基于ResNet18的讯飞人员聚集识别

修改ResNet18最后两层，使用卷积网络进行人员聚集数量识别。

AI Studio

919人浏览 · 2022-10-08 13:41:55

AI Studio · 2022-10-08 13:41:55 发布

一、人员聚集识别挑战赛

比赛链接： https://challenge.xfyun.cn/topic/info?type=people-gather&option=ssgy

疫情给人们带来的影响体现在衣食住行的方方面面。在疫情防控中，需要减少非必要的聚集性活动，减少参加聚集性活动的人员。对于个人而言，尽量不前往人员聚集场所尤其是密闭式场所。

在本次比赛中我们需要参赛选手开发算法模型，对图中的人数进行识别。为了简化赛题难度我们只需要选手识别出人数即可，不需要预测行人位置。

1.赛事任务

对输入的图片进行识别，给出图片中包含多少个人。选手需要根据训练集构建模型对测试集的图片进行预测，按照测试集精度进行排名。

2.数据说明

赛题数据由训练集和测试集组成，需要选手对测试集进行预测。训练集给出了近1000张图片及图片上人数标签。

3. 评估指标

本次竞赛的评价标准采用回归任务指标，最高分为0。

计算方法参考：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.mean_absolute_error.html

评估代码参考：

二、数据集处理

1.解压缩数据

!unzip -qoa -O gbk ~/data/data169718/人员聚集识别挑战赛数据集.zip  -d  ~/data

!unzip -qoa ~/data/人员聚集识别挑战赛数据集/test.zip -d ~/data

!unzip -qoa ~/data/人员聚集识别挑战赛数据集/train.zip -d ~/data

!head data/人员聚集识别挑战赛数据集/train_label.csv

name,count
mhTTqKoHOb.jpg,90
uEEMGtcAsu.jpg,14
rbLlYPkBAJ.jpg,74
FzosxVdhns.jpg,208
xdCWXNwkOl.jpg,300
RxPAIwoPzq.jpg,57
XGsfUEDxxM.jpg,108
BBLlyvznot.jpg,90
xCXqyjffHb.jpg,297

!wc -l data/人员聚集识别挑战赛数据集/train_label.csv

899 data/人员聚集识别挑战赛数据集/train_label.csv

2.数据集分割

!head -n700 data/人员聚集识别挑战赛数据集/train_label.csv >data/train_1.txt
!tail -n199 data/人员聚集识别挑战赛数据集/train_label.csv >data/eval.txt

!sed 1d data/train_1.txt >data/train.txt

!head data/train.txt

mhTTqKoHOb.jpg,90
uEEMGtcAsu.jpg,14
rbLlYPkBAJ.jpg,74
FzosxVdhns.jpg,208
xdCWXNwkOl.jpg,300
RxPAIwoPzq.jpg,57
XGsfUEDxxM.jpg,108
BBLlyvznot.jpg,90
xCXqyjffHb.jpg,297
RGelFzLgqr.jpg,266

import pandas as pd
data=pd.read_csv("data/人员聚集识别挑战赛数据集/train_label.csv")

max_count=data["count"].max()

3.自定义数据集

import os
import zipfile
import random
import json
import cv2
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import paddle
from paddle.io import Dataset
import paddle.nn as nn 
import paddle
import paddle.nn.functional as F
from paddle.vision.transforms import ToTensor
import numpy as np
import matplotlib.pyplot as plt

print(paddle.__version__)

2.3.2

import numpy as np
from paddle.io import Dataset

import paddle
import paddle.vision.transforms as T
import numpy as np
from PIL import Image
import os

class CrowdDataset(paddle.io.Dataset):
    """
    2类Bee数据集类的定义
    """
    def __init__(self,mode='train'):
        """
        初始化函数
        """
        self.data = []
        with open('data/{}.txt'.format(mode)) as f:
            for line in f.readlines():
                info = line.strip().split(',')
                if len(info) > 0:
                    self.data.append([info[0].strip(), info[1].strip()])
        if mode == 'train':
            self.transforms = T.Compose([
                T.Resize((224,224)), 
                T.RandomHorizontalFlip(),        # 随机水平翻转
                T.RandomVerticalFlip(),   
                T.ToTensor(),                       # 数据的格式转换和标准化 HWC => CHW  
                T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # 图像归一化
            ])
        else:
            self.transforms = T.Compose([
                T.Resize((224,224)),           # 图像大小修改
                T.ToTensor(),                  # 数据的格式转换和标准化 HWC => CHW
                T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])   # 图像归一化
            ])

    def get_origin_data(self):
        return self.data

    def __getitem__(self, index):
        """
        根据索引获取单个样本
        """
        image_file, label = self.data[index]
        image_file=os.path.join("data/train/",image_file)
        img = Image.open(image_file)
        if img.mode != 'RGB':
            img = img.convert('RGB') 
        img =  self.transforms(img)
        # label 缩小了400倍，loss减小点，不然晃晃悠悠loss下不去
        return img, np.array(float(label)/data["count"].max(), dtype='float32')

    def __len__(self):
        """
        获取样本总数
        """
        return len(self.data)

train_dataset = CrowdDataset(mode="train")
eval_dataset = CrowdDataset(mode='eval')

#训练数据加载
train_loader = paddle.io.DataLoader(train_dataset, batch_size=256, shuffle=True)
#测试数据加载
eval_loader = paddle.io.DataLoader(eval_dataset, batch_size = 256, shuffle=False)

三、模型定义

以resnet18为基础，修改最后avgpool、fc层，为1维度我们想要的结果。

import paddle
from paddle.vision.models import resnet18

# 定义动态图
class Regressor(paddle.nn.Layer):
    def __init__(self):
        super(Regressor, self).__init__()
        model=resnet18()
        model.avgpool = nn.AdaptiveAvgPool2D(1)
        model.fc = nn.Linear(512, 1, None)
        self.resnet = model
    # 网络的前向计算函数
    def forward(self, inputs):
        out = self.resnet(inputs)
        return out

四、模型训练

定义超参，并使用均方差进行训练。

epoch_num = 300
learning_rate = 0.001

val_acc_history = []
val_loss_history = []

def train(model):
    print('start training ... ')
    # turn into training mode
    model.train()

    opt = paddle.optimizer.SGD(learning_rate=learning_rate,
                                parameters=model.parameters())    
    for epoch in range(epoch_num):
        for batch_id, data in enumerate(train_loader()):
            x_data = data[0]
            y_data = paddle.to_tensor(data[1])
            y_data = paddle.unsqueeze(y_data, 1)

            logits = model(x_data)
            # print(logits)
            # print(y_data)
            loss = F.mse_loss(logits, y_data)
            if batch_id % 40 == 0:
                print("epoch: {}, batch_id: {}, loss is: {}".format(epoch, batch_id, loss.numpy()))
            loss.backward()
            opt.step()
            opt.clear_grad()
model = Regressor()
train(model)

paddle.save(model.state_dict(), "model.pdparams")
# paddle.save(opt.state_dict(), "adam.pdopt")

W1001 18:32:03.058738   183 gpu_resources.cc:61] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 11.2
W1001 18:32:03.062294   183 gpu_resources.cc:91] device: 0, cuDNN Version: 8.2.


start training ...

五、预测

1.定义图片预处理

def load_image(img_path):
    '''
    预测图片预处理
    '''
    img = Image.open(img_path) 
    if img.mode != 'RGB': 
        img = img.convert('RGB') 
    img = img.resize((224, 224), Image.BILINEAR)
    img = np.array(img).astype('float32') 
    img = img.transpose((2, 0, 1))  # HWC to CHW 
    img = img/255                # 像素值归一化 
    return img

2.载入模型

para_state_dict = paddle.load("model.pdparams")
model = Regressor()
model.set_state_dict(para_state_dict) #加载模型参数
model.eval() #验证模式

W1001 19:37:49.147564   145 gpu_resources.cc:61] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 11.2
W1001 19:37:49.151659   145 gpu_resources.cc:91] device: 0, cuDNN Version: 8.2.

3.预测一张图片

import glob
import math

#展示预测图片
infer_path='data/test/LoBMoEUjce.jpg'
img = Image.open(infer_path)
plt.imshow(img)          #根据数组绘制图像
plt.show()               #显示图像
#对预测图片进行预处理
infer_imgs = []
infer_imgs.append(load_image(infer_path))
infer_imgs = np.array(infer_imgs)
for i in range(len(infer_imgs)):
    data = infer_imgs[i]
    dy_x_data = np.array(data).astype('float32')
    dy_x_data=dy_x_data[np.newaxis,:, : ,:]
    img = paddle.to_tensor (dy_x_data)
    out = model(img)
    print(out)
    print(max_count)
    lab = abs(int(out.numpy()*max_count))  
    print("{}样本,被预测为：{}".format(infer_path.split('/')[-1], lab))       
print("结束")

在这里插入图片描述

Tensor(shape=[1, 1], dtype=float32, place=Place(gpu:0), stop_gradient=False,
       [[0.11775150]])
2672
LoBMoEUjce.jpg样本,被预测为：314
结束

4.批量预测并保存结果

img_list=glob.glob("data/test/*.jpg")
f=open('result.txt','w')
f.write("name,count\n")
#展示预测图片
for infer_path in img_list:
    #对预测图片进行预处理
    infer_imgs = []
    infer_imgs.append(load_image(infer_path))
    infer_imgs = np.array(infer_imgs)
    for i in range(len(infer_imgs)):
        data = infer_imgs[i]
        dy_x_data = np.array(data).astype('float32')
        dy_x_data=dy_x_data[np.newaxis,:, : ,:]
        img = paddle.to_tensor (dy_x_data)
        out = model(img) 
        # 前面缩小了400倍，这里乘回去       
        lab = abs(int(out.numpy()*max_count))  
        print("{}样本,被预测为：{}".format(infer_path.split('/')[-1], lab)) 
        f.write(infer_path.split('/')[-1] +','+ str(lab) +'\n')     
print("结束")
        lab = abs(int(out.numpy()*max_count))  
        print("{}样本,被预测为：{}".format(infer_path.split('/')[-1], lab)) 
        f.write(infer_path.split('/')[-1] +','+ str(lab) +'\n')     
print("结束")
f.close()

fUzbzAYhMX.jpg样本,被预测为：395
KiyavycKIH.jpg样本,被预测为：2
ZxZaNAiXJw.jpg样本,被预测为：107
BiCOJycTlM.jpg样本,被预测为：230
gNlgCZZarX.jpg样本,被预测为：66
iOuBGeDRrt.jpg样本,被预测为：340
ljCwqTMVwN.jpg样本,被预测为：113
sNCranidqw.jpg样本,被预测为：71
kGLCIeVGzL.jpg样本,被预测为：82
mxjcXnBtSH.jpg样本,被预测为：75
JPDmgalSqM.jpg样本,被预测为：199
AmQgDaDQJn.jpg样本,被预测为：30
vWtgroOKtm.jpg样本,被预测为：62
kHDOWeevHN.jpg样本,被预测为：139
cZxmhrAtle.jpg样本,被预测为：0
BsraVauTbg.jpg样本,被预测为：528
WlNfaPDdQS.jpg样本,被预测为：70
XPoXZksXWv.jpg样本,被预测为：567
bUOHnXHIXP.jpg样本,被预测为：77
sCoTIIIaxi.jpg样本,被预测为：286
CqpdnqqYqM.jpg样本,被预测为：373
hkfLMidqoA.jpg样本,被预测为：150
BMXqcuTroE.jpg样本,被预测为：158
ARXQMkIiBm.jpg样本,被预测为：243
UfkxdrgGUK.jpg样本,被预测为：230
JSbsDwNqud.jpg样本,被预测为：179
hHFPbMsBoE.jpg样本,被预测为：91
nrsCPpwjZJ.jpg样本,被预测为：68
TNAQwfRYhG.jpg样本,被预测为：65
rLALexBCSs.jpg样本,被预测为：33
YoWKXRHqEL.jpg样本,被预测为：254
KPHNfqTOnb.jpg样本,被预测为：71
JKWONyotuq.jpg样本,被预测为：200
tAwwtHXQHN.jpg样本,被预测为：95
PTomcCAflu.jpg样本,被预测为：28
ZUxbQdoIIO.jpg样本,被预测为：186
lDbsXtuVZb.jpg样本,被预测为：106
RRGvGnryqr.jpg样本,被预测为：93
SHGSGhFyll.jpg样本,被预测为：257
GlJpVDvxkV.jpg样本,被预测为：137
qmpZEsbPjf.jpg样本,被预测为：182
wUUbRxYnuI.jpg样本,被预测为：219
fbpwMdjuok.jpg样本,被预测为：186
HVWVoEuMtu.jpg样本,被预测为：114
DWHQnylVNK.jpg样本,被预测为：53
unseitxaoT.jpg样本,被预测为：141
xFUjQFIjCi.jpg样本,被预测为：120
JpXjjREsNN.jpg样本,被预测为：536
BBdxoPPcIw.jpg样本,被预测为：170
sLJTJQQONK.jpg样本,被预测为：253
KIoHFfLbcH.jpg样本,被预测为：49
hdJTfylbfp.jpg样本,被预测为：246
OYCujtlnSd.jpg样本,被预测为：228
HZInoNpWvz.jpg样本,被预测为：137
EmWeRFoKzS.jpg样本,被预测为：16
fjfPxDpaTz.jpg样本,被预测为：361
lLhKPgyUiu.jpg样本,被预测为：86
mGUHZiWDdv.jpg样本,被预测为：298
RTzqymWwqR.jpg样本,被预测为：140
QgPtpVnmRF.jpg样本,被预测为：199
YesWZCBGgL.jpg样本,被预测为：0
VeQImPpDEz.jpg样本,被预测为：87
mUDGVlBnzA.jpg样本,被预测为：25
NzbTcztVBC.jpg样本,被预测为：144
xEyupMGRAd.jpg样本,被预测为：518
zctZSjPlfi.jpg样本,被预测为：140
cmxtvKWmme.jpg样本,被预测为：133
VPaEFZMVCU.jpg样本,被预测为：219
QSztTbrVTl.jpg样本,被预测为：139
YSBVhAKajg.jpg样本,被预测为：293
sOKDFiYkTT.jpg样本,被预测为：279
qvwTRQdAGK.jpg样本,被预测为：29
HrdNODROrZ.jpg样本,被预测为：506
DsdxIzjeED.jpg样本,被预测为：246
csygJIIkSP.jpg样本,被预测为：106
bbZJPWpFiY.jpg样本,被预测为：237
xvVvCwpZlv.jpg样本,被预测为：128
iqlDYPlyYe.jpg样本,被预测为：51
rjWsSsJtOL.jpg样本,被预测为：395
hkpaenWKsZ.jpg样本,被预测为：315
TWvuPfYoMg.jpg样本,被预测为：333
OCtAHMIcAa.jpg样本,被预测为：116
QaNOQfVbNj.jpg样本,被预测为：38
tVnGkoUvVK.jpg样本,被预测为：19
mgYhvOpiyr.jpg样本,被预测为：124
cjcTuLQSVM.jpg样本,被预测为：544
sEPpAzEtuK.jpg样本,被预测为：226
cGLOOWsvue.jpg样本,被预测为：198
nhokuVLaWV.jpg样本,被预测为：266
BWNfYrGeLD.jpg样本,被预测为：11
VAfeaJelhh.jpg样本,被预测为：180
PJlWxrtTTj.jpg样本,被预测为：406
eWpgPZENpd.jpg样本,被预测为：231
mXthuGzlsr.jpg样本,被预测为：234
hLeEyayIsm.jpg样本,被预测为：275
jznJUKGLZE.jpg样本,被预测为：252
oBvCpiXBpo.jpg样本,被预测为：152
KXATFmhPdQ.jpg样本,被预测为：246
QQRFTeIFaf.jpg样本,被预测为：16
KjmohmXZnk.jpg样本,被预测为：39
ImpVYKFAql.jpg样本,被预测为：45
JHAgdnFvla.jpg样本,被预测为：195
xvVwNurUaR.jpg样本,被预测为：262
AfdArfkgEH.jpg样本,被预测为：53
ZKMhTmDImX.jpg样本,被预测为：309
RvTRnomclS.jpg样本,被预测为：80
hxdzODftlm.jpg样本,被预测为：512
SFMpwMCgUM.jpg样本,被预测为：15
MaWZEWGtyK.jpg样本,被预测为：119
tqhEYKLLMC.jpg样本,被预测为：306
vfTktTkSHz.jpg样本,被预测为：257
NpCnrNPkjX.jpg样本,被预测为：56
UaUTPkFcAd.jpg样本,被预测为：89
AobpCHfDls.jpg样本,被预测为：256
sOoKEEucZa.jpg样本,被预测为：11
gqseXttfCK.jpg样本,被预测为：100
IOQZQQbRTn.jpg样本,被预测为：396
IkjYDOZLoD.jpg样本,被预测为：15
CXDJHzbEnq.jpg样本,被预测为：127
bAPFAqPbHb.jpg样本,被预测为：176
YkWpHbUdKr.jpg样本,被预测为：121
YKUzQTRRRM.jpg样本,被预测为：134
NDPGSORJql.jpg样本,被预测为：57
dyTZVSLgxk.jpg样本,被预测为：212
uxLetjMkgS.jpg样本,被预测为：249
vhGtBEXSYv.jpg样本,被预测为：139
dzUAdoCFSo.jpg样本,被预测为：342
PfBqvJhdRi.jpg样本,被预测为：297
DhvWNZqXni.jpg样本,被预测为：47
OSnnCbBeVe.jpg样本,被预测为：387
WKliOHCwAm.jpg样本,被预测为：122
yDmjJjpzeo.jpg样本,被预测为：437
ZxhkLufuex.jpg样本,被预测为：161
IfDQSQSapX.jpg样本,被预测为：10
fIAHtBstFO.jpg样本,被预测为：107
bCcuYdTKlD.jpg样本,被预测为：11
rkRfEtUAfq.jpg样本,被预测为：122
yVqWlFegFp.jpg样本,被预测为：418
WpIGQhnotf.jpg样本,被预测为：125
sTGofrBlqN.jpg样本,被预测为：66
gyQIxvobjN.jpg样本,被预测为：65
vZPgOxAJMD.jpg样本,被预测为：136
yLGGbruLQQ.jpg样本,被预测为：286
vxdZKhmgma.jpg样本,被预测为：28
NZNwdLaNdo.jpg样本,被预测为：7
XOnbACvRQG.jpg样本,被预测为：77
gGnSMABLtd.jpg样本,被预测为：195
lgrGpNFgwb.jpg样本,被预测为：48
QLEFRIwMyl.jpg样本,被预测为：413
VhZhmqPwkY.jpg样本,被预测为：4
FtIpwJgjIC.jpg样本,被预测为：15
rUiBteVpks.jpg样本,被预测为：99
nhefPKmaCJ.jpg样本,被预测为：65
GexgofVswZ.jpg样本,被预测为：446
zgkZKNOnxb.jpg样本,被预测为：194
omvSQEkoBR.jpg样本,被预测为：183
aWDeAQBmnO.jpg样本,被预测为：122
XFrkUQuOzU.jpg样本,被预测为：156
lufsVzjvZw.jpg样本,被预测为：542
sluaLGgVfb.jpg样本,被预测为：116
KMImWbpVrX.jpg样本,被预测为：11
yeBYrRVvLV.jpg样本,被预测为：103
xYKybkHqlW.jpg样本,被预测为：258
MzmIvMLrQB.jpg样本,被预测为：60
zwKITsWCDD.jpg样本,被预测为：215
gnMJlsWcbC.jpg样本,被预测为：274
soYTWGjhXe.jpg样本,被预测为：32
hjFqAmddpY.jpg样本,被预测为：444
fSuFwurAnq.jpg样本,被预测为：264
pSejaALHEQ.jpg样本,被预测为：438
xFrvGxRKYg.jpg样本,被预测为：124
QbYwSUQPcU.jpg样本,被预测为：89
fgvQeePokd.jpg样本,被预测为：134
ktwItEBHrO.jpg样本,被预测为：108
MfxBAWlrHt.jpg样本,被预测为：86
LhHTYWoJtO.jpg样本,被预测为：97
wlgWxsauyH.jpg样本,被预测为：219
unBLohjkUE.jpg样本,被预测为：27
ZdTwrFimyI.jpg样本,被预测为：233
UmGaKmmvsz.jpg样本,被预测为：84
gDOsPLmyWh.jpg样本,被预测为：114
vlRzyboPFe.jpg样本,被预测为：276
KmMmQvzOjb.jpg样本,被预测为：433
mavMnfYxJb.jpg样本,被预测为：219
SfvEHmuYsD.jpg样本,被预测为：84
ieSKhRGBzR.jpg样本,被预测为：76
DgSLkQNvkD.jpg样本,被预测为：248
LoBMoEUjce.jpg样本,被预测为：314
EjxaYkuKvU.jpg样本,被预测为：90
qgLwBDKEfZ.jpg样本,被预测为：207
mQvPjPurLV.jpg样本,被预测为：70
oRylUWpCyR.jpg样本,被预测为：521
YyOCUktvuk.jpg样本,被预测为：95
juTxszZwln.jpg样本,被预测为：71
fZIWxrqndt.jpg样本,被预测为：201
LKzBVddRgS.jpg样本,被预测为：31
aYfMutKlGu.jpg样本,被预测为：9
JrEgHSnpcw.jpg样本,被预测为：39
ULvLXKWRUT.jpg样本,被预测为：275
hShDFVesWI.jpg样本,被预测为：127
EibMZzaBkw.jpg样本,被预测为：121
emeaAtFuau.jpg样本,被预测为：218
qADCmMUhzO.jpg样本,被预测为：486
oWBNaSYxql.jpg样本,被预测为：21
QjZDOgzKRK.jpg样本,被预测为：468
zxQiQwROEE.jpg样本,被预测为：87
xqKsBwAOks.jpg样本,被预测为：357
JwdeJnWZYD.jpg样本,被预测为：349
bxjBVcdWxR.jpg样本,被预测为：569
neQEBZhVgg.jpg样本,被预测为：312
lDuYIrCMlQ.jpg样本,被预测为：56
jUjNydVStT.jpg样本,被预测为：147
JoQCYGpYjn.jpg样本,被预测为：26
JDTpGHmqzB.jpg样本,被预测为：225
SpwnwlUAxi.jpg样本,被预测为：313
iHPWrTSWgw.jpg样本,被预测为：365
mYRshTxAml.jpg样本,被预测为：230
kEIPFaAApb.jpg样本,被预测为：64
irkqWNANsR.jpg样本,被预测为：471
OklrWGJCVQ.jpg样本,被预测为：202
EAAcuWXWWV.jpg样本,被预测为：145
iHVTnNHCgm.jpg样本,被预测为：285
ETYOaGQeoU.jpg样本,被预测为：129
VYPUmbIbEZ.jpg样本,被预测为：342
umbpPYqWwu.jpg样本,被预测为：176
cxabuMRzEd.jpg样本,被预测为：59
UApMMewiHQ.jpg样本,被预测为：240
LAldJfEzQV.jpg样本,被预测为：408
axBPztBvRu.jpg样本,被预测为：365
FqTHvPruYx.jpg样本,被预测为：413
PKzXGqbPaB.jpg样本,被预测为：71
KEjMUXLsCL.jpg样本,被预测为：366
ooiTonRZbz.jpg样本,被预测为：461
rQPuIiuKZU.jpg样本,被预测为：196
NFlriTOpAM.jpg样本,被预测为：37
TzPRChoQoR.jpg样本,被预测为：131
WUiCxMcwYl.jpg样本,被预测为：15
mgNCcIlwrg.jpg样本,被预测为：110
XZengkiKGE.jpg样本,被预测为：103
IyElYHnaBB.jpg样本,被预测为：185
tUEUSHYsob.jpg样本,被预测为：489
xzQxQjWFxT.jpg样本,被预测为：324
pbrPTbVvOV.jpg样本,被预测为：9
WegUkFnOVM.jpg样本,被预测为：227
xQtCnDOEXD.jpg样本,被预测为：49
YuZZNDwRXi.jpg样本,被预测为：162
JwArkBRQiY.jpg样本,被预测为：226
GkmpSEePKR.jpg样本,被预测为：209
VaVZLpephe.jpg样本,被预测为：135
DRShhUmwGA.jpg样本,被预测为：19
hOeAfIcelm.jpg样本,被预测为：356
UEqpqKLnnA.jpg样本,被预测为：648
SYWoNGYMaQ.jpg样本,被预测为：69
dlYwTEKIPJ.jpg样本,被预测为：100
OzkjhoxILH.jpg样本,被预测为：128
DFeYizAMop.jpg样本,被预测为：141
CCDYMADJze.jpg样本,被预测为：175
ltAMTqQVFY.jpg样本,被预测为：66
iZfZqRShzP.jpg样本,被预测为：12
wRiXEtTBJJ.jpg样本,被预测为：145
sSIdzbArQy.jpg样本,被预测为：6
svYqaWfmSX.jpg样本,被预测为：15
aVfTIOixOQ.jpg样本,被预测为：162
JJVHbqCwMs.jpg样本,被预测为：173
vDqSJNligV.jpg样本,被预测为：329
KziJFpIKnO.jpg样本,被预测为：12
sjuUHXAYUN.jpg样本,被预测为：195
kqwEphYIrT.jpg样本,被预测为：202
TQDTtlhMQP.jpg样本,被预测为：566
fMwYAPsDYI.jpg样本,被预测为：87
cuvvTdIEet.jpg样本,被预测为：43
ORFdCWwOas.jpg样本,被预测为：284
tBVpPrfIMu.jpg样本,被预测为：229
zVRODevWIy.jpg样本,被预测为：429
ojaelWMDRq.jpg样本,被预测为：218
jfpsJMueRv.jpg样本,被预测为：427
xITWxBuful.jpg样本,被预测为：178
pceUfgcMiN.jpg样本,被预测为：6
wGDqWQYXiR.jpg样本,被预测为：75
lPGbKkghQf.jpg样本,被预测为：220
ofNnXAoqGF.jpg样本,被预测为：310
XDuWXNKdTh.jpg样本,被预测为：127
PzTXtcFUee.jpg样本,被预测为：423
udSmkwovTV.jpg样本,被预测为：66
IldUMeXPUI.jpg样本,被预测为：288
BHrnVwHceK.jpg样本,被预测为：33
ojJqhjNiZK.jpg样本,被预测为：282
DxBVDlrFuD.jpg样本,被预测为：325
YlsfKdKFxg.jpg样本,被预测为：263
tZctzSYSGi.jpg样本,被预测为：197
UlPvZVlmag.jpg样本,被预测为：144
LQhckhjhoB.jpg样本,被预测为：214
DAFhUKAdwG.jpg样本,被预测为：143
RByrVhsYeF.jpg样本,被预测为：238
TzPofMQzWU.jpg样本,被预测为：197
MpWvxulHzA.jpg样本,被预测为：247
WOnWUDHfdJ.jpg样本,被预测为：85
HVRpMDXQkW.jpg样本,被预测为：214
GWarcnwqjc.jpg样本,被预测为：185
MzLnDeZbsd.jpg样本,被预测为：229
结束