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。

Cosmos 3合成數(shù)據(jù)與VLM后訓(xùn)練實(shí)戰(zhàn):物理AI場(chǎng)景落地

Cosmos 3合成數(shù)據(jù)與VLM后訓(xùn)練實(shí)戰(zhàn):物理AI場(chǎng)景落地 在物理 AI 與具身智能項(xiàng)目里最讓人頭疼的往往不是模型算法本身而是兩件事第一真實(shí)場(chǎng)景數(shù)據(jù)太貴、太難采集第二模型在垂直領(lǐng)域里表現(xiàn)不穩(wěn)定。比如做智慧城市車流識(shí)別晴天效果尚可一到雨霧天氣誤報(bào)率就明顯上升做農(nóng)業(yè)機(jī)器人采摘換一個(gè)果園、換一種光照之前調(diào)好的視覺模型又要重新調(diào)參。這些問題背后其實(shí)都繞不開三個(gè)關(guān)鍵詞世界基礎(chǔ)模型World Foundation Model, WFM、視覺語言模型Vision-Language Model, VLM和合成數(shù)據(jù)Synthetic Data。本文圍繞 Cosmos 3 后訓(xùn)練實(shí)戰(zhàn)完整梳理一條可落地的技術(shù)鏈路先用 Cosmos 3 生成農(nóng)業(yè)機(jī)器人場(chǎng)景的合成數(shù)據(jù)再結(jié)合少量真實(shí)數(shù)據(jù)構(gòu)建 VLM 后訓(xùn)練集微調(diào)后部署到智慧城市視頻流推理任務(wù)中做效果驗(yàn)證。文章會(huì)說明每個(gè)環(huán)節(jié)為什么這樣做也會(huì)給出可運(yùn)行的示例代碼、常見報(bào)錯(cuò)排查表和工程落地建議。如果你正在做視覺語言模型選型、VLM 后訓(xùn)練、合成數(shù)據(jù)增強(qiáng)或者想了解 Cosmos 3 能干什么這篇文章會(huì)比較適合你。全文采用中英雙語的術(shù)語注釋方式代碼關(guān)鍵位置也保留雙語注釋方便對(duì)照學(xué)習(xí)。1. 背景與核心概念1.1 Cosmos 3 是什么Cosmos 3 是 NVIDIA 推出的世界基礎(chǔ)模型World Foundation Model系列在 3.x 版本中的核心成果。它并不是一個(gè)單一模型而是一組面向物理 AI 場(chǎng)景的模型和工具鏈主要目標(biāo)是讓模型理解“物理世界如何運(yùn)轉(zhuǎn)”并能夠生成接近真實(shí)物理規(guī)律的視頻幀序列。在機(jī)器人、自動(dòng)駕駛、智慧城市等場(chǎng)景中模型需要理解的不只是靜態(tài)圖像里的物體類別還包括物體的空間關(guān)系、運(yùn)動(dòng)趨勢(shì)、光照變化、遮擋關(guān)系、因果推斷等。這類能力很難從普通圖像分類數(shù)據(jù)集中學(xué)習(xí)而 Cosmos 3 等世界模型的核心價(jià)值就是通過對(duì)海量物理世界視頻的學(xué)習(xí)建立對(duì)“下一秒可能發(fā)生什么”的預(yù)測(cè)能力。與傳統(tǒng)的文生視頻模型相比Cosmos 3 更強(qiáng)調(diào)可控性和物理合理性。它能夠在文本指令、相機(jī)參數(shù)、運(yùn)動(dòng)軌跡等條件的約束下生成指定場(chǎng)景的連續(xù)視頻幀。這樣的合成視頻可以作為下游視覺模型的訓(xùn)練數(shù)據(jù)從而減少對(duì)真實(shí)數(shù)據(jù)的依賴。1.2 什么是后訓(xùn)練Post-training大模型領(lǐng)域通常把訓(xùn)練過程分為預(yù)訓(xùn)練Pre-training和后訓(xùn)練Post-training兩個(gè)階段。預(yù)訓(xùn)練負(fù)責(zé)讓模型學(xué)習(xí)通用語言、視覺和世界知識(shí)而后訓(xùn)練則負(fù)責(zé)讓模型適配特定任務(wù)、特定領(lǐng)域和特定的交互方式。常見的后訓(xùn)練方法包括方法英文全稱說明監(jiān)督微調(diào)Supervised Fine-Tuning, SFT用帶標(biāo)注的任務(wù)數(shù)據(jù)調(diào)整模型參數(shù)低秩適配Low-Rank Adaptation, LoRA凍結(jié)原模型只訓(xùn)練低秩矩陣節(jié)省顯存基于人類反饋的強(qiáng)化學(xué)習(xí)RLHF通過獎(jiǎng)勵(lì)模型優(yōu)化生成質(zhì)量直接偏好優(yōu)化Direct Preference Optimization, DPO用偏好對(duì)直接優(yōu)化無需獎(jiǎng)勵(lì)模型在本文的場(chǎng)景中后訓(xùn)練的主要目的是讓預(yù)訓(xùn)練 VLM 更好地理解智慧城市和農(nóng)業(yè)機(jī)器人這兩個(gè)垂直領(lǐng)域的圖像內(nèi)容例如能夠正確回答“畫面中是否有行人闖紅燈”“這個(gè)番茄的成熟度是多少”等細(xì)粒度問題。1.3 VLM 推理解決什么問題視覺語言模型Vision-Language Model, VLM能夠同時(shí)處理圖像輸入和文本輸入輸出文本描述或結(jié)構(gòu)化信息。與傳統(tǒng)的目標(biāo)檢測(cè)模型相比VLM 的優(yōu)勢(shì)在于支持開放詞匯不僅能識(shí)別訓(xùn)練集中出現(xiàn)過的類別還能理解自然語言描述的新類別。具備上下文理解能結(jié)合畫面中的物體關(guān)系、場(chǎng)景背景進(jìn)行推理。輸出更靈活可以直接輸出自然語言答案也可以借助提示詞輸出 JSON 等結(jié)構(gòu)化格式。在智慧城市場(chǎng)景里VLM 可以完成事件檢測(cè)、要素描述、異常預(yù)警等任務(wù)。例如給定一段監(jiān)控視頻幀模型能輸出“畫面中有 3 輛機(jī)動(dòng)車1 輛正在左轉(zhuǎn)行人處于等待狀態(tài)”這類結(jié)構(gòu)化描述。1.4 為什么需要合成數(shù)據(jù)智慧城市和農(nóng)業(yè)機(jī)器人場(chǎng)景的數(shù)據(jù)采集都有明顯瓶頸。智慧城市視頻涉及隱私與合規(guī)問題農(nóng)業(yè)機(jī)器人的田間數(shù)據(jù)受季節(jié)、天氣、地域限制采集成本高且難以覆蓋長(zhǎng)尾場(chǎng)景。合成數(shù)據(jù)Synthetic Data可以在一定程度上緩解這些問題。使用 Cosmos 3 生成帶有物理規(guī)律的運(yùn)動(dòng)視頻讓模型在訓(xùn)練階段見過更多“對(duì)抗樣本”例如夜間強(qiáng)光、雨天反光、果實(shí)遮擋等情況。這樣當(dāng)模型部署到真實(shí)環(huán)境時(shí)泛化能力會(huì)更強(qiáng)。但需要強(qiáng)調(diào)合成數(shù)據(jù)不是萬能的它不能完全替代真實(shí)數(shù)據(jù)。更合理的做法是“真實(shí)數(shù)據(jù) 合成數(shù)據(jù)”混合訓(xùn)練并通過驗(yàn)證集持續(xù)評(píng)估數(shù)據(jù)質(zhì)量。2. 環(huán)境準(zhǔn)備與版本說明在開始實(shí)操之前先理清當(dāng)前示例環(huán)境。后續(xù)代碼基于以下配置運(yùn)行如果你的環(huán)境不同需要根據(jù)實(shí)際情況調(diào)整。2.1 硬件與系統(tǒng)要求Cosmos 3 合成數(shù)據(jù)生成和 VLM 后訓(xùn)練都屬于資源密集型任務(wù)建議使用 NVIDIA GPU。顯存規(guī)模直接決定了可以生成的視頻分辨率以及微調(diào)時(shí)使用的批量大小。資源建議要求GPUNVIDIA RTX 3090 / 4090 / A100 / H100 或更高顯存16 GB 以上生成高分辨率視頻或微調(diào) 7B 以上模型時(shí)需要更大顯存系統(tǒng)Ubuntu 22.04 或 Windows 11WSL2磁盤建議預(yù)留 100 GB 以上空間存放模型權(quán)重和數(shù)據(jù)集如果暫時(shí)沒有足夠顯存可以先使用小模型、低分辨率和更小的 batch size 驗(yàn)證流程再遷移到更大規(guī)模環(huán)境。2.2 Python 與深度學(xué)習(xí)框架以下版本組合是當(dāng)前比較常見且穩(wěn)定的配置具體以官方文檔為準(zhǔn)Python 3.10 或 3.11CUDA 12.1 或更高PyTorch 2.1 或更高Transformers 4.40 或更高PEFT 0.10 或更高Datasets 2.18 或更高Accelerate 0.30 或更高先創(chuàng)建一個(gè)獨(dú)立的 Conda 環(huán)境conda create -n cosmos-ai python3.11 -y conda activate cosmos-ai pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install transformers peft accelerate datasets pillow tensorboard注意PyTorch 的安裝命令需要結(jié)合 CUDA 版本調(diào)整。如果使用 WSL2需要確保 Windows 側(cè)已安裝最新的 NVIDIA 驅(qū)動(dòng)并在 WSL2 內(nèi)執(zhí)行nvidia-smi確認(rèn) GPU 可見。2.3 項(xiàng)目目錄結(jié)構(gòu)為了方便后續(xù)操作建議按照下面結(jié)構(gòu)組織項(xiàng)目cosmos-finetune-lab/ ├── data/ │ ├── real/ # 真實(shí)圖像與標(biāo)注 │ ├── synthetic/ # Cosmos 生成數(shù)據(jù) │ └── annotations/ # 標(biāo)注 JSON ├── models/ │ ├── pretrained/ # 預(yù)訓(xùn)練 VLM 權(quán)重 │ └── finetuned/ # 后訓(xùn)練輸出權(quán)重 ├── scripts/ │ ├── generate_synthetic.py # 合成數(shù)據(jù)生成腳本 │ ├── prepare_dataset.py # 數(shù)據(jù)集構(gòu)建腳本 │ ├── train_lora.py # LoRA 后訓(xùn)練腳本 │ └── inference.py # VLM 推理腳本 ├── configs/ │ ├── lora_config.yaml │ └── data_config.yaml └── output/ ├── logs/ └── results/3. 核心原理拆解后訓(xùn)練、VLM 推理與合成數(shù)據(jù)生成在進(jìn)入完整代碼前先拆解三個(gè)關(guān)鍵模塊的原理這能幫助你理解后面每一步操作的意義。3.1 后訓(xùn)練到底改了什么預(yù)訓(xùn)練模型已經(jīng)具備很強(qiáng)的通用能力但在垂直領(lǐng)域中會(huì)出現(xiàn)“能力有但不在點(diǎn)子上”的情況。例如模型知道番茄是紅色的果實(shí)但無法判斷“番茄表面有明顯褐色斑點(diǎn)”是否意味著病蟲害。后訓(xùn)練就是通過新的標(biāo)注數(shù)據(jù)把模型原先分散的知識(shí)引導(dǎo)到特定任務(wù)上。以 LoRA 為例它的做法是在原始權(quán)重矩陣旁邊新增兩個(gè)低秩矩陣訓(xùn)練時(shí)只更新這兩個(gè)矩陣。# 示意LoRA 的更新邏輯簡(jiǎn)化版 # 原始公式output W * input # LoRA 公式output (W A B) * input # 其中 W 被凍結(jié)A 和 B 是低秩矩陣秩為 r import torch import torch.nn as nn class LoRALinear(nn.Module): def __init__(self, in_features, out_features, r16): super().__init__() self.weight nn.Parameter(torch.randn(out_features, in_features)) self.weight.requires_grad False # 凍結(jié)原權(quán)重 self.lora_a nn.Parameter(torch.randn(in_features, r) * 0.01) self.lora_b nn.Parameter(torch.randn(r, out_features) * 0.01) def forward(self, x): # 原始輸出 低秩增量 base_out x self.weight.T lora_out (x self.lora_a) self.lora_b return base_out lora_outLoRA 的核心優(yōu)勢(shì)是顯存占用小、訓(xùn)練速度快同時(shí)可以通過切換不同的 LoRA 權(quán)重實(shí)現(xiàn)多任務(wù)適配很適合在單卡環(huán)境下做垂直領(lǐng)域探索。3.2 VLM 推理從圖像到文字的基本鏈路VLM 的推理鏈路通常包含三個(gè)部分視覺編碼器Vision Encoder把圖像轉(zhuǎn)換為視覺令牌visual tokens。投影層Projection Layer把視覺特征映射到語言模型的嵌入空間。語言模型Language Model結(jié)合文本提示詞和視覺令牌逐步生成回答。理解這條鏈路很重要因?yàn)楹笥?xùn)練通常需要決定“改哪一部分”。如果任務(wù)主要是理解圖像語義視覺編碼器可以凍結(jié)只微調(diào)語言模型如果任務(wù)涉及特殊的圖像特征例如紅外波段或高空俯拍視角則需要考慮是否解凍視覺編碼器。# 一個(gè)標(biāo)準(zhǔn)的 VLM 推理調(diào)用流程 from transformers import AutoProcessor, AutoModelForVision2Seq from PIL import Image model_id your-finetuned-model-path processor AutoProcessor.from_pretrained(model_id) model AutoModelForVision2Seq.from_pretrained(model_id) image Image.open(test_frame.jpg) prompt Describe the traffic status in this image. inputs processor(imagesimage, textprompt, return_tensorspt) outputs model.generate(**inputs, max_new_tokens256) print(processor.decode(outputs[0], skip_special_tokensTrue))這段代碼把圖像和文本提示詞送入模型模型輸出文本描述。這里的processor負(fù)責(zé)將圖像和文本轉(zhuǎn)換成模型需要的張量格式。3.3 Cosmos 合成數(shù)據(jù)生成的工作流Cosmos 3 生成合成數(shù)據(jù)的工作流可以概括為文本描述 條件控制 → 視頻生成 → 抽幀標(biāo)注 → 數(shù)據(jù)集構(gòu)建。其中文本描述的質(zhì)量直接影響生成效果。為了生成符合農(nóng)業(yè)機(jī)器人視角的數(shù)據(jù)需要在提示詞中明確以下信息相機(jī)視角第一人稱、第三人稱、固定視角等。場(chǎng)景內(nèi)容農(nóng)作物種類、成熟度、病蟲害特征。運(yùn)動(dòng)行為機(jī)械臂運(yùn)動(dòng)、果實(shí)抓取、自主移動(dòng)等。環(huán)境條件光照、天氣、季節(jié)。下面是一個(gè)雙語提示詞模板English prompt: A first-person view from an agricultural robot moving between tomato rows. The robotic arm extends forward and gently picks a ripe red tomato. Natural sunlight, slight shadow on the left side, leaves are green and healthy. 中文提示詞 農(nóng)業(yè)機(jī)器人第一人稱視角在番茄種植行中移動(dòng)。 機(jī)械臂向前伸展輕輕摘取一顆成熟的紅色番茄。 自然光照左側(cè)有輕微陰影葉片翠綠健康。建議在合成數(shù)據(jù)生成時(shí)將英文提示詞作為主輸入中文提示詞作為輔助描述這樣可以在一定程度上提高生成結(jié)果與中文標(biāo)注的一致性。3.4 圖像批量推理的效率問題在智慧城市場(chǎng)景中VLM 推理往往需要處理大量圖像比如每隔幾秒從視頻流中抽幀檢測(cè)一次。如果逐張圖像調(diào)用模型耗時(shí)較長(zhǎng)也不利于 GPU 利用率。常見的做法是批量推理batch inference將多張圖像組成一個(gè) batch 送入模型。# 圖像批量推理的常見思路 from PIL import Image import torch images [Image.open(fframes/frame_{i:04d}.jpg) for i in range(1, 9)] prompts [Describe the traffic condition.] * len(images) inputs processor( imagesimages, textprompts, return_tensorspt, paddingTrue, ) with torch.no_grad(): outputs model.generate(**inputs, max_new_tokens128)批量推理的核心收益是提高 GPU 利用率減少推理總時(shí)間。但它也有代價(jià)batch 中不同圖像的 token 長(zhǎng)度不同模型需要做 padding在處理超長(zhǎng)視頻抽幀時(shí)可能遇到顯存壓力。后續(xù)在“常見問題”章節(jié)會(huì)進(jìn)一步展開。4. 完整實(shí)戰(zhàn)從合成數(shù)據(jù)生成到 VLM 后訓(xùn)練與推理下面進(jìn)入本文的核心實(shí)戰(zhàn)。整個(gè)流程分為五個(gè)步驟每一部分都提供完整代碼和運(yùn)行說明。4.1 準(zhǔn)備智慧城市監(jiān)控?cái)?shù)據(jù)先準(zhǔn)備一組智慧城市場(chǎng)景的真實(shí)圖像。出于示例目的我們假設(shè)你有少量來自公開數(shù)據(jù)集的圖像和標(biāo)注。你可以先創(chuàng)建data/real目錄并準(zhǔn)備如下格式的標(biāo)注文件data/annotations/real_annotations.json[ { filename: frame_001.jpg, question: 這段路口有哪些交通參與者, answer: 畫面中有兩輛直行的小汽車、一輛左轉(zhuǎn)的電動(dòng)車以及一名正在斑馬線旁等候的行人。 }, { filename: frame_002.jpg, question: 是否有車輛違規(guī), answer: 沒有。所有車輛均在車道線內(nèi)行駛行人信號(hào)燈為綠色通行狀態(tài)正常。 } ]然后運(yùn)行下面的數(shù)據(jù)準(zhǔn)備腳本將標(biāo)注轉(zhuǎn)換為后訓(xùn)練所需的統(tǒng)一格式# 文件路徑scripts/prepare_dataset.py import json import os import argparse def build_dataset(image_dir, annotation_file, output_file): # 讀取原始標(biāo)注 with open(annotation_file, r, encodingutf-8) as f: annotations json.load(f) samples [] for item in annotations: # 每個(gè)樣本包含圖像路徑和一輪對(duì)話 samples.append({ images: [os.path.join(image_dir, item[filename])], conversations: [ { role: user, content: item[question] }, { role: assistant, content: item[answer] } ] }) with open(output_file, w, encodingutf-8) as f: json.dump(samples, f, ensure_asciiFalse, indent2) print(f[INFO] Dataset ready, total {len(samples)} samples.) if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--image_dir, typestr, defaultdata/real) parser.add_argument(--annotation_file, typestr, defaultdata/annotations/real_annotations.json) parser.add_argument(--output_file, typestr, defaultdata/dataset_real.json) args parser.parse_args() build_dataset(args.image_dir, args.annotation_file, args.output_file)運(yùn)行python scripts/prepare_dataset.py如果看到Dataset ready, total 2 samples.說明真實(shí)數(shù)據(jù)準(zhǔn)備完成。在實(shí)際項(xiàng)目中樣本數(shù)量建議至少在數(shù)百條以上否則后訓(xùn)練效果非常有限。4.2 用 Cosmos 生成農(nóng)業(yè)機(jī)器人合成數(shù)據(jù)接下來使用 Cosmos 3 生成農(nóng)業(yè)機(jī)器人場(chǎng)景的合成視頻。由于不同版本的 Cosmos 對(duì)模型導(dǎo)入方式和推理接口差異較大下面的代碼是演示思路具體 API 名稱需要參考你部署的官方文檔。# 文件路徑scripts/generate_synthetic.py # 演示代碼實(shí)際接口請(qǐng)參考 Cosmos 官方倉(cāng)庫 import os import json from PIL import Image # 假設(shè) Cosmos 提供了一個(gè)生成器對(duì)象 # 這里用注釋說明初始化方式不綁定具體類名 # from cosmos import CosmosVideoGenerator def generate_agriculture_frame(prompt_en, prompt_zh, save_dir): 使用 Cosmos 生成農(nóng)業(yè)機(jī)器人視角的視頻幀。 參數(shù): prompt_en: 英文提示詞 prompt_zh: 中文提示詞 save_dir: 輸出目錄 # 1. 構(gòu)造生成請(qǐng)求 generation_prompt f{prompt_en}. {prompt_zh} # 2. 調(diào)用 Cosmos 生成視頻 # generator CosmosVideoGenerator.from_pretrained(nvidia/cosmos-3-wfm) # output_video generator.generate( # promptgeneration_prompt, # duration3.0, # 生成 3 秒視頻 # height720, # width1280, # fps30 # ) # 3. 將視頻流抽幀保存為 JPEG 圖像 # frames extract_frames(output_video) # 這里僅做目錄初始化 os.makedirs(save_dir, exist_okTrue) # 4. 記錄對(duì)應(yīng)的文本描述 annotation { prompt_en: prompt_en, prompt_zh: prompt_zh, scene: agriculture_robot, frames: [ # 假設(shè)抽幀后得到 10 幀 fsynthetic_agri_001_frame_{i:02d}.jpg for i in range(10) ] } with open(os.path.join(save_dir, annotation.json), w, encodingutf-8) as f: json.dump(annotation, f, ensure_asciiFalse, indent2) print(f[INFO] Synthetic data saved to {save_dir}) if __name__ __main__: save_dir data/synthetic/agriculture_01 generate_agriculture_frame( prompt_enFirst-person view of an agricultural robot in a tomato greenhouse, a robotic arm reaches out and gently picks a ripe tomato, natural light., prompt_zh農(nóng)業(yè)機(jī)器人第一人稱視角在番茄溫室中機(jī)械臂伸出并輕輕摘取一顆成熟的番茄自然光照。, save_dirsave_dir )你需要根據(jù)實(shí)際模型版本替換初始化與生成邏輯。生成后的視頻幀可以繼續(xù)用作圖像級(jí) VLM 后訓(xùn)練數(shù)據(jù)也可以保留視頻序列用于后續(xù)世界模型訓(xùn)練或行為預(yù)測(cè)任務(wù)。4.3 構(gòu)建混合后訓(xùn)練數(shù)據(jù)集合成數(shù)據(jù)與真實(shí)數(shù)據(jù)需要統(tǒng)一格式才能送入訓(xùn)練腳本。這里寫一個(gè)融合腳本將真實(shí)數(shù)據(jù)集和合成數(shù)據(jù)集合并并寫入訓(xùn)練集與驗(yàn)證集。# 文件路徑scripts/merge_datasets.py import json import random import argparse def load_json(path): with open(path, r, encodingutf-8) as f: return json.load(f) def split_dataset(samples, val_ratio0.2): random.shuffle(samples) val_size int(len(samples) * val_ratio) train_set samples[val_size:] val_set samples[:val_size] return train_set, val_set if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--real_data, typestr, defaultdata/dataset_real.json) parser.add_argument(--synthetic_data, typestr, defaultdata/dataset_synthetic.json) parser.add_argument(--output_train, typestr, defaultdata/dataset_train.json) parser.add_argument(--output_val, typestr, defaultdata/dataset_val.json) parser.add_argument(--val_ratio, typefloat, default0.2) args parser.parse_args() real_samples load_json(args.real_data) synthetic_samples load_json(args.synthetic_data) all_samples real_samples synthetic_samples train_set, val_set split_dataset(all_samples, args.val_ratio) with open(args.output_train, w, encodingutf-8) as f: json.dump(train_set, f, ensure_asciiFalse, indent2) with open(args.output_val, w, encodingutf-8) as f: json.dump(val_set, f, ensure_asciiFalse, indent2) print(f[INFO] Train samples: {len(train_set)}, Val samples: {len(val_set)})合并數(shù)據(jù)的比例需要根據(jù)實(shí)際情況調(diào)整。如果合成數(shù)據(jù)出現(xiàn)明顯重復(fù)模式應(yīng)該適度降低合成數(shù)據(jù)占比避免模型對(duì)合成數(shù)據(jù)過擬合。4.4 LoRA 微調(diào) VLM下面使用 PEFT 庫對(duì) VLM 做 LoRA 后訓(xùn)練。示例中使用的是 Hugging Face 生態(tài)的AutoModelForVision2Seq你可以替換成自己選定的 VLM 基座模型。# 文件路徑scripts/train_lora.py import json import torch from transformers import ( AutoProcessor, AutoModelForVision2Seq, TrainingArguments, Trainer, DataCollatorForLanguageModeling, ) from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training from PIL import Image from torch.utils.data import Dataset class VLMDataset(Dataset): 讀取統(tǒng)一格式的 VLM 對(duì)話數(shù)據(jù)集。 def __init__(self, json_path, processor): self.data json.load(open(json_path, r, encodingutf-8)) self.processor processor def __len__(self): return len(self.data) def __getitem__(self, idx): item self.data[idx] image_path item[images][0] conversations item[conversations] user_text conversations[0][content] assistant_text conversations[1][content] image Image.open(image_path).convert(RGB) # 構(gòu)造模型輸入 messages [ {role: user, content: user_text}, {role: assistant, content: assistant_text}, ] text self.processor.apply_chat_template( messages, tokenizeFalse, add_generation_promptFalse ) inputs self.processor( imagesimage, texttext, return_tensorspt, paddingTrue, ) # 移除 batch 維度簡(jiǎn)化 item 結(jié)構(gòu) return { pixel_values: inputs[pixel_values][0], input_ids: inputs[input_ids][0], attention_mask: inputs[attention_mask][0], } def collate_fn(batch): 動(dòng)態(tài) padding 到 batch 內(nèi)最大長(zhǎng)度。 pixel_values torch.stack([b[pixel_values] for b in batch]) input_ids torch.nn.utils.rnn.pad_sequence( [b[input_ids] for b in batch], batch_firstTrue, padding_value0 ) attention_mask torch.nn.utils.rnn.pad_sequence( [b[attention_mask] for b in batch], batch_firstTrue, padding_value0 ) return { pixel_values: pixel_values, input_ids: input_ids, attention_mask: attention_mask, } def main(): model_id your-base-vlm-id # 例如 meta-llama/Llama-3.2-11B-Vision-Instruct train_json data/dataset_train.json val_json data/dataset_val.json processor AutoProcessor.from_pretrained(model_id) model AutoModelForVision2Seq.from_pretrained( model_id, torch_dtypetorch.bfloat16, device_mapauto, ) # 配置 LoRA lora_config LoraConfig( r16, lora_alpha32, lora_dropout0.05, target_modules[q_proj, v_proj, k_proj, o_proj], task_typeCAUSAL_LM, ) model prepare_model_for_kbit_training(model) model get_peft_model(model, lora_config) model.print_trainable_parameters() train_dataset VLMDataset(train_json, processor) val_dataset VLMDataset(val_json, processor) training_args TrainingArguments( output_diroutput/logs/, per_device_train_batch_size2, per_device_eval_batch_size2, gradient_accumulation_steps4, learning_rate2e-4, num_train_epochs3, logging_steps10, eval_strategysteps, eval_steps100, save_steps100, remove_unused_columnsFalse, report_totensorboard, ) trainer Trainer( modelmodel, argstraining_args, train_datasettrain_dataset, eval_datasetval_dataset, data_collatorcollate_fn, ) trainer.train() # 保存 LoRA 權(quán)重和處理器 model.save_pretrained(models/finetuned/lora_weights) processor.save_pretrained(models/finetuned/lora_weights) if __name__ __main__: main()這段代碼有幾個(gè)關(guān)鍵點(diǎn)需要注意VLMDataset里使用了apply_chat_template不同模型對(duì)對(duì)話模板的處理方式不同。collate_fn負(fù)責(zé)動(dòng)態(tài) padding確保不同長(zhǎng)度的輸入可以在一個(gè) batch 內(nèi)計(jì)算。LoRA 的target_modules需要與模型結(jié)構(gòu)匹配。如果模型使用了不同的線性層命名需要調(diào)整。4.5 智慧城市 VLM 推理完成 LoRA 后訓(xùn)練后將 LoRA 權(quán)重加載到預(yù)訓(xùn)練模型上對(duì)智慧城市場(chǎng)景的圖像進(jìn)行推理。# 文件路徑scripts/inference.py import torch from transformers import AutoProcessor, AutoModelForVision2Seq from peft import PeftModel from PIL import Image def load_finetuned_model(base_model_id, lora_path): processor AutoProcessor.from_pretrained(lora_path) model AutoModelForVision2Seq.from_pretrained( base_model_id, torch_dtypetorch.bfloat16, device_mapauto, ) model PeftModel.from_pretrained(model, lora_path) model.eval() return processor, model def infer_image(processor, model, image_path, prompt): image Image.open(image_path).convert(RGB) inputs processor(imagesimage, textprompt, return_tensorspt).to(model.device) with torch.no_grad(): outputs model.generate( **inputs, max_new_tokens256, do_sampleFalse, ) result processor.decode(outputs[0], skip_special_tokensTrue) return result if __name__ __main__: base_model_id your-base-vlm-id lora_path models/finetuned/lora_weights processor, model load_finetuned_model(base_model_id, lora_path) # 分別測(cè)試智慧城市和農(nóng)業(yè)場(chǎng)景 test_cases [ (data/real/frame_001.jpg, 描述該路口的交通參與者及通行狀態(tài)。), (data/synthetic/agriculture_01/annotation.json_frame_00.jpg, 判斷番茄果實(shí)是否成熟。), ] for image_path, prompt in test_cases: result infer_image(processor, model, image_path, prompt) print(fImage: {image_path}) print(fPrompt: {prompt}) print(fResult: {result}) print(- * 60)輸出示例Image: data/real/frame_001.jpg Prompt: 描述該路口的交通參與者及通行狀態(tài)。 Result: 畫面中有兩輛直行的小汽車、一輛左轉(zhuǎn)的電動(dòng)車以及一名正在斑馬線旁等候的行人。4.6 運(yùn)行與驗(yàn)證依次執(zhí)行以下命令即可完整復(fù)現(xiàn)本文流程# 1. 準(zhǔn)備真實(shí)數(shù)據(jù) python scripts/prepare_dataset.py # 2. 生成合成數(shù)據(jù)需要 Cosmos 環(huán)境 python scripts/generate_synthetic.py # 3. 合并數(shù)據(jù)集 python scripts/merge_datasets.py # 4. 后訓(xùn)練 python scripts/train_lora.py # 5. 推理驗(yàn)證 python scripts/inference.py如果使用的是自己的模型路徑需要修改腳本中的model_id、base_model_id等參數(shù)。后訓(xùn)練過程中建議保存訓(xùn)練日志方便后續(xù)定位是否過擬合或欠擬合。5. 常見問題與排查思路在實(shí)際運(yùn)行過程中常見問題集中在環(huán)境依賴、數(shù)據(jù)格式、顯存限制和推理結(jié)果異常幾個(gè)方面。下面用表格整理排查思路。問題現(xiàn)象常見原因解決思路nvidia-smi不可用WSL2 未啟用 GPU 或驅(qū)動(dòng)版本過低更新 Windows 驅(qū)動(dòng)確保 WSL2 內(nèi)執(zhí)行nvidia-smi正常導(dǎo)入 Cosmos 包報(bào)錯(cuò)官方庫名或依賴與版本不匹配查閱官方文檔確認(rèn)安裝命令檢查 Python 版本模型加載 CUDA out of memory顯存不足降低 batch size開啟 gradient_accumulation_steps或使用更小基座模型推理結(jié)果與預(yù)期差距大數(shù)據(jù)標(biāo)注質(zhì)量差或訓(xùn)練輪次過多檢查訓(xùn)練集標(biāo)注一致性觀察驗(yàn)證集損失降低 epoch 或?qū)W習(xí)率中文輸出質(zhì)量不穩(wěn)定基座模型中文能力有限替換中文能力更強(qiáng)的基座模型或增加中文示例在訓(xùn)練集中的占比批量推理時(shí) padding 導(dǎo)致結(jié)果異常不同輸入長(zhǎng)度差異大使用模型自帶的動(dòng)態(tài) padding或在構(gòu)建 batch 時(shí)按長(zhǎng)度排序LoRA 訓(xùn)練后模型輸出亂碼target_modules與模型結(jié)構(gòu)不匹配檢查模型參數(shù)名確認(rèn)q_proj、v_proj等名稱是否存在合成數(shù)據(jù)與真實(shí)數(shù)據(jù)風(fēng)格差異過大提示詞未覆蓋目標(biāo)場(chǎng)景加入更多環(huán)境、光照、相機(jī)參數(shù)描述生成后進(jìn)行人工篩選5.1 顯存不足的排查示例顯存不足是最常見的問題。先通過nvidia-smi查看占用情況nvidia-smi如果看到類似CUDA out of memory的錯(cuò)誤依次嘗試減小per_device_train_batch_size從 2 調(diào)整到 1。開啟gradient_accumulation_steps8保證有效 batch size 不變。使用bf16或fp16混合精度訓(xùn)練。對(duì)視頻抽幀時(shí)降低圖像分辨率例如從 1280x720 降到 640x360。5.2 推理加速的常見手段智慧城市場(chǎng)景對(duì)推理延遲有較高要求。這里給出幾種常見的推理加速手段不同方法的收益和復(fù)雜度不同。方法 1批量推理Batch Inference 適用離線批量抽幀檢測(cè) 收益提高 GPU 利用率 方法 2TensorRT / 模型編譯 適用服務(wù)化部署、線上推理 收益顯著降低單次推理延遲 注意需要針對(duì)具體模型與 GPU 做轉(zhuǎn)換 方法 3圖編譯Graph Compiler 適用PyTorch 生態(tài)下的動(dòng)態(tài)圖模型 收益減少算子調(diào)度開銷 注意可能與動(dòng)態(tài) video 輸入存在兼容問題 方法 4減小輸入尺寸 / 降低幀率 適用視頻流場(chǎng)景 收益直接減少計(jì)算量 注意需要評(píng)估精度損失關(guān)于 TensorRT 部署需要說明的是具體安裝方式和可支持的算子版本變化較快建議以官方部署文檔為準(zhǔn)。不要盲目追求把全部模型轉(zhuǎn)成 TensorRT圖編譯和批量推理往往已經(jīng)能帶來可觀的收益。6. 最佳實(shí)踐與工程建議6.1 合成數(shù)據(jù)質(zhì)量控制合成數(shù)據(jù)不是“生成多少用多少”必須經(jīng)過質(zhì)量篩。建議記錄每段生成視頻的提示詞、生成參數(shù)和標(biāo)注來源并通過可視化工具抽幀審查。建議建立如下篩選流程自動(dòng)過濾去掉黑幀、重復(fù)幀、畫面異常的視頻。規(guī)則校驗(yàn)利用目標(biāo)檢測(cè)模型檢查關(guān)鍵物體是否存在例如“畫面中是否出現(xiàn)番茄”。人工抽檢隨機(jī)抽 10% 左右的樣本由人工確認(rèn)語義一致性。標(biāo)注校準(zhǔn)如果 Cosmos 生成結(jié)果與文本描述不一致需要修正標(biāo)注或丟棄樣本。6.2 后訓(xùn)練數(shù)據(jù)混合策略真實(shí)數(shù)據(jù)與合成數(shù)據(jù)的比例需要謹(jǐn)慎控制。一般來說如果合成數(shù)據(jù)與真實(shí)場(chǎng)景分布差距較大合成數(shù)據(jù)占比過高會(huì)導(dǎo)致模型在真實(shí)數(shù)據(jù)上反而變差。一個(gè)比較穩(wěn)妥的做法是訓(xùn)練集 80% 真實(shí)數(shù)據(jù) 20% 合成數(shù)據(jù) 驗(yàn)證集 100% 真實(shí)數(shù)據(jù)先用這個(gè)比例評(píng)估再根據(jù)驗(yàn)證集表現(xiàn)逐步調(diào)整。如果合成數(shù)據(jù)覆蓋了真實(shí)場(chǎng)景缺乏的長(zhǎng)尾情況可以適當(dāng)提高比例。6.3 后訓(xùn)練超參數(shù)調(diào)優(yōu)建議超參數(shù)建議范圍說明LoRA rank8 ~ 32rank 越大表達(dá)能力越強(qiáng)但顯存占用也更高learning rate1e-5 ~ 5e-4視覺語言模型微調(diào)通常比純文本模型更小的學(xué)習(xí)率batch size1 ~ 8根據(jù)顯存調(diào)整配合梯度累積epoch2 ~ 5從 2 開始觀察驗(yàn)證集損失防止過擬合warmup ratio0.03 ~ 0.1避免訓(xùn)練初期不穩(wěn)定6.4 安全與合規(guī)邊界在智慧城市場(chǎng)景中處理視頻數(shù)據(jù)時(shí)要特別注意隱私和合規(guī)問題。實(shí)際項(xiàng)目中建議做到以下幾點(diǎn)對(duì)涉及個(gè)人的視頻幀做匿名化處理例如人臉模糊、車牌脫敏。只在授權(quán)范圍內(nèi)采集和使用真實(shí)數(shù)據(jù)。使用 Cosmos 生成合成數(shù)據(jù)時(shí)保留提示詞和生成參數(shù)方便追溯數(shù)據(jù)來源。對(duì)外發(fā)布模型權(quán)重時(shí)檢查基座模型的許可協(xié)議是否允許二次分發(fā)。7. 總結(jié)與下一步學(xué)習(xí)路線到這里我們完整走通了一條“Cosmos 3 合成數(shù)據(jù)生成 → VLM 后訓(xùn)練 → 智慧城市推理”的技術(shù)鏈路。你掌握的是一套可以復(fù)用到多個(gè)物理 AI 場(chǎng)景的實(shí)驗(yàn)流程而不只是某個(gè)具體項(xiàng)目的配置。下一步可以從這幾個(gè)方向繼續(xù)深入把合成視頻從單一視角擴(kuò)展到多相機(jī)視角研究世界模型中的 3D 一致性問題。對(duì)比不同后訓(xùn)練方法SFT、LoRA、DPO在垂直場(chǎng)景中的效果差異。嘗試把后訓(xùn)練好的 VLM 接入實(shí)際機(jī)器人控制鏈路用人類反饋進(jìn)一步優(yōu)化行為策略。研究推理加速方案將模型部署到邊緣端服務(wù)于實(shí)時(shí)智慧城市監(jiān)控。實(shí)際項(xiàng)目中優(yōu)先關(guān)注數(shù)據(jù)質(zhì)量和評(píng)估指標(biāo)不要一上來就追求大模型。合成數(shù)據(jù)幫你拓寬數(shù)據(jù)邊界后訓(xùn)練幫你對(duì)齊業(yè)務(wù)需求VLM 推理幫你把能力落到具體應(yīng)用中三步缺一不可。希望這篇文章能幫你少踩一些坑也歡迎在評(píng)論區(qū)交流你的實(shí)測(cè)結(jié)果。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
五月婷婷色| 99精品7| av在线激情| 亚洲无码另类| 九九色黄色| 丁香五月影院| 丁香五月婷婷色| 日本熟女视频一区二区| 国内久久亭亭| 丁香五月欧美婷婷综合| 激情六月天婷婷| 操操操操操操婷婷五月天| 国产3p露脸普通话对白| 日日夜夜天天综合| 天天干天天拍| 99re思思精品视频在线观看| 99久久精品色老| 少妇性按摩无码中文A片| 婷婷日日夜夜| 色欲五月天| 婷婷色色宗合网| 五月丁香影院| 日本高清久| 亚洲色色精品| 婷婷丁香六月影视| 思思热国产视频| 91男人资源站| 久久无码成人| 大陆极品少妇内射AAAAAA| 天天舔天天操| 五月丁香无码视频| 另类综合国产| 丁香五月 六月婷婷首页| 婷婷久久性爱| 少妇婷婷五月天| 亚洲爆乳无码精品AAA片蜜桃| 99热在线只有精品| 色婷亚洲| 日本欧美国产| 99久久超级| 五月婷婷色播| 91狠狠色色丁香婷婷综合久久| 色五月xxx| 色五月天丁香婷婷色| 极品人妻VIDEOSSS人妻| 欧美性猛交99久久久久99按摩| 五月天色色婷婷| 亚洲第一色区| 久热视频这里只有精品| 婷婷激情五月色综合| 久久婷婷六月天| 色色九九五月天 | 色婷婷婷婷成人网| 五月婷婷丁香五月亚洲色| 激情五月综合久久| 五月婷婷综合久久| 91精品丝袜久久久久久| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 中文字幕日产A片在线看| 五月婷婷综合在线| 伊人狠狠丁香婷婷综合尤物| 97人人操| 99这里只有精品视频| 99热在线观看| av在线免费网站| 丁香成人色情五月天| 久久婷婷五月综合激情国产| 色婷婷五月亚洲| 五月丁香婷婷AV天堂| 丁香五月激情六月欧亚激情综合导航| 亚洲1区| 精品色| 色色色图| 秋霞成人毛片一级A片| 色欲一二三| 六月丁香社区| 九九色精品| 玖玖爱综合网| 激情小说五月天| 97色色婷婷| 久久精彩视频| 91大屁股在线| 色色激情五月| 九九免费视频在线| 久久综合激情婷婷激情| 超碰在线视屏| 精品一二三区久久AAA片| 另类少妇人与禽zOZZ0性伦| 六月丁香网| 亚洲操B| 五月婷婷基地| 第1影院之五月婷婷| 97超级碰碰碰| 99热欧| 亭亭社区五月天| 亚洲精品五月| 婷婷成人综合| 91色五月在线观看| 色婷婷五月天亚洲| 精品国产va久久久| 色就是色婷婷五月亚洲激情| 五六月丁香激情视频| 五月婷婷狠天天色综合| 久色五月丁香视频| 国产AV国片偷人妻麻豆| 一二区成人电影| 亚洲综合久| 99热精在线九九久久保| 超碰国产在线观看| 999热这里只有美国精品| 97人人操人人拍| 国产无人区大片| 天天做天天爱高潮片| 五月天色丁香| 丁香五月香蕉| 99热久久这里只有精品2010| 99热最新| 日韩色五月| 婷婷五月天激情偷拍| 婷婷丁香综合成人| 无码人妻少妇色欲AV一区二区| 国产亚洲AV人片在线| 国产综合81p| 亚洲精品色色| 久久网日本| 亚洲亚洲人成综合网络| 欧亚洲在线高清视频| 日韩无码人妻一区二区三区综合| 久久久久er热| 日本一级特黄大片AAAAA级| 丁香婷婷人妻| 超碰人人在线| 丁香玖玖| 午夜丁香婷婷| 五月婷婷,六月婷婷| 五月天六月丁香| 人人草人| 婷婷五月超碰| 九九综合久久| 中文字幕日产A片在线看| 久久天堂婷婷五月| 五月开心激情| 海外网站专业操老外| 天天摸夜夜爽天天做| 五月婷婷基地| www.久操| 九九久热| 五月丁香婷婷老司机| 五月丁香婷婷无码A∨| 五月天丁香成人社| 九月丁香婷婷综合| 久久婷婷精品| 婷婷在线免费| 狼人久草| 丁香开心深爱| 九九婷婷五月天| 五月天婷a在线| 999激情视频| 99热伊人综合| 色视五月天婷婷| 婷婷五月天Av| 五月丁香六月激情| 五月天婷婷久草丁香| 激情淫乱男女| 丝袜人妻| 97人妻碰碰碰久久| 99视频只有精品| 五月天婷婷丁香成人网| 久久99热这里只有精品| 久久婷婷五月天激情| 五月丁香婷婷六月| 91互操| 色激情五月| 五月婷婷久久网| 热99久久这里只有精品| 五月婷婷亚洲综合在线 | 人人操A| 成人精品视频99在线观看免费 | 色丁香六月| 五月久久丁香| 欧美性色视频| 婷婷在线观看五月天在线视频| 五月婷婷在线免费观看| 丁香六月 人妻| 99在线免费视频| 国产亚洲精品人人| 久久婷婷艹| 色欲久久久久| 日本三级日本三级三级人妇四虎| 99在线观看| 婷婷六月色| 九九偷拍网| 婷婷五月色惰| 99热国产国产| 99热 在线播放| 丁香九月综合| 天天橾日日橾夜夜橾17| 亭亭玉月丁香| 日本乱子人伦在线视频| 俺也去在线视频| 91综合在线观看| 人人草人人舔| 五月丁香激情综合六月涩涩爱| 99婷婷精品推荐在线视频| 丁香五月第四色88| 婷婷九月丁香| 丁香婷婷综合喷| 夜夜干天天干| 色之综合网| 六月婷综合| 操操操Av| 婷婷激情区| 免费V片在线| 99精品在线观看视频| 五月丁香| av最新在线| 91碰碰碰| 免费视频99| 五月综合色| 亚洲天堂婷婷丁香| 五月婷久久| hd五月婷婷在线| 99久久久| 五月欧美色播| 婷婷五月天久久综合88| 爱99干99| 天天日夜夜| 五月天婷婷丁香社区| 久久99婷婷| 五月天久久色| 欧美色色色色色| 色婷婷a三区麻| 久久亚洲天堂| 思思热99er| 99自拍视频| 99成人免费热视频| www.丁香黄色五月天人与| 欧美日韩中国| 久久久91精品| 四川BBB搡BBB爽爽视频| 五月婷婷综合网| 久久久久久久久人妻| 激情网站五月| 91成人视频| 日韩AV免费| 人妻久久久久久久 | 婷婷九月激情网| 大香蕉Av在线| 中文字幕在线不卡视频| 在线中文字幕免费视频| 操操操97| 五月婷伊人| 日韩三级视频一区二区| 激情婷婷丁香| 97干干干丁香| 中文AV网站| 一点色成人网| 日韩成人中文| 婷婷丁香18| 99爱精品| 极品人妻VIDEOSSS人妻| 狠狠操狠狠插| 亚洲乱码日产精品BD| 亚洲另类在线观看| 色欲一区二区三区精品A片| se99视频| 人人摸人人干| 97人人操| 五月开心久久| 九九碰九九爱97超碰| 天天狠狠夜夜狠狠2023| 婷婷激情综合| 精品香蕉99久久久久网站| 五月天另类激情在线| 色欲丁香| 青青草成人网| 被男人添B超爽视频| 久9视频| 人人干av| 免费看成人AA片无码视频吃奶| 五月丁香六月婷| 直接看的AV| 99碰碰| 97久久久久| 五月丁香六月成人| 日韩AV在线免费观看| 影音先锋天天日| 99亚洲精美视频在线观看| 国产伊人大香蕉| 人操91在线| 性爱七区| 色噜噜狠狠色综| 丁香 婷婷 激情 综合 五月| 丁香色啪综合| www.夜夜操.com| 日本久久人| 婷婷六月色开| 亚洲偷| 91 久热| 碰碰碰91| 婷婷激情五月天7| 夜夜www| xfplayav在线| 91精品无码| 人人爱人人草| 人妻Av在线| 婷婷99视频精品| 婷婷伊人激情婷婷| 99精品久久久久| 六月婷婷综合| 色婷婷另类| 91操片| 五月婷婷和六月| 深爱激情五月天婷婷网| 天天做天天爱天天高潮| 天天日天天插| 婷婷影院A成人| 玖玖九九超碰| 综合久久97| 久久久久er热| 婷婷综合另类| 激情激情激情网| 深爱激情网五月天| 91欧美| 丁香婷婷综合影院| 99热这里有精品6| 色狠狠色噜噜AV天堂五区消防| 超碰免费人妻| 色婷婷在线视频观看| 色女人久久| 无码天天操| 中文字幕 中文字幕明步| 色999五月色| 国产一级片色色| 一起草无码| 丰满人妻一区三区三区| 思思热精品在线| 最新婷婷五月丁香| 人人干天天操五月丁香| 久久综合九九| 久久婷婷五月综合色丁香| 欧美天天五月丁香免费观看| 九九无码| 日本人妻A片成人免费看片| 九九色99| 亚洲网视屏| 九九色黄色| Av性爱网站| 97干免费视频| 丁香婷婷色| 婷婷五月天高清无码| 亚洲中文字幕网| 久久Xx| 99久久超级| aaa丁香五月天| 色婷丁香| 婷婷五月天丁香| 五月久久婷婷丁香| 五月丁香久久网| 性爱久久| 九色91国产| 狠狠操天天干| 五月色丁香| 六月婷婷综合激情| 五月婷婷六月天| 久久婷婷婷| 亚洲啪啪网| 婷婷五月电影| 婷婷久久五月天| 丁香六月婷婷开心| 人人草公开操| 熟女人妻视频| 秋霞三及片| 99热香港| 婷婷五月天AV在线| 日木狠狠干| 婷婷五月色天| 欧美亚洲操逼| 五月叮香啪| 深爱五月天| 亚洲黄3级片网站欧美| 日本婷色| 草综合网| 亚洲狠狠色丁香婷婷综合久久| 婷婷五月开心中文字幕在线| αV电影| 五月天综合视频| 无码一级片| WWW,五月| 五月开心六月婷婷在线播放网站| 五月天天综合网色婷婷| 久综合| 热99精品视频在线观看| 久久久精品免费啪啪国| 啪啪色区| 插插干干干色| 婷婷五月在线观看| 一级黄色影片| 免费日本aⅴ中文字幕| 人人摸人人澡人人| 5月色亭亭视频| 99草在线免费观看视频| 九九热黄色| va婷婷在线免费观看| 97干在线免费| 五月丁香网站| 天天插天天爽| 色五月天综合| 另类综合激情| 亭亭丁香97| 成人精品在线| 五月激情六月婷婷| 第二色AⅤ| 99热亚洲综合| 国产AV一区二区三区日韩| 五月激情小说网| 26uuu国自产精品| 伊人九热| 久热婷婷| 91色噜噜狠狠狠狠色综合| 亚洲人人96@| 青青草Avb在线| 九九AV| 99视频| 成人久久天天x资源站| 激情婷| 天天操综合网| 日日噜狠狠| 五月综合缴情网| 99色激| 激情骚五月| 国产精产国品一二三在观看| www.99久| 美女五月狠狠| 97色色在线视频| 99视频色在线观看| 9l视频自拍9l九色9l成人| 色五月综合激情网| 亚洲日韩一页精品发布| 欧美成人va| 婷婷丁香五月综合免费视频百花| 丁香六月天色婷婷| 91视屏在线观看com.wwwvv| 色色五月丁香婷婷| 欧美 日韩 成人在线| 五月婷九月| 无码AV免费精品一区二区三区 | 日本美女上人| 亭亭五月丁香五月天激情| 久久久天堂国产精品女人| 五月天激情久久| www激情网| 欧美99热| 五月丁香久久久日婷婷久久婷婷日| 在线网黄| 无码区婷婷五月花开| 在线99色| BT综合在线视频观看| 九月av在线| www久久久久久久| 日韩在线观看网址| 丁香五月婷婷啪啪视频| 日韩av免费版| www.久久久久久久久久.com| 99视频综合网| 亚洲黄色av网站| 麻豆忘忧草午夜| 婷婷中文字幕欧美| 久久精99| 五月间天堂综合| 伊人久久综合| 天天操天天曰天天射| 五月丁香六月婷婷综合| 五月婷婷综合社区| 最新色色五月天| www.91操| 色色亚洲无码| 丁香六月天婷婷开心综合| 色久五月| 六月丁香VA| 噜噜噜噜综合在线| 96精品久久久久久久久| 五月天久久婷婷| 亭亭五月丁香五月天激情| 丁香五月成人社区| 国产亚洲成AV人片在线观黄桃 | 天天搞天天色综合| 五月开心网| 九九综合| www.丁香黄色五月天人与| 色色六月| 五月天啪啪视频| 五月丁香色婷婷伊人| 99亚洲综合| 99视频精品全部免费 在线| 天天舔日日肏夜夜爽| 色婷婷六月丁香综合欲精品| 日本欧美在线| 思思久久99热只有频精品66| 欧美三级级99久久| 噜一噜免费视频| 91视屏在线观看com.wwwvv| 天天天摸夜夜夜玩| 久久人人九九| 婷婷丁香日韩五月| 五月天婷婷綜合院| 五月天婷婷色播在线网| 色五月大| 国产精品18久久久| 91精品又长又大又粗又爽又猛| 婷香五月| 五月开心色| 婷婷色网| 免费看片在线观看| 激情五月综合免费| 激情久久久久| 婷婷碰碰| 五月丁香婷婷爱激情综合网| 丁香五月Av| 天天干天天日天天操| 9热超碰| 中文字幕在线免费| 99热这里只有精品86| 丁香五月播播| 《久久综合九色综合97婷婷| 色婷綜合网| 99视频在线播放大全| 丰满老熟妇BBBBB搡BBB| w婷婷五月婷婷w| 三十路磁力链接| 色欲天天综合| 激情网色五月| 天天色,天天操,天天射| 91久久婷婷| 色级婷婷| m色激情网| 思思热视频| 91性人人| 婷婷五月情天| 九九成人电影婷婷| 久久五月天激情婷婷| 天天日天天色| 人妻中文字幕精品| 就爱射中文字幕资源网| 国产这里只有精品| 就要爱综合| 99这里只有精品| 日韩国产AV播放| 婷婷六月丁香色| 亚洲永久免费| 色婷婷中文在线| 在线1青婷| 精品热九九| 高清无码 一区 二区 三区| 色色色婷婷五月天| 亚洲性爱电影| www,com,五月色色| 婷婷五月色惰| 欧美精品18| 超爽内射| 这里只有精品无码| 91打屁股免费看| 九九爱精品网站| 丁香婷停五月激情综合深爱| 免费观看的av| 六月丁香婷婷色综合| 婷婷爱五月| 97福利视频| 成人片在线播放| av在线激情| 五月婷婷丁香啪啪| 激情六月婷婷| 日日爽日日| 99碰碰| 综合色色色| 久久五月天激情美女| 五月色综合| 777色婷婷爱五月| 丁香激情五月| 久婷婷久草| 亚洲精品一区中文字幕乱码| 五月婷婷深爱六月| 色色97丁香婷婷五月天| 五月丁香六月激情在线| www.婷婷,com| 五月天婷婷在线AN| 色综合爱综合| 狠狠狠狠狠狠草| 天天干狠狠| 日韩无码乱轮| 99超级碰免费视频| 5月婷婷6月丁香aV| 影音先锋男人av资源站| 丁香六月婷婷五月婷婷| 色色丁香婷婷| 夜精品无码A片一区二区蜜桃| 色香五月天| 变态另类色图| 丁香婷婷久久 | 在线观看av网站| 五月丁香精品| 成熟妇人A片免费看网站| 丁香欧美| 日本三级中文字幕| 无遮挡国产高潮视频免费观看| 思思热在线视频99| 色五月婷婷综合在线| 丁香啪啪| 97韩国久久电影院| 婷婷五月丁香久久| 婷婷五月激情欧美大胆视频| 欧美色色色色色色| 亚洲AV激情五月综合网| 1234操逼网| 99免费在线| 色青五月天| 久久久久久久久久久44| 九九久久99| 色婷婷成人| 丁香五月婷婷狠狠色| 97亚洲视频在线| 五月天婷婷色色网| 久热这里只有精品66| 色色激情五月| 色九月综合| 久久九九热视频| 九九色热视频| 99re这里只有精品免费| 五月丁香综合在线| 婷婷热色| 国产SUV精品一区二区6| 欧美色99| 五月激情婷婷国产精品久久久久久| Av狠狠色丁香婷| 99碰视频| 婷婷丁香大香蕉| 婷婷91| 婷婷婷久久久| 99热中文字幕久久| 五月综合亚洲婷婷| 天天做天天视天天谢| 性热视频99精品| 久久久久久久久月丁| 色播五月| 色综合久久天天综合网| 亚洲最大视频| 思思久热6| 国产日韩欧美性生活| 91成人电影| 久久综合最新网址| 丁香五月激情久久麻豆| 这里只有精品久久| 另类激情综合| 丁香六月久久| www.jiujiujiu| 婷婷狠狠色| 亭亭五月天成人| 五月丁香激情综合欧美| 丁香香五月激情免费视频| 91尤物九色在线| 97热久久五月婷婷| WWW.久久久久久久久久久久久| av在线婷婷| 欧美成人AAA片一区国产精品| 亚洲色五月婷婷| 亚洲精品亚洲人成人网| 久久五月网| 国产亚洲精品久久一区二区三区| 五月天激情国产综合婷婷| 久热精品视频| 天天做天天爱天天要| 日韩欧美骚货| 99在线精品视频免费观看20| 九九亚洲视频| 99热6精品| 玖玖资源站中文| 亚亚州久久高潮| 色色 亚洲| 丁香五月六月婷婷怡红院| 深爱五月日韩| 丁香六月综合激| 丁香五月婷婷总啪啪| 黄色av网站在线免费播放| 欧美成人AAA片一区国产精品| 久久9视频| 色婷婷五月在线| 香蕉操亚洲| 五月天天久久香| 欧美成人日韩| 久久婷网| 色综合色色| 狠狠色狠狠操| 国产精品久久久久久喷浆| 大地9中文在线观看免费高清| 91超碰人人操| 五月婷A V在线| 91聚色综合网| 爆乳熟女一区二区三区爆乳| www.综合久久.com| 婷婷欧美偷拍综合| 五婷婷六月合| www.成人婷婷综合| 亚洲无码99| 男女99免费视频| 狠狠搞狠狠操| 欧美天堂婷婷日韩| 黄页免费一级视频懂色| 色综合av超碰| 91婷婷在线| 欧美极品999| 色五月六月婷婷| www天天爽| 九月丁香亭亭| 无码人妻少妇色欲AV一区二区| 天天干人人奸97| 五月香蕉网| 91欧美| 色色无码| 久久44| 99久热精品在线| 五月丁香猫咪久久婷婷综合视频激情四射网入口| 永久无码色| 色色综合视频| 草草操操| 日韩成人精品中文字幕| 欧美婷婷九月| 欧美99| 人妻精品久久久久久| 开心婷婷五月| 成 人片 黄 色 大 片| 色吊丝99| 五月婷婷天天色| 青草激情综合| 色99视频| 五月丁香婷婷啪啪网| 久久丁香婷婷五月天| www久热com| 五月天开心激情综合网| 五月天婷婷Av| 婷婷五月天激情偷拍| 人。妻久久| 国外亚洲成AV人片在线观看| 色天堂操| 婷婷五月天亚洲精品| 色狠狠999综合| 三日本无码| 99久久精彩视频。| 影音先锋91| 亚洲免费综合一区| 婷婷基地成人五月天| 深爱综合网| 极品精品一区二区三区在线| 男女99免费视频| 天天射影视综合网| 狠狠综合| 影音先锋毛片网站| 人妻久久人妻久久第一区| 这里只有精品视频在线| 婷久久| 深爱五月日韩| 综合aV在线| 激情五月天丁香| 激情av在线| 久久丁香婷| 五月丁香六月婷婷不卡免费无码| 亚洲超碰在线| 在线观看亚洲视频影院| 久久精品亚洲热| 99热个人在线| 成人五月天色天堂| 色色网站| 九九色图| 婷婷五月色| 久9无码视频| 五月婷婷六月丁香| 五月天色欧美| WWW,五月| 99草在线免费观看视频| 五月丁香六月激情啪| 少妇高潮A片无套内谢麻豆传| 婷婷六月丁香在线| 五月婷婷婷婷| 激情丁香久久| 婷婷五月在线观看| www.激情在线| 国产成人综合网| 第2色五月婷| 九九热在线观看视频| 97久久视频| 六月婷婷激情| aaaaa不卡| 99热精品在线播放| 五月婷婷新网站| 91精品综合久久久久久五月丁香| 99色在线视频| 五月婷婷色五月| anquye伊人| 亚洲精品成人| 婷婷综合五月天| 99热综合| 96精品成人无码A片观看金桔 | 五月天色丁香| 色色色9 9 9| 天堂综合久| 亚洲AV日韩无码| 天天综合色| 色播播之激情五月婷婷| 日韩啪啪视品| 久热精品视频| 激情五月色综合网| 99热国产免费| 五月天色色网站| 免费无码毛片一区二区A片 | 99热.com| 婷婷激情另类| 婷五月天| 日良久久| 婷婷激情综合色五月久久,色婷婷丁香花,丁香婷婷五月情天,久久婷婷五月综合色 | 深爱五月激情五月| 婷婷 激情 五月| 五月丁香婷婷狠狠操| 天天天天天天操| 色婷婷香蕉| 欧美大肥婆大肥BBBBB| 日夜夜久久| 六月婷色| A片试看50分钟做受视频| 五月天婷婷深深爱| 人人性久久| 五月综合久久| 激情五月婷婷丁香| 久操婷婷| 日本nghangse中文字幕| 91操人视频| 97色五月天| 伊人玖玖网| 性色五月天| Www.激情| 五月丁香六月激情综合网| 超碰操日| 日本色爽| 干亚洲天堂| 99视频久久久| 午夜不卡久久精品无码免费| 色99在线观看| 激情综合自拍五月婷婷色五月| 婷婷五月天涩涩| 超碰在线看| www天天爽| 五月开心婷婷极品激情| www.1024久久| 丁香六月婷婷| 久久这里只有精品热在99| 丁香色色色| 婷婷伊人綜合中文| 99精品热视频| 色色综合网络| 欧美色骚婷婷五月天| www色综合亚洲92| 无码AV久久久久久久久| 婷婷色片| 五月天激情啪啪| 在线va网站| 国产1区2区3区| 91狼友视频网页更新| 亚洲色婷婷五月天| 五月天播播中文字幕 | 亚洲熟妇无码乱子AV电影| 精品99爱免费视频在线观看| 五月丁香激情啪啪| 色婷婷婷婷五月天| 丁香五月激情婷婷激情| 99人碰碰碰| 久操97| 影音 五月 婷婷 久久| 天天射影院| 婷婷丁香花五月天| 天天艹夜夜艹| 亚洲99在线| 啄木鸟黑丝一区二区| 久久Xx| 丁香五月性爱爱五月| 六月婷婷天堂| 爱久久小说下载网| 无码人妻少妇色欲AV一区二区| 五月婷婷深深爱| 99热这里只有精品在线| 婷婷亚洲在线| 玖玖九九99| 天天搞夜夜六| 丁香婷婷五月天校园春色| 综合久久六月| 日本9区视频| 九一九九黄色| 99cao婷婷| 精品热青草| 色135综合网| 激情内射人妻1区2区3区| 日本九九九九| 久久五月丁香| 综合久久影院| 人妻22p| 可以直接看的AV| 婷婷五月天堂| 婷婷丁香18| 久久综合丁香激情五月| 久久婷婷色| 色丁香久久| 国产精品久久欧美久久一区| 99热最新网址| seav天堂| 91操黄| 婷婷香蕉香| 97香蕉人人在线观看| 婷婷五月综合免费在线| 大香蕉人人网| 97碰碰视频| 久久五月综合| 天天舔天天插天天爱| 少妇激情五月婷婷| 亚洲激情网站| 六月丁香社区| 国产精品色婷婷99久久精品| 综合久久久| 丁香六月综合激情| 欧美槡BBBB槡BBB少妇| 久久caop| 久久精品日| www.日韩国产| 另类五月婷婷| 日韩欧美四五区| 五月婷婷六月丁香色| 天天狠狠六月婷丁香影院| 99操久久| 九九伊人网| 影音先锋AV男人站| 天天摸天天肏| 26uuu色噜噜精品一区| 婷婷五月丁香久久| 九九在线精点品| 91viP在线看| 亭亭丁香aV| 国产色99| 思思re99视频在线观看| 2018国产大陆天天弄| 免费成片在线观看| 99热老司机| 精品99只有。| 可以免费看的AV网站| 日韩操人| 五月激情综合婷婷| 另类激情四射| 6080av| 色色色色色网| 色偷偷AV亚洲男人的天堂| www色婷婷com| 无码四色色色| 中文av网| a久久| A1片久久| 五月天色狠狠| 亚洲综合五月天| www.婷婷六月天| 丁香五月 激情文学| 色五月无码| 亚洲五月色| 婷婷五月天网| 内射综合网| 99热这里只有精品50| 丁香婷婷久久 | 久操激情| 丁香五月婷婷亚洲另类| 欧美婷婷| 伊人久久大香天蕉亚洲特级| 99热福利| www.日本91| 亚洲V国产V欧美V久久久久久| 色婷婷超碰| 婷婷激情五月天在线| 99热在这里只有精品| 狠狠久久婷婷| www.色窝| 激情婷婷五月天| 天海翼中文字幕高| 99热成人永久免费| 九九亚洲综合| 九九综合九色欧美狠狠| 五月婷久久| 婷婷色片| 久久久五月天网站| 这里只有精彩亚洲视频推荐| 狠狠穞A片一區二區三區| 婷婷综合在线播放| 五月天婷婷在线啪啪视频| 99色免费观看全部| 久久婷狠狠色| 天天五月天综合网址| 人妻有码乱操| 狠狠五月天婷婷激情网。| 精品人妻伦一二三区久| 99精品自拍| 久久精彩视频| 99碰碰中文| 日日夜夜婷婷| 69凹凸成人综合网| www.日韩艹| 亚洲中文字幕网| 色综合色婷婷色伊人| 亚洲av骚货| 丁香五月91| 最新色色五月天| 99啪在线视频| 五月婷婷激情五月| 狠狠综合色网| av操一操| 五月丁香视频色色| 丁香色婷婷五月天| 91伦| 激情丁香图片| 婷婷日本在线| 激情五月天色色色| 开心婷婷五月中文字幕组| 人妻内射一区二区在线视频| 日韩一区二区三区无码| 丁香婷婷啪啪| 婷婷五月天综合蜜桃| 久热一区| 色色日韩无码| 五月四色激情| 26uuu| 91热手机在线| 色色色五月婷| 婷婷五月综合网| 色婷婷影院| 99热www.| 亚洲熟妇AV乱码在线观看| 六月丁香综合网| 人人综合色| 99热官网精品在线| 色情婷婷。| 激情综合网五月丁香| 久久只有精| 俺也去五月婷婷丁| 丁香婷停五月激情综合深爱| 97午夜一区二区| 中文在线成人| 最新久久网址| 性做久久久久久久免费看| 无码se| 97日韩无套内| 来吧亚洲综合网| 99久在线| 久久久99精品免费观看| 深爱五月日韩| 97精品自拍视频| 天天综合精品| 国精产品一区二区三区| 天天网曰日曰夜夜综合永久免费| 免费亚洲婷婷中文字幕| a色色色色色| 综合五月激情| 大香蕉久操| 五月社区丁香| 九草性爱| 色婷婷成人做爰A片免费看网站| 五月丁香综合啪啪対白| 色婷婷丁香社综合| 久久久18| 丁香五月激情无码视频| 日本精品99| 搡BBBB搡BBB搡五十| 婷婷五月综合体验看| 激情啪啪五月天| 69热91天堂| 亚洲色五月| 色色COm| 久久99婷婷| 久久婷婷五月综合色和| 婷婷五月天久久久| anquye五月| 久久五月婷婷电影| 超碰在线94| 五月天婷婷在线播放| 欧美色爱五月天| 激情综合4月| 激情av网| 中文字幕无码AV| 91超碰在线观看| 亚洲噜色| 亚洲婷婷五月天综合| 人操人| 三人荫蒂添的好舒服A片| 91黄址| 亚洲色综合性| 日韩一区二区在线播放| 国产脫衣舞一区二区三区| 青柠影视免费高清电视剧| 狠狠色综合网| 五月天开心网| 亚洲综合婷婷| 婷婷丁香五月激情综合站_久久五月丁香激情综合_开心五月综合激情综合五月_婷 | 亚洲色9| 六月丁香啪| 久热9| 97操操操| 丁香婷婷激情五月天无毒不卡蜜桃| 天天激情综合| 五月激情综合网| 青青日韩| 2025神马午夜福利| 99只有精品| 亚洲综合色婷婷| 色婷婷色婷婷五月| 丁香五月天婷婷中文| 久久99热这里只有| 五月天综合久久丁香91| 九月大香蕉| 狠狠色综合图片| 粉嫩AV久久一区二区三区| 婷婷五月激情五月激情| 日本三级中文字幕| 骚。com| 丁香五月中文字幕久色| AV 3P| 5月色婷婷| 99开心五月五月丁香激情| 九月丁香婷婷综合| 五月五月婷婷| 秋霞丝袜啪啪啪| 色原狠狠综合| www.ywav| 亚洲av另类在线观看| 不卡在线超碰| 国产精产国品一二三在观看| 五月婷婷无码| 久久精彩视频| 五月丁香激情综合网| 亭亭玉月丁香| 五月婷婷开心网| 五月天丁香综合| 二色av| 五月在线| 人人摸人人| 丁香婷婷基地| 亚洲欧美婷婷五月色综合| 色五月综合| 五月丁香啪啪综合| 人人操AV| 狠狠干无码| 色婷婷久久| 9热网站| 青青草青青草五月天| 九九综合九色欧美狠狠| 色色五月丁香婷婷综合| av五月丁香| 99久久精品国产色欲| 丁香五月影视| 日韩操人| 五月丁香婷婷久久| 夜夜骑天天玩天天日| 五月婷婷综合潮喷| 99热在线观看免费精品| 无码啪啪| 99色热| 国产精品久久久爽爽爽麻豆色哟哟| 九九九激情网| 五月婷婷六月综合| 国产激情av| 精品久久婷婷五月天| 婷婷激情五月综合丁香社| 亚洲色婷婷五月| 久久久.COM| 五月丁香影院| 欧美久热| 香蕉久久国产AV一区二区| 九色1区视频在线| 在线观看的av| 精热在线综合网| 综合五月天婷婷色| 成人在线综合| 天天爽夜爽| 亚洲va久久久噜噜噜久久天堂| 97五月婷婷| 九九精品这里只有| 色性五月天| www99热| 一区二区无码视频| 日日操夜夜操无码免费| 第二色AⅤ| 精品丁香五月天在线播放| 色屌丝中文字幕| 不卡在线视频| 玖玖色综合网| 激情五月婷婷中文字幕| 狠狠狠狠狠狠| 欧美成人精品三区综合A片| 久久婷婷的综合色丁香五月| 99综合视频在线| 综合五月激情网| 五月激情六月宗合| 涩丁香91| 日韩啪啪视频| 色色色色色网站| 婷婷五月天国产精品| 五月婷婷激情视频| 任你日视频| 久久99久久99久久99| 色色99| 狠狠色五月| 99热精品在线播放| 婷婷丁香五月天色色| 丁香婷婷五月天色综合| 五月天天天色| 极品人妻VIDEOSSS人妻| av在线激情| 丁香婷婷婷五月| www.色婷婷.com| 亚洲成人av在线播放| 青青福利网| 婷婷激情五月综合| 五月天久久激情| 天堂婷婷丁香六月网| 婷婷丁香人妻天天爽| 9l久久久视频| 婷婷5月开心6月| 三级毛片7979| 中文字幕av网站| 五月在在观看| 狠狠干无码| 五月丁香亚州综合网| 五月天亚洲图片婷婷| 丁香五月激情网| 九热av| 色五月激情问网站| 五月丁香六月成人| 九一牛视频探花| 五月丁香六月色婷婷| 亚洲啪视频| 色五月婷婷青娱乐| 婷婷五月天香蕉| 婷婷五月天VI| 五月综合视频在线| 婷婷天堂综合| 婷婷六月天天| 99视频激情四射| 色色色色色色色五月| 九九视频精品视频精品| 亚洲综合在线视频| 婷婷伊人綜合中文字幕| 成人va视频| 婷婷五月激情五月丁香五月| 六月丁香婷婷六月激情综合| 91人人网| 99re久热只有精品6在线直播.com| 色亭亭五月天丁香综合AV - 百度 - 百度| 综合色、色综合| 婷婷丁香午夜综合影视| 97色碰| 影音先锋偷偷色男人站| 日本五月视频| 国产日产亚系列精品版优势| 天天婷婷操| 男同91 | 色999亚洲人成色| 久久激情视频| 色偷偷五月天|