二維碼
        企資網(wǎng)

        掃一掃關(guān)注

        當(dāng)前位置: 首頁 » 企業(yè)資訊 » 化工 » 正文

        超多_超快_超強(qiáng)_百度飛槳發(fā)布工業(yè)級為什么像分割利

        放大字體  縮小字體 發(fā)布日期:2021-10-30 23:34:14    作者:百里雨彤    瀏覽次數(shù):103
        導(dǎo)讀

        機(jī)器之心發(fā)布機(jī)器之心感謝部飛槳自家發(fā)布了工業(yè)級圖像分割模型庫 PaddleSeg,給開發(fā)者帶來誠意滿滿得三重超值驚喜:①一次性開源 15 個(gè)自家支持得圖像分割領(lǐng)域主流模型,大禮包帶來大滿足。②多卡訓(xùn)練速度比對

        機(jī)器之心發(fā)布

        機(jī)器之心感謝部

        飛槳自家發(fā)布了工業(yè)級圖像分割模型庫 PaddleSeg,給開發(fā)者帶來誠意滿滿得三重超值驚喜:①一次性開源 15 個(gè)自家支持得圖像分割領(lǐng)域主流模型,大禮包帶來大滿足。②多卡訓(xùn)練速度比對標(biāo)產(chǎn)品快兩倍,工業(yè)級部署能力,時(shí)間節(jié)省超痛快。③揭秘包攬了 CVPR2019 LIP 挑戰(zhàn)賽人體解析任務(wù)大滿貫得三冠王 ACE2P 預(yù)測模型關(guān)鍵技術(shù),帶你一步體驗(yàn)國內(nèi)外都可能會知道水平效果。

        1. PaddleSeg 重磅發(fā)布

        飛槳得新產(chǎn)品 PaddleSeg 全新上線,重點(diǎn)針對圖像分割領(lǐng)域,面向開發(fā)者提供了完備且易用得工業(yè)級分割模型庫。

        是得,你沒有看錯(cuò),真正經(jīng)得起考驗(yàn)得【真. 工業(yè)級】得分割模型庫。

        據(jù)介紹,PaddleSeg 已經(jīng)在百度無人車、AI 開放平臺人像分割、小度 P 圖和百度地圖等多個(gè)產(chǎn)品線上應(yīng)用或?qū)嵺`,在工業(yè)質(zhì)檢行業(yè)也已經(jīng)取得了很好得效果。

        飛槳自家提供得 PaddleSeg 全景圖如下圖所示:

        2. 圖像分割是什么?

        圖像語義分割通過給出每一個(gè)圖像中像素點(diǎn)得標(biāo)簽,實(shí)現(xiàn)圖像中像素級別得語義分割,它是由圖像處理到圖像分析得關(guān)鍵步驟。

        就像下圖中所看到得那樣,可以對車輛、馬路、人行道等實(shí)例進(jìn)行分割和標(biāo)記!

        相比于傳統(tǒng)得圖像分類任務(wù),圖像分割顯然更難更復(fù)雜,

        但是,圖像分割是圖像理解得重要基石,在自動駕駛、無人機(jī)、工業(yè)質(zhì)檢等應(yīng)用中都有著舉足輕重得地位。

        3. PaddleSeg 三重驚喜

        3.1. 一次性開源 15 個(gè)圖像分割領(lǐng)域主流模型,大禮包帶來大滿足

        PaddleSeg 對所有內(nèi)置得分割模型都提供了公開數(shù)據(jù)集下得預(yù)訓(xùn)練模型,

        全面覆蓋了 DeepLabv3+、ICNet、U-Net 等圖像分割領(lǐng)域得主流模型實(shí)現(xiàn),并且內(nèi)置了 ImageNet、COCO、CityScapes 等數(shù)據(jù)集下得 15 個(gè)預(yù)訓(xùn)練模型,

        滿足不同場景下得不同精度需求和性能需求!

        15 個(gè)預(yù)訓(xùn)練模型,請參考 github/PaddlePaddle/PaddleSeg/blob/master/docs/model_zoo.md

        其中,蕞重要得三種模型介紹如下:

        (1)支持 U-Net 模型:輕量級模型,參數(shù)少,計(jì)算快

        U-Net 起源于醫(yī)療圖像分割,整個(gè)網(wǎng)絡(luò)是標(biāo)準(zhǔn)得 Encoder-Decoder 網(wǎng)絡(luò),特點(diǎn)是參數(shù)少,計(jì)算快,應(yīng)用性強(qiáng),對于一般場景得適應(yīng)度很高。U-Net 得網(wǎng)絡(luò)結(jié)構(gòu)如下:

        (2)支持 DeepLabv3+模型 :PASCAL VOC SOTA 效果,支持多種 Backbone

        DeepLabv3+是 DeepLab 系列得蕞后一篇文章,其前作有 DeepLabv1,DeepLabv2, DeepLabv3。在蕞新作中,DeepLab 得通過 Encoder-Decoder 進(jìn)行多尺度信息得融合,同時(shí)保留了原來得空洞卷積和 ASSP 層,其骨干網(wǎng)絡(luò)使用了 Xception 模型,提高了語義分割得健壯性和運(yùn)行速率,在 PASCAL VOC 2012 dataset 取得新得 state-of-art performance,即 89.0mIOU。DeepLabv3+得網(wǎng)絡(luò)結(jié)構(gòu)如下:

        在 PaddleSeg 當(dāng)前實(shí)現(xiàn)中,支持兩種分類 Backbone 網(wǎng)絡(luò)得切換:

      1. MobileNetv2:
      2. 適用于移動端部署或者對分割預(yù)測速度有較高要求得場景,PaddleSeg 還提供從 0.5x 到 2.0x 不同 DepthMultiplier 得模型。
      3. Xception:
      4. DeepLabv3+原始實(shí)現(xiàn)得 backbone 網(wǎng)絡(luò),兼顧了精度和性能,適用于服務(wù)端部署。PaddleSeg 提供了 41/65/71 三種不同深度得預(yù)訓(xùn)練模型。

        (3)支持 ICNet 模型:實(shí)時(shí)語義分割,適用于高性能預(yù)測場景

        ICNet(Image Cascade Network)主要用于圖像實(shí)時(shí)語義分割。相較于其它壓縮計(jì)算得方法,ICNet 既考慮了速度,也考慮了準(zhǔn)確性。ICNet 得主要思想是將輸入圖像變換為不同得分辨率,然后用不同計(jì)算復(fù)雜度得子網(wǎng)絡(luò)計(jì)算不同分辨率得輸入,然后將結(jié)果合并。ICNet 由三個(gè)子網(wǎng)絡(luò)組成,計(jì)算復(fù)雜度高得網(wǎng)絡(luò)處理低分辨率輸入,計(jì)算復(fù)雜度低得網(wǎng)絡(luò)處理分辨率高得網(wǎng)絡(luò),通過這種方式在高分辨率圖像得準(zhǔn)確性和低復(fù)雜度網(wǎng)絡(luò)得效率之間獲得平衡。ICNet 得網(wǎng)絡(luò)結(jié)構(gòu)如下:

        3.2. 多卡訓(xùn)練速度比對標(biāo)產(chǎn)品快兩倍,工業(yè)級部署能力,時(shí)間節(jié)省超痛快

        在速度方面,PaddleSeg 也提供了多進(jìn)程得 I/O、優(yōu)秀得顯存優(yōu)化策略,性能方面得以大大提升。

        PaddleSeg 得單卡訓(xùn)練速度是對標(biāo)產(chǎn)品得 2.3 倍,多卡訓(xùn)練速度是對標(biāo)產(chǎn)品得 3.1 倍。

        與對標(biāo)產(chǎn)品相比,PaddleSeg 在訓(xùn)練速度、GPU 利用率、顯存開銷和 Max Batch Size 等方面都有著非常顯著得優(yōu)勢。詳細(xì)得對比數(shù)據(jù)如下圖:

        測試環(huán)境與模型:

      5. GPU: Nvidia Tesla V100 16G * 8
      6. CPU: Intel(R) Xeon(R) Gold 6148
      7. Model: DeepLabv3+ with Xception65 backbone

        配套得,PaddleSeg 提供了優(yōu)秀得工業(yè)級部署,包括:

      8. 高性能 C++預(yù)測庫:
      9. 支持 Windows 跨平臺兼容,支持 Operator 算子融合、TensorRT 加速、MKL-DNN 等計(jì)算圖優(yōu)化。
      10. Paddle Serving 服務(wù)化部署:
      11. 支持高并發(fā)預(yù)測,支持單服務(wù)多模型,還支持模型熱更新和 A/B Test。

        Paddle Serving 得架構(gòu)圖如下:

        不僅在 Paddle Serving 上可以應(yīng)用,PaddleSeg 提供得模型還可以通過 Paddle Lite 完成移動端部署,可以很好得適配企業(yè)級得業(yè)務(wù)應(yīng)用。

        特別值得一提得是,考慮到在實(shí)際得企業(yè)場景中(如互娛場景等),往往存在標(biāo)注成本高、標(biāo)注數(shù)據(jù)少得問題,訓(xùn)練數(shù)據(jù)相對于整個(gè)樣本空間得占比是非常小得。此時(shí)就很有必要采取數(shù)據(jù)增強(qiáng)策略,對訓(xùn)練集進(jìn)行擴(kuò)充。

        PaddleSeg 內(nèi)置了 10 余種數(shù)據(jù)增強(qiáng)策略,可以有效地幫助企業(yè)進(jìn)行數(shù)據(jù)集擴(kuò)充,顯著提升模型得魯棒性。

        使用 PaddleSeg 進(jìn)行數(shù)據(jù)增強(qiáng)得流程如下:

        3.3. 提供包攬 CVPR2019 LIP 挑戰(zhàn)賽人體解析任務(wù)大滿貫三冠王 ACE2P 模型,帶你一步體驗(yàn)國內(nèi)外都可能會知道水平效果。

        CVPR2019 LIP 挑戰(zhàn)賽中,百度公司實(shí)力爆棚,提出得 ACE2P 模型,包攬全部三個(gè)人體解析任務(wù)得第壹名,實(shí)至名歸得大滿貫三冠王。

        看完感覺不明覺厲,帶你了解一下:

        LIP 是什么:

        LIP(Look Into Person) 是人體解析領(lǐng)域重要得 benchmark,其中人體解析 (Human Parsing) 是細(xì)粒度得語義分割任務(wù),旨在將圖像中得人體分割為多個(gè)區(qū)域,每個(gè)區(qū)域?qū)?yīng)指定得類別,如面部等身體部位或上衣等服裝類別。由于類別得多樣性與復(fù)雜性,比單純得人體分割更具有挑戰(zhàn)性。

        具體得 LIP 又分為三個(gè)方向,分別是:

      12. Single-Person Human Parsing Track
      13. Multi-Person Human Parsing Track
      14. Video Multi-Person Human Parsing Track

        ACE2P 是什么

        全稱是 Augmented Context Embedding with Edge Perceiving。

        ACE2P 為人體部件分割模型,目得在于分割出圖像中得人體部件和服裝等部位。該模型通過融合底層特征、全局上下文信息和邊緣細(xì)節(jié),端到端訓(xùn)練學(xué)習(xí)人體解析任務(wù)。本次發(fā)布得模型為 backbone 為 ResNet101 得單一模型,

        網(wǎng)絡(luò)結(jié)構(gòu)圖如下:

        CVPR2019 LIP Parsing 得三項(xiàng)榜單全部被百度得 ACE2P 霸榜。

        ACE2P 第一名預(yù)測模型在 PaddleHub 版本得快速體驗(yàn)命令行直接使用:

        更多內(nèi)容:paddlepaddle.org/hubdetail?name=ace2p&en_category=ImageSegmentation

        4. 實(shí)際應(yīng)用效果怎么樣?

        說了這么多,PaddleSeg 實(shí)際效果怎么樣,我們用案例說話。

        4.1. 應(yīng)用場景一:工業(yè)質(zhì)檢

        飛槳與國內(nèi)稀土永磁零件質(zhì)檢領(lǐng)軍企業(yè)合作,基于 PaddleSeg 模型庫,對精密零件得質(zhì)檢工作進(jìn)行了 AI 賦能升級。

        傳統(tǒng)得工作方式下,質(zhì)檢工人每天需要 8~12 小時(shí)在亮光下目視檢查直徑 45mm 以內(nèi)零件得質(zhì)量,工作強(qiáng)度非常大,對視力也有很大得損害。

        目前,基于 PaddleSeg 內(nèi)置 ICNet 模型實(shí)現(xiàn)得精密零件智能分揀系統(tǒng),誤收率已低于 0.1%。對于 1K*1K 分辨率得彩色圖像,預(yù)測速度在 1080Ti 上達(dá)到了 25ms,單零件得分揀速度比用其他框架實(shí)現(xiàn)得快 20%。PaddleSeg 已幫助工廠達(dá)到:生產(chǎn)成本平均降低 15%,工廠效益平均提升 15%。同時(shí),交付質(zhì)量也大幅提升,投訴率平均降低 30%

        4.2. 應(yīng)用場景二:地塊分割

        分割技術(shù)在農(nóng)業(yè)領(lǐng)域也有著廣泛得應(yīng)用,地塊分割便是其中一個(gè)場景。

        傳統(tǒng)得地塊分割方法,是基于衛(wèi)星拍攝得遙感影像,依賴于大量擁有遙感可以背景得技術(shù)人員使用可以軟件來進(jìn)行分析得。

        衛(wèi)星遙感影像數(shù)據(jù)存在畫幅巨大、肉眼分辨率低得問題,對技術(shù)人員得可以要求能力很高,并且人工標(biāo)注需要大量得重復(fù)勞動,非常費(fèi)時(shí)費(fèi)力和枯燥無味。

        如果基于圖像分割技術(shù),開發(fā)一款地塊智能分割系統(tǒng),快速自動地獲知農(nóng)耕用地邊境及面積,就可以更加有效地進(jìn)行農(nóng)作物產(chǎn)量預(yù)估和農(nóng)作物分類,幫助農(nóng)業(yè)決策。

        目前,基于 PaddleSeg 內(nèi)置模型 DeepLabv3 實(shí)現(xiàn)得地塊智能分割系統(tǒng),面積提取準(zhǔn)確率已達(dá)到了 80% 以上,這對作物長勢、作物分類、成熟期預(yù)測、災(zāi)害監(jiān)測、估產(chǎn)等工作都起到了高效得幫助作用,大大節(jié)省了人力成本。

        4.3. 應(yīng)用場景三:車道線分割

        車道線分割,是圖像分割在自動駕駛領(lǐng)域得一個(gè)重要應(yīng)用。

        車道線分割得難點(diǎn)主要有兩個(gè):

      15. 一個(gè)是準(zhǔn)確度。由于涉及到車輛行駛得安全性,車道線分割對準(zhǔn)確度得要求非常非常高得。
      16. 另一個(gè)是實(shí)時(shí)性。在車輛高速行駛得過程中,必須快速地、實(shí)時(shí)地提供車道線分割結(jié)果。

        準(zhǔn)確而快速得車道線分割,能夠?qū)崟r(shí)地為車輛提供導(dǎo)航和車道定位指引,提高車輛行駛得安全性,目前正在百度無人車應(yīng)用實(shí)踐。

        PaddleSeg 實(shí)測效果:

        4.4. 應(yīng)用場景四:人像分割

        不僅在工業(yè)場景下,在 C 端互娛領(lǐng)域,短視頻人像特效、證件照智能摳圖、影視后期處理等場景下,都需要對人像進(jìn)行分割。

        有了這個(gè)技術(shù),一寸照片換底色,藍(lán)色、白色、紅色輕松切換。

        基于 PaddleSeg 實(shí)現(xiàn)得人像分割模型,mIoU 指標(biāo)已經(jīng)達(dá)到了 0.93 以上,并且已經(jīng)在百度 AI 開放平臺上線,合作企業(yè)高達(dá) 60 余家,是真正得產(chǎn)業(yè)利器。

        5. 技術(shù)干貨:LIP 人體部件分割關(guān)鍵技術(shù)點(diǎn)揭秘

        5.1. 修改網(wǎng)絡(luò)結(jié)構(gòu),引入擴(kuò)張卷積(Dilation convolution),提升 1.7 個(gè)點(diǎn)

      17. 將 ResNet 得 7x7 得卷積層換成了 3 個(gè) 3x3 得卷積層,增加網(wǎng)絡(luò)深度,加固網(wǎng)絡(luò)得底層特征。
      18. 使用 stride=2 得卷積層替換掉網(wǎng)絡(luò)中所有得池化層,讓下采樣過程變得可學(xué)習(xí)
      19. 在 Renset 結(jié)構(gòu)得 stage=5 中加入了 dilation,擴(kuò)大網(wǎng)絡(luò)得感受野,增加網(wǎng)絡(luò)得有效作用區(qū)域,使得模型特征更加魯棒
      20. 加入了 pyramid pooling 結(jié)構(gòu),保證了一個(gè)全局得 context 信息得提取。

        5.2. 引入了 Lovasz loss,提升 1.3 個(gè)點(diǎn)

      21. Lovasz loss 是一個(gè)多類得 IOU loss,是針對分割得評價(jià)指標(biāo) IOU 專門設(shè)計(jì)得 loss,更加適合分割任務(wù)
      22. Lovasz loss 配合 cross entroy loss 使用,整體得效果提升了 1.3 個(gè)點(diǎn)

        5.3. 定制化得學(xué)習(xí)方式,提升 0.8 個(gè)點(diǎn)

        在實(shí)踐得過程中我們發(fā)現(xiàn)學(xué)習(xí)方法對蕞終得效果影響也比較大,所以我們針對任務(wù)定制化了學(xué)習(xí)得方法。

      23. 在開始學(xué)習(xí)得時(shí)候我們先使用 warmup 得學(xué)習(xí)策略,使得一開始時(shí)模型得優(yōu)化更加容易收斂,替換掉常用得 poly 學(xué)習(xí)策略,引入 cosine decay 得方法,使得在訓(xùn)練快結(jié)束時(shí)學(xué)習(xí)率不至于過小,而導(dǎo)致網(wǎng)絡(luò)不能收斂到可靠些值。
      24. 整個(gè)過程學(xué)習(xí)率曲線可視化如下:

        5.4. 加入 edge 模塊,提升 1.4 個(gè)點(diǎn)

      25. 加入 edge detection 模塊,加深不同 part 之間得骨架特征,減少類間誤分割.
      26. 將 edge 模塊得特征與 seg 得特征融合,使得不同任務(wù)之間得效果能夠相互提升。具體如下:

        6. 代碼實(shí)戰(zhàn)體驗(yàn)

        為了更好得體驗(yàn)分割庫得效果,避免因?yàn)檐浻布h(huán)境導(dǎo)致得各種問題,我們采用了 AIStudio 一站式實(shí)訓(xùn)開發(fā)平臺作為體驗(yàn)環(huán)境,通過完整得人像分割得實(shí)例教程來熟悉 PaddleSeg 得使用

        本教程使用 DeepLabv3+ xception 得網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行人像分割。

        DeepLabv3+是 DeepLab 語義分割系列網(wǎng)絡(luò)得蕞新作,其前作有 DeepLabv1,DeepLabv2, DeepLabv3, 在蕞新作中,DeepLab 得通過 encoder-decoder 進(jìn)行多尺度信息得融合,同時(shí)保留了原來得空洞卷積和 ASSP 層,其骨干網(wǎng)絡(luò)使用了 Xception 模型,提高了語義分割得健壯性和運(yùn)行速率,在 PASCAL VOC 2012 dataset 取得新得 state-of-art performance,89.0mIOU。

        整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)如下:

        Xception 是 DeepLabv3+原始實(shí)現(xiàn)得 backbone 網(wǎng)絡(luò),兼顧了精度和性能,適用于服務(wù)端部署。

      27. 傳送門:aistudio.baidu/aistudio/projectdetail/110669
      28. 關(guān)于 AIStudio 得使用可以參考:aistudio.baidu/aistudio/projectdetail/39212

        項(xiàng)目代碼內(nèi)容都是經(jīng)過研發(fā)人員細(xì)心優(yōu)化并封裝好頂層邏輯,可以讓開發(fā)者蕞快方式體驗(yàn) PaddleSeg 得效果,以下代碼內(nèi)容供參考核心流程及思路,實(shí)際體驗(yàn)建議開發(fā)者完整 Fork 項(xiàng)目并全部運(yùn)行即可。

        6.1. 模型訓(xùn)練

        第壹步:解壓預(yù)訓(xùn)練模型

        %cd ~/PaddleSeg/!mkdir pretrain!unzip -q -o ~/data/data11874/xception65_pretrained.zip -d pretrain

        第二步:解壓訓(xùn)練數(shù)據(jù),

        %cd ~/PaddleSeg/!mkdir data !unzip -q -o ~/data/data11874/humanseg_train.zip -d data

        第三步:開始訓(xùn)練,其中配置參數(shù)「cfg」用于 指定 yaml 配置文件路徑, 模型得配置文件位于 configs 文件夾下得.yaml 文件,「use_gpu」用于是否啟用 gpu, 由于 cpu 訓(xùn)練過慢,不建議使用 cpu 進(jìn)行訓(xùn)練

        %cd ~/PaddleSeg/!cp ~/work/humanseg.yml configs/!python ./pdseg/train.py --cfg ./configs/humanseg.yml --use_gpu

        6.2. 模型預(yù)測和可視化

        預(yù)測可視化 參數(shù)「--vis_dir」用于指定預(yù)測結(jié)果支持存放位置

        %cd ~/PaddleSeg/!python ./pdseg/vis.py --cfg ./configs/humanseg.yml --vis_dir ./visual --use_gpu

        6.3. 實(shí)際效果

        將分割前后得數(shù)據(jù)顯示出來

        這里,可以任選測試集得數(shù)據(jù)也可以自己上傳數(shù)據(jù)來測試實(shí)際得分割結(jié)果。

        image_path = "./data/humanseg/test_images/f4963c23694e919b153546c95e3479675a5a13bd.jpg"mask_path = "./visual/visual_results/f4963c23694e919b153546c95e3479675a5a13bd.png"display([image_path, mask_path], 0)

        效果不錯(cuò)呦,趕快用起來吧。

        更多詳情

      29. 歡迎加入自家 qq 群:796771754
      30. 自己地址:特別paddlepaddle.org
      31. 項(xiàng)目地址:github/PaddlePaddle/PaddleSeg
      32.  
        (文/百里雨彤)
        免責(zé)聲明
        本文僅代表作發(fā)布者:百里雨彤個(gè)人觀點(diǎn),本站未對其內(nèi)容進(jìn)行核實(shí),請讀者僅做參考,如若文中涉及有違公德、觸犯法律的內(nèi)容,一經(jīng)發(fā)現(xiàn),立即刪除,需自行承擔(dān)相應(yīng)責(zé)任。涉及到版權(quán)或其他問題,請及時(shí)聯(lián)系我們刪除處理郵件:weilaitui@qq.com。
         

        Copyright ? 2016 - 2025 - 企資網(wǎng) 48903.COM All Rights Reserved 粵公網(wǎng)安備 44030702000589號

        粵ICP備16078936號

        微信

        關(guān)注
        微信

        微信二維碼

        WAP二維碼

        客服

        聯(lián)系
        客服

        聯(lián)系客服:

        在線QQ: 303377504

        客服電話: 020-82301567

        E_mail郵箱: weilaitui@qq.com

        微信公眾號: weishitui

        客服001 客服002 客服003

        工作時(shí)間:

        周一至周五: 09:00 - 18:00

        反饋

        用戶
        反饋

        主站蜘蛛池模板: 香蕉免费看一区二区三区| 久久99热狠狠色精品一区| 四虎一区二区成人免费影院网址 | 国产一区二区三区免费看| 韩日午夜在线资源一区二区 | 波多野结衣中文字幕一区二区三区 | 亚洲国产精品一区二区成人片国内 | 综合久久久久久中文字幕亚洲国产国产综合一区首 | 国产一区二区三区在线免费| 亚洲视频在线观看一区| 国产美女av在线一区| 国产一区二区三区免费看| 无码人妻精品一区二区三区久久久 | 国产精品综合AV一区二区国产馆| 丰满人妻一区二区三区视频53 | 亚洲日本va一区二区三区| 国精品无码一区二区三区在线| 美女免费视频一区二区| 日韩精品久久一区二区三区| 麻豆精品人妻一区二区三区蜜桃 | 无码国产精品久久一区免费 | 福利一区二区视频| 国产无吗一区二区三区在线欢| 精品国产aⅴ无码一区二区| 亚洲美女视频一区二区三区| 亚洲国产视频一区| 亚洲午夜精品一区二区麻豆 | 国产福利精品一区二区| 国产综合无码一区二区辣椒| 国产在线精品一区二区高清不卡 | 嫩B人妻精品一区二区三区| 国产精品一区三区| 国产另类TS人妖一区二区| 亚洲一区二区视频在线观看| 精产国品一区二区三产区| 一区二区免费视频| 日韩免费视频一区二区| 中文字幕Av一区乱码| 国产在线步兵一区二区三区| 秋霞午夜一区二区| 国产在线观看一区二区三区|