人精品一区二区| 熟妇女伦乱视频| 亚洲精品丝袜| 五月婷在线| 欧美性性性| 激情图片亚洲色图| 国产精品爆乳懂色蜜乳| 波多野结衣一级视频| 国产大学生口爆吞精合集| 欧美午夜视频| 亚洲,欧美,综合网| 欧美三四五区| 国产日逼视频| 亚洲色阁| 精品国产99| 亚洲国产精品久久久久婷婷老年| 操逼操逼操| 天操老女人| 丰满的三级少妇欧美久久久| 亚洲精品自拍| 天天亚洲| 丰满岳乱妇一区二区三区| 亚洲AV在线资源| 99热最新| 看一级特黄a大一片| 999精品久久久久久久| 欧美亚洲厕所精品偷拍91 | 无码 黑人一区二区三区| 日夜尻逼网| 亚洲精品欧洲精品| 99国产精品人妻人伦| 搡老人老9丨女老熟人| 啊啊啊免费视频| 无卡一区=区| 一区二区 电影 亚洲| 九九无码| 日本欧美成人片AAAA| 成人亚欧免费视频| 搡老女人老91妇女熟女| 中文字幕视频2区| a网站免费观看| Sekablack无码一区| 91日产欧美| 人妻中文在线| 久久久久亚洲AV无码专区少妇| 天天久久| 亚洲天天自拍| 国产精品3| 久久久性爱视频| 富二代亚洲精品99| 一区二区三区四区姦女| 国产一区二区三区不卡手机在线| 免费观看有码高清视频| 天天插天天操| 探花激情视频| 亚洲成A∨人影院在线欢看| 久久超碰com| 麻豆天美在线| 国模精品娜娜一二三区| 黄片不用下载在线观看| 中文字幕精品区先锋资源| 涩综合导航| 欧美东京热青青草| 婷婷伊人五月| 日韩精品一区二区高清| 欧美性生活免费网| 久久riav中文精品| 女人喷水视频在线观看| 亚洲色图欧美视频| 乱伦图av| 国产精品免费日韩| 性色av婷婷久久一区二区点复制| 欧美婷婷五月天| 欧美亚洲日本激情在线| 全球成人中文在线| 亚洲五月天激情| 久久婷婷五月天| 日韩高潮一区| 欧美夜夜| 欧美成人精品一区二区三区| 亚洲精品蜜桃久久久| 防屏蔽在线视频| 午夜啊啊| 日韩大香蕉| 97久久久| 九九九九热| 亚洲中文字幕在现观看| 亚洲中字幕日本一区二区三区| 草草电影院| 性无码专区2020| 女同女同恋久久级三级| 亚洲制服欧美另类内射| 九九Av| 99欧美| 99爱久久视频频| 日本淫穴在线| 欧美韩日精品99综合| 91爱啪| 亚洲欧美国产va在线播放频| 国产操逼视频在线观看| 爱av免费| 97WW精品| 97AV在线免费观看| 欧美在线视频观看一二三四区高清| 国产麻豆一区二三区| 青青草依人大香蕉| 亚洲精品免费中文字幕| 国产亲戚伦亲在线| 国产在线76页| 老女人碰碰在线碰碰视频| 国产高清不卡视频| 天堂性色| 亚洲中文国际强奸字幕| 久久久工口| 国产JDAV无码视频在线观看| 干美女人妻| 激情综合网激情综合| 五十路人妻在线| 天天爽天天操啊啊啊| 岛国爱情动作片在国产AV无码专区亚洲AV漫画| 黄片免费日韩| 黑人狂躁日本妞一区二区三区| 欧美操人| 亚洲人天堂| 三上悠亚在线毛片91| 亚洲成人妻日韩在线| 99无码| 日本天堂在线播放| 国产熟女少妇一区| 中文字幕精品久久久久人妻红杏ⅰ| 欧美激情超碰777| 欧美色图在线视频少妇| 中文字幕丰满子伦无码专区在线视频最新 | 人妻一区二区三区| 91精品操美女| 加勒比在线观看一区二区| 不卡啪啪视频| 欧美一二在线| 久操免费观看| 欧美性爱三区二区| 色黄污美女啪啪啪免费网站| 亚洲日韩一区电影| 97ai亚洲| 久久99精品视频| 欧美日韩青操| 人妻偷拍一区二区三区| 青青操少妇| 欧美色乱| www.激情| 97资源站国产精品| AV网站高清无码在线观看| 97在线免费看| 欧美人与动性人交a| 99热99色| www.成人无码| 日韩欧美三级| 伊人女女资源在线观看| 麻豆伊人网| 中国人高清www色视频免费| 人人色人人操在线| 天堂av最新电影网| 天天做日日爱夜夜爽| 加勒比日本在线| 超碰色综合| a网站免费观看| 无码九九九九| 婷婷丁香六月| 香蕉大久久久| 午夜乱轮操逼视频免费看| 久久98| 性生活性生大爱77AV国产| 超碰97欧美日韩| 欧美爆乳精品一区二区| 欧美天堂日韩三级国产传媒| 可以免费看黄片的视频| 亚洲自拍另类丝袜综合| 亚洲精品一二牛牛| 91欧美成人色站| 欧美日韩*字幕一区| 久久的网站啊啊啊啊啊| av一区二区三区不卡| 国产自产91区13区| 国产高清视频无码在线| 日韩精品99久久久久久中文字幕| 国产精品久久久久久久AV大片| 欧美天天插| 青青草久草| 超碰亚洲97| 麻豆区99999| 三男一女不戴套的A片| 中文字幕制服欧美久久一区| 强奸乱伦AV网址| 色月天AV导航| 国产精品高潮久久久无码| 大香蕉伊人亚洲| 91内射| 天天综合有色网| 素人一区二区三区日韩| 中文字幕免费看| 开心五月深爱五月| 日本一区视频在线观看| 精品人妻一区二区三区蜜桃视频| 亚洲色图激情小说| 国产家庭乱伦表演| 91n免费处女| 偷窥自拍亚洲天堂网爆| 大香蕉99999| 97一区二区蜜臀| 天天摸夜夜添无码小视频| 亚洲精品美女久久久久久久久| 91痴汉| 天天欧美色| 人人妻人人爽 97人人看碰人免费公开视频| 日韩精品9999| 色狠狠综合| 97超碰欧美| 九九九九免费高| 5278欧美一区二区三区| 精品久久久av无码免费| 囯产精品强| 日本三级大片| 超碰精品国产无码| 97资源亚洲| 一本一首道人妻少妇免费久久| 国产精选三级在线观看| 精品午夜福利导航| 久啪视频| 久久久久亚洲精品| www.夜夜| 高清成年美女黄网站免费大全| 超碰97人妻自拍| 91av天美性媒精品视频| 五月激情视频| 手机在线人成免费视频| 宅男91视频在线播放| 91艹B视频| 亚洲人妻久久| 91国产丝袜白虎| 99综合自拍| 丁香六月婷| 久久首页| 3PAV乱伦视频| 欧美激情内射| 2019午夜福利视频| 日韩天美| 色综合色色| 日韩在线一区二区| 亚洲 小说 欧美 激情 另类| 亚洲色图一区二区三区| 亚洲激情欧美色图| 99re6国产精品99re| 激情四射婷婷四五月天| 国产大学生高潮在线播放| 国产对白刺激视频| 亚洲欧美国产va在线播放频| 人妻三级在线中文字幕| 大色综合| 精品人妻一区二区三区视频在线| 热热色综合网| 91 国产丝袜在线播放-百度| 精品人妻1区| dy888午夜老子影视达达兔| 亚洲情色 无码专区| 好舒服视频| 99操| 欧美激情欧美精品| 日本丝袜美腿人妻九九| 日本三级久| 丁香六月啪啪| 国产97色在线| 无套内射性感少妇视频| 成人aⅴ一区二区三区| 久久久精品91八戒| 日韩av电影成人在线| 日韩成年人性爱视频| 日韩15p| 欧美人妻制服| 五十路三区在线| 天天天肏屄肏屄肏屄欧美欧美| 中文字幕熟女人妻丝袜丝| 日韩 女同 综合| 熟妇高潮精品一区二区三区下载| 丁香婷婷激情五月天无毒不卡| 99爱久久视频频| 99久久无色码| 麻豆福利视频导航| 久久久久久波多野吉衣高潮| 国产极品久久久| 成人av在线播放| 91久久久亚洲| 金典av| 人人手机欧洲亚洲国产人妻| 人妻av在线| 精品国产人成在线| 日韩国语字幕| 国产久久久久影院老熟女| 日韩Va亚洲va欧美Ⅴa久久| 91视频综合在线| 自拍偷拍2025在线观看| 97色色国产视频| 91在线视频免费播放| 98福利在线视频| 久久久免费高清中文视频| 久久五月综合| 国产精品高潮久久久无码| 精爱久久| 国产午夜激片Av毛片不卡| 97操97干| 91成人在线| 特级丰满少妇一级AAAA爱毛片| 强乱老妇中文字幕| 欧美最婬乱婬爆婬性视频| 日本免费一级AAA大片器| 欧美日韩系列| 欧美性,亚州色| 国产又操| 男女日B国产| 天美麻豆黄色录像| 熟妇视频一区二区三区在线观看| 夜色AV无码手机在线影院 | 台湾佬中文娱乐网久久久久久久久久com| 操逼日韩无码| 视频一区二区三区精品| 亚洲深夜福利| 青青欧美| 大香蕉AV丝袜| 视频分类 国内精品| 日本操逼视频免费| 一区二区播放| 成人综合视频久久| 青青草视频久久| 操逼www.| 一二三区操逼国产91| 干美女人妻| 午夜精品久久久99| 日本狠狠干| 超碰在线香蕉| 日本伦乱九九九综合| 97中文综合| 国产精品肉丝自拍| 欧美亚洲日本激情在线| 日本性感人妻91| 超碰99re| 四虎影视国产精品| 歐美性天天| 欧美极品女人的天堂| 欧美日韩 强奸乱伦| 久久伊人最新网址视频| 色欧美在线| 亚洲国产丝袜在线观看| 久久超碰、| 国产精品色色| 欧美国产日韩高清在线| 大香蕉专区| 98人妻精品一区二区色欲| 美女t无毒不卡不卡| 大香蕉国产中文自拍| 免费观看欧美日韩操逼视频| 91free福利| 草草网站影院白丝内射| 国产精品久久久久久久久久梁医生| 亚洲亚洲亚洲天堂天堂 | 99re99视频在线免费观看| 国产精品老师| 熟女六十路| av网站在线观看了| 三级精品三级在线观看| 欧美视频一| 超碰91在线| 日本幼女18+| 欧美日韩亚洲国产中文永久天天看| 1204av韩国| 97亚洲资源| 国产自产91区13区| 欧美三级一级| 厕所偷拍在线| 嗯啊不要啊啊在线观看视频| 亚洲精品97在线| 色噜噜综合在线| 色播五月丁香| 久久小视频| 欧美99| 日本色色色| 中文字幕在线免费观看视频| 黄片直播三级黄片两女一男| 入口操逼网站| 欧美日韩岛国大片在线观看| 一起草精品人妻| 国产精品一区二区 尿失禁| 加勒比久久综合网高清| 强奸乱伦资源| 日韩精品中文字幕二区| www.色五月| 99性爱视频| 久久超碰爱| 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 | av午夜玫瑰| 日本99一区二区| 骚女高跟AV在线| 嗯嗯啊啊好大好爽| 涩亚洲欧洲| 欧美亚洲系列| 亚洲欧美不卡线| 极品国产内射| 麻豆国产视频精品观看| 操学生天天| 九一综合精品视品av| 乱理日韩中文| 青青伊人久久| 四虎影视国产精品| 99精品人妻| 丁香色狠狠色综合久久小说| 性色av大全| 内射小黄片| 日逼视频日本| 人人操人人狠狠操| 97蜜桃综合| 欧美亚洲一区二区久久久婷精品大包诱| 久久神马影院| 久久一二三四五六七八九区| 天天综合青苹果| 日韩无码一级黄色av片| 日韩精品一区二区日韩| 久久激情五月| 女同性恋中文字幕| 国产精品亚洲一区二区三区四区| 亚洲AV色图| 国产亚洲精品玖玖玖在线观看| 97一区二区三区视频| 26uuu性物| 日韩免费性爱视频在线观看| 欧美性爱三区二区| 激情网五月天| 久久夜嗨| 国产视频第2页| 后入合集| 日韩欧洲操屄视频| 在线看免费无码AV天堂的| 嗯嗯啊操我| 91熟女综合| 国产AV线| 国产免费黄色一级大片| 一级黄色牲爱A级片| 亚州精品一区二区三区香中文字幕在线| 欧美色图私拍91| 国产精品久久久久久9999| 欧美日韩传媒| 色乱二区| 2025亚洲男人天堂| av橘色网站| 秋霞Av理论一级在线| 亚洲AV噜噜狠狠网址蜜桃动漫| 综合色99| 日韩精品第3页| 四虎精品永久在线观看| 亚洲激情在线观看一区| 五月婷婷六月色| 老女人老91妇女老热女| 亚洲国产综合图区中文字幕| 一本大道不卡一二三区| 99在线精品视频| 欧美综合自拍亚洲综合图| 69人妻精品一区二区绯色| 99久久国产精品免费高潮| 色偷综合| 午夜免费视频1000| 26UUU欧美日本| 欧美亚洲中文字幕| 欧美aa一级片| 亚洲熟妇图片| 日本免费二区三区| 一区二区三区视频国产免费| 久久最新免费视频23| 超碰97综合网| 国产熟女完整版中字| 狼人综合婷婷激情四射| 亚洲色图日韩丝袜制服一区二区五月在线| 大香蕉黄色一级片免费看| 久久久草成人网站久久久草成人久久久草久久久 | 亚洲天堂精品日韩电影| 亚洲黄色网址视频| 欧美性爱一内片一区二区三区| 99999亚洲另类| 91精品国产日韩欧美综合| 亚洲欧美一区二区三区在钱蜜桃| 天天草AV| 蜜臀99精品国产高清在线观看| 999国产精品999久久久久久| 激情啪啪视频| 97人人爱人人做人人乐| 嫩草 人人网精品| 久久久九97| 狠狠操夜夜操蜜桃视频三区| 五十路人妻在线| 免费的黄片有限公司| 国产原创精品| 操国产高清| 九九综合| 中文三一区| 成人性爱电影一区二区| 日韩人人精品| 午夜福利免费精品视频| 精国久久一区二区三区98| 国产强奸乱伦xd| 97WW精品| 欧美se综合| 丁香婷婷久久 | 熟妇高潮二区三区| 97色婷| 亚洲综合婷婷| 婷婷在线视频| 青青草操逼逼视频| 大香樵伊人网| 久操高青| 欧美最大综合网| 国产午夜在线观看| 偷拍欧美激情| 日产操逼| 欧美页片| 日本欧美一区二区三区免费| 在线小视频| 国产欧美日韩精品中文| 舔人妻中文免费视频| 欧美一区二区亚洲天堂| 日日骚一区二区三区| 99自拍视频在线| 夜夜欧美| 无码欧美有限公司| 国产色图乱伦| 精品人妻视频一区二区三区蜜桃视频| 九月丁香婷婷色| 久久视频,这里只有精品| 探花一区在线| 黄页| 欧美 亚洲 大香| 第四色奇米影视777| 夜夜爽爽夜夜精品视频| 日本在线激情一区二区三区| 人人妻人人爽| 一区二区三区国产精产| 26uuu性物| 夜夜嗨TV| 爱爱60秒免费视频| 日韩免费看在线黄色片| 99热8| 五月丁香色色网| 熟妇乱伦一区二区| 9 7超碰在线免费观看| 国产一级内射无挡观看| 久久精品无码熟妇一区二区三区视频导航 | julia高潮后不停追击中出| 免费国产视频| 国产成人主播| 国产无马av| 口爆欧美91| 青青久久手机线视频| 蜜区区视频79| 第四色色综合91| 亚洲日韩美国人妻| 97国产精品一区二区传媒公司| 国产日韩精品一区二区三区| 中文字幕亚洲永久精品| 骚鸭AV| 9久久9综合| 国产精品爽爽va在线观看98| 97精| 屁股久久久久久久久| 激情第四色| 美女自卫慰黄网站免费| 色综合超碰超| 一起草欧美| 亚洲人精| 亚洲色图一区二区三区| 久久艹逼视频| 青娱乐手机日韩在线视频| 97久久久| 后入式五六区| 亚州成人a∨| 超碰97人人乐| 精品久久久久瑟瑟| 97人人模人人爽人人| 日韩免费中文字幕视频| 久久99久久99精品天美传媒棢·纸:. | 久草色悠悠在线视频| 3p国产色噜噜一区| 日日操免费视频| 亚洲综合在线91| 欧美亚洲美少妇一区二区| 丁香婷婷色五月| av天堂天堂av日韩| 精品国产一区探花在线观看| 国产精品97超碰| 中文字幕88av在线| 欧美日韩超碰在线| 久草视频在线视频在线视频在线观看| 久久久久久久强迫| 国产精品免费视频不卡| 国产97色在线| 二级毛片| 91操人| 天天综合网在线观看| 亚洲色图久久精品蜜| 久久激情婷婷| 又大又黄国产| 深田咏美亚洲精品福利社| 99精品九九九九九九| 91高潮喷水美女| 天天干天天日天天射黄色大片| 日本三级R| 精品人妻一区二区视频| 欧美操人视频| 亚洲全色网| 中文字幕熟女人妻丝袜丝| 亚洲老司机123专区| 无码欧美有限公司| 天天插天天干| 不卡免费av在线播放| 黄片色区软件| 亚洲一区二区久久久久| 白丝被操91| 国产内射爽爽大片| 中文字幕99999| 色色九区| 久久久少妇诱惑精品视频| 亚洲视频一二区| 欧美性,亚州色| 蜜桃传媒一区二区亚洲| 亚洲欧美一区二区三区在钱蜜桃| 九九久久99| 欧美 亚洲 偷拍自拍| 午夜电影在线观看无码专区| h4610国产人妻| 波多野结衣被操50分钟免费视频| 三级日韩一区二区三区| 国产精品爆乳懂色蜜乳| 又粗又长又大国产不卡| 日韩无码极品| 夜草网站| av爱爱爱| 一二三四视频中文字幕在线看| 中国操逼无码| 都市久久精品激情亚洲| 天天色怡春院| 青青欧美| 精品制服美女中文一区二区三区| 免费99精品国产自在在线| 婷婷九月国产| 中文一区在线日| 男人干美女| 大香蕉综合| 人人摸人人干| 伊人玖玖网| 欧美午夜视频| 视频黄站| 9I1性色影院| 国产精品午夜精品| AV有码在线| 久久久久久9| 日韩操啪| 欧美老妇曰批的视频| 人妻中文字幕日韩电影| 欧亚免费视频| 深爱五月婷婷| 在线观看十八禁| 久久精品老司| 乱码人妻一区二区三区| 亚洲做性| 国产精品日日摸夜夜添骚逼| 偷拍偷窥与盗摄视频专区| 中文字幕精品一区欧美| 强歼乱伦资源网| 色5月婷婷| 九九成人视频| 国产亚洲 中文欧美久久| 日韩一级二级在线| 久草热制服丝袜在线观看 | 欧美91色| 啊啊啊啊啊啊啊国| 亚洲狼狼干综合1| 97bbn| 啊啊啊啊无码| 五月天我淫我色av| 国产精品久久久久久久AV大片| 日韩卡一卡二卡三在线| 99在线观看| 夜夜高潮夜夜爽| 欧美成人国产精品| 激情欧美97| 亚洲成人在线高清| 日本性爱少妇| 欧美熟爽综合| 操曰本熟女| 色综91| 国产成人一级av88| 人人摸人人干| 欧美国产成人在线| 在线视频资源| 成人日韩3| 天天躁日日躁AAA片李宗瑞| 天天爽天天爽| 天天综合网AV91| 色臀AV| 亚洲成人av电影在线| 五月丁香综合激情| 素颜老阿姨乱情色| 久久系列| 国产网站在线播放| 偷拍 精品 另类 四区| 久久久久久久久久久久欧美日| 色欧美综合| 欧美人妻久久精品二区三区| 欧美黑人性猛交91| 91熟女视频网| 亚洲精品白浆高清久久久久久| 一区二区三区欧美激情| 青青草在线视频欧美| 久久有码视频| 国产日韩在线播放av| 少妇被c 黄 免费观看| 国产精品无码在线| 99啪啪视频| 精品无码久久| 久久久久亚洲?V片无码V| 91oumei| 少好三P| 亚洲男人久久综合天堂| 中出91| 加勒比久久av| 男女激烈网站最新| www.狠狠| 黑人精品欧美一区二区蜜桃| 欧美日韩色综合网| 台欧久久精品视频| 国产后入式在线观看| 午夜乱轮操逼视频免费看| 亚洲天堂人妻一区二区| 色狠狠一区二区三区香蕉| 岛国网址国产| 亚洲三级网址久久最新| 麻豆精品.欧美精品.日韩精品.| 亚洲国产精品无码AV在线| 国产亚卅97| 97超碰站| 午夜精品久久久久久久男人的天堂| 国产AV线| 懂色av色欲av蜜臀av| 91偷拍欧美亚洲| 中文字幕熟女人妻丝袜| 操操碰| 久久久久久裸体| 中文精品一区二去| 精品人妻二区三区| 少妇久久久久久| 天天日少妇逼AV| 青青草依人大香蕉| 中文字幕日本久久| 人妻喷水| 美女国产一区二区久久| 久日综合网| 日韩无码三级影院| 色色99| 欧美亚洲se91| 丁香九月 婷婷| 久久男人网| 一级人妻性爱视频| 欧美高清性猛交| yiqicaoav| 91人妻丝袜无码| 欧洲特黄毛片免费看欧洲毛片| 久久色情| 99AV| 色情成人五月天| 一二三区精品视频| 综合熟女| 久久久久久久97| 亚洲五月丁香花狠狠干一区二区三区| 91美女小视频| 欧美亚州手机在线| 男人亚洲天堂| 看黑人AV不卡| 三男一女不戴套的A片| 一区二区三区日韩欧美| 黄色香蕉视频网站一区| 九九热这里只有在线精品视 伊人草 成人菠萝蜜视频在线观看 | 日产欧美电影一区二区三区| 一区=区三区视频| 亚洲欧美色图小说| 97干天天| 搡老女人老妇女AAA一VU麻豆| 男人的天堂日本东京热| 亚洲αv一区二区三区| 伊人四虎综合| 狠狠综合网| 丰满人妻一区二区三区免费 | 欧美九9 9 9| 国产一区在线播放| 人人爱人人乐人人操| 嗯阿好爽好紧| 日韩黄色av中文字幕| 亚洲成人妻日韩在线| 强奸乱伦中文字幕AV| 91超碰丝袜制服| 人妻久久久久久| 91色综合| 嫩草影院永久在线制服丝袜| 首页中文字幕中文字幕免费| 国产9熟妇视频网站| 人妻少妇蜜桃视频欧美一区| 91福利网在线观看| 亚洲天堂美臀在线| 中文字幕在线日亚洲9| 日本色日夜干| 亚洲国成人情色好看电影| 性爱乱伦视频免费| 一二区在线观看视频| 欧美日韩国产中文超碰| 亚洲97综| 青春草A| 国产91久久九九免费精品无码| 变态综合色| 玖玖蜜臀资源网| 天天做日日做天天欢。| 91性网| 在线视频一区二区传媒| 操逼逼福利视频| 久午视频| 国产乱码精品久久久久久| 立川理惠加勒比无码| 精品人妻15区| 日本天堂网| 日韩黄色电影网站| 久久综合婷婷| 嫩草影院永久在线制服丝袜| 欧美色一二三| 欲色影视综合吧| 97中文字幕色| 人人妻人人色| 1.igao73.com 加入收藏 免费专区 国产精品 中文字幕 日韩精品 欧美精品 精彩 | 九九九九免费| 97超碰天天爱天天爱| 新版天堂中文资源8在线| 黄骗免费网站| 99国内熟女露脸视频| 午夜精品久久久久久久男人的天堂| 综合伊人激情| 少妇高潮一区二区三区在线| 亚州再线| 五月婷婷六月丁香| 国产最新小视频在线播放下载| 麻豆熟妇乱妇熟色A片在线看| 中文字幕乱码人妻一区二区三区,99精品| 午夜理论片在线观看免费| 超碰97色| 亚洲日韩黑丝| 欧美日韩电影一区二区| 综合五月婷婷| 国产99精品一区二区三区免费| 超碰97 线线 在现| 999熟女精品| 欧美日本久久精品一区| 亚洲黄色影视| 一个色导综合| 极品人妻少妇综合| 操死我了嗯嗯嗯| 99热97| 日本午夜久久电影| 一本久道在线综合视频| 夜夜爽夜夜爽| 在线洲亚线| 天天激色| 青青草精品| 极品色社| 女人高潮抽搐喷水视频网站| 一级做受视频免费是看美女| 久久精品成人一区二区三区蜜臀 | 久久久精品一区二区| 天天摸夜夜摸| 亚洲欧美色图片| 全国男人天堂网| 亚洲天天影视色综合| www.一本大99| 亚洲激情网一二三四区| 日韩成人性爱电影在线播放| 人人摸.人人色| 91精品人| 性色aV一区二区三区噜噜| 久久九九久精品国产尤物|国产精品爽黄69天堂A片潘金莲,国产亚洲精品第一综合 | 九九热这里只有在线精品视 伊人草 成人菠萝蜜视频在线观看 | 黄色大片视频在线免费看| 欧美同性恋 的搜索结果 - 91n| 2026国产精品视频| 亚洲黄日韩无码专区| 97亚洲综合电影| 久久婷婷五月天| 亚洲欧美经典一区二区| 午夜无码精品免费看性色| 免费1级a做爰片观看| 香港澳门日本三级网站| 久久大| 啊啊啊啊操死我| 日韩精品一二三| 国产丸一视频| 国产AV人人 夜夜人人澡| 青青11操操操操操操操操| 精品色色| 日本欧美成人片AAAA| 探花激情视频| 久久骚| 性在久久久久久| 亚洲色图 综合| 一区二区三区黄片免费观看| 久久久A∨| 亚洲人妻日日日| www色色com| 精品欧美日韩在线观看| 色天天野狼综合社区| 婷婷五月天网| 丁香五月激情五月| 六月丁香婷| 大香蕉综合网| 色五月婷婷五月天| 国产尹人在线视频免费| 亚洲中文日韩欧美大香蕉视频| 天天夜躁日日躁狠狠2002| 亚洲资源站| 99999久久精| 久久啊啊| 国产农村妇女精品| 一起草三级AV电影在线观看| 亚洲av噜噜噜噜噜噜| 亚洲男人综合| 黄色片一区二区三区四区五区 | 久久久久13| 久久久久久久一级黄色打同平台| 日本久久久久久久久| 久久色一区| 久久伊人青青草| 激情综合网一盗摄| 夜夜国自区| 东京热,男人的天堂| 欧美天天综合网| 日本精品中文字幕视频| 变态乱伦伪娘灌肠一区二区| 国产AV久久野战精品| 国产伦乱91| 最新欧洲欧美日本激情网站| 操九九九九九九| 亚洲天堂自拍| 久久超碰av在线| 97se亚洲| 免费在线看黄片av| 亚洲熟女精品| 人人操人人摸人 | 久久一区,青青青青草视频在线播放| 综合网久久| 日韩中文9| 男人天堂新| 国产亚洲福利第一页丝袜| 一本久道在线综合视频| 抽插无码高清一区| 一区二区偷拍拍视频| 伊人色综合超碰| 久久视频,这里只有精品| 色约约一区=区三区| 欧洲性爱无码区| 国产日逼视频| 青青操狠狠撩| www.狠狠干.coom | 日本三级久| 97大色网| 超碰 国产熟女精品一区| 色噜噜国产精品视频一区二区| 天天做天天爱夜夜爽毛片试看| 玖玖玖玖精品国产剧情| 九九九九九九九精品视频| 国产传媒日本欧美专区| 国产免费久久精品99re韩国| 在线洲亚线| 伊人热综合| 久久精品亚洲成a人天堂| 国产精品久久久亚洲一区| 欧美视频激情久久久久久| 亚洲综合色图欧美| 91一区二区三区蜜桃| 强免费黄色网址| 岛国小电影| 玖日综合网| 午夜成人爽爽爽爽A片李冰冰| 五月天丁香婷婷综合网站| 大香蕉色十月| 97超碰中文| 欧美激情综合| 果冻国产精品麻豆成人av| AV天堂丝袜| 超碰综合97在线| 久9re热视频这里只有精品| 超碰人人超在线观看| 欧洲乱码一区二区| 成人九九| 在线播放免费av福利片| 五月天精品| 蜜臀亚洲综合一二三四区| 精品黄色电影| 韩国黄片aaaa| 国产精品视频电影| 9久9久9久9久视频网站| 麻豆国产视频精品观看| 国内外色色色色色成人视频| 欲射影视| 日本阿v天堂在线观看| 视频分类 国内精品| 男人干美女| 啊啊啊啊好爽好舒服一区二区易域| 岛国在线一区二区三区| 亚洲国产剧情少妇激情| 怡春院久久| 福利伊人玖玖国产| 美女淫穴| 91视频在线观看18| 亚洲午夜AV| 综合色拍| 日韩免费中文字幕视频| 丁香五月天视频| 天天天操天天天爱| 中国一级操逼视频| 狼人综合婷婷激情四射 | 日本啊啊啊啊啊视频| 少妇熟女一区二区三区| av天堂5| 操逼999| 秋霞操逼片| 久久久久骚| 久久久久久久| 天天操天天舔| 97网址97| 天天摸夜夜添无码小视频| 好淫网一二三视区| 亚洲天堂电影网99999| 色五月综合| 少妇69中文| 91精品久久久| 九九在线视频| 久久成人午夜狠狠| 亚洲高清欧美总合| 综合免费无码中文| 婷婷三区| nuu12国产麻豆精品| a片久久久久久久久久久久 | 深夜激情| 无码聚合| 久久原创中文| 操逼www.| 91丝袜熟女| 亚洲精品一二区| 伊人aaa| 日韩国产在线观看av| 无码操逼天堂| 成年人性爱日韩| 超碰欧美97资源| 在线国产探花| 91成人精品| 6080yy午夜理论三级一区二区三区无码| 伊人九九九| 久久天天摸| 欧美日韩插逼视频| 亚洲成人精品久久久| 九九精品99| 婷婷九月国产| 岛国黄色大片网站| 99精品丰满人妻无码| 91 亚洲 欧美 日韩 国产 综合| 九七人妻在线| 最新国产精品久久精品| 黄色av播放免不| 亚洲精品国产专区在线观看| 巨爆乳肉感一区二区三区竹菊影视| 青青草导航在线视频| 亚洲 欧美 手机在线观看| 亚洲综合色在线| www.色操逼| 精品少妇99| 亚州精人品大香蕉| 日本一级特级毛片视频| 天天摸夜夜摸| 伊人黄色片| 中文字幕乱偷人妻久久艾草网|