- 赛事介绍
- 竞赛排行榜
- 自由练习榜单
- 讨论($vue{comment_count})
- 学习资源
大赛简介
自今年7月1日起,上海市将正式实施 《上海市生活垃圾管理条例》。垃圾分类,看似是微不足道的“小事”,实则关系到13亿多人生活环境的改善,理应大力提倡。
垃圾识别分类数据集中包括class、cardboard、metal、paper、plastic、trash,共6个类别。
生活垃圾由于种类繁多,具体分类缺乏统一标准,大多人在实际操作时会“选择困难”,基于深度学习技术建立准确的分类模型,利用技术手段改善人居环境。
赛事主题和数据说明
赛题描述
通过实现算法并提交训练,获取奖金池奖金。小提示:抢先更新算法排行榜,有更大机会获取高额奖金哦!
数据描述
由于需要提交代码作品在云端进行训练,参赛数据集不对外开放。仅提供调试数据。
字段说明:
文件名 |
字段名称 |
字段类型 |
备注 |
image_path |
string |
不为空 |
图片路径 |
labels |
int |
大于等于 0, 小于等于 5 |
图片标签 |
name |
string |
不为空 |
标签对应的中文 |
参考文献:
[1]无
评审标准
算法输入输出格式
输入字段:
image_path,
输出字段:
labels,
评审指标说明
- 准确率(Accuracy):对于给定的测试数据集,预测正确的样本数与实际总样本数之比
- True,表示预测正确的样本数数量
- Total Number of Samples,表示实际总样本数数量
- 计算公式如下:
超过 85分 的成绩会在48小时内更新到排行榜,不要着急哦!
batch数据为30,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为98.02。
batch数据为8,循环次数为170次,通过在线上环境完成训练,模型最优精度评分为97.04。
batch数据为16,循环次数为45次,通过在线上环境完成训练,模型最优精度评分为96.44。
4
batch数据为32,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为96.05。
5
batch数据为48,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为96.05。
6
batch数据为32,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为96.05。
7
batch数据为32,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为95.85。
8
batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为95.65。
9
batch数据为32,循环次数为1500次,通过在线上环境完成训练,模型最优精度评分为95.65。
10
batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为95.65。
11
batch数据为128,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为95.65。
12
batch数据为256,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为95.45。
13
batch数据为28,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为95.26。
14
batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为94.86。
15
batch数据为64,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为94.86。
16
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为94.66。
17
batch数据为32,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为94.66。
18
batch数据为28,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为94.66。
19
batch数据为28,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为94.66。
20
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为94.66。
21
batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为94.27。
22
batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为94.27。
23
batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为94.07。
24
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为94.07。
25
batch数据为128,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为94.07。
26
batch数据为32,循环次数为188次,通过在线上环境完成训练,模型最优精度评分为93.08。
27
batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为92.69。
28
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为92.49。
29
batch数据为8,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为92.09。
30
batch数据为16,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为91.90。
31
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为91.70。
32
batch数据为64,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为90.51。
33
batch数据为16,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为89.53。
34
batch数据为100,循环次数为320次,通过在线上环境完成训练,模型最优精度评分为89.33。
35
batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为89.33。
36
batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为89.13。
37
batch数据为128,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为88.74。
38
batch数据为256,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为88.34。
39
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为88.14。
40
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为87.94。
41
batch数据为32,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为86.17。
42
batch数据为64,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为85.97。
43
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为85.97。
44
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为84.58。
45
batch数据为16,循环次数为320次,通过在线上环境完成训练,模型最优精度评分为84.19。
46
batch数据为516,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为83.99。
47
batch数据为32,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为83.60。
48
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为83.40。
49
batch数据为32,循环次数为36次,通过在线上环境完成训练,模型最优精度评分为83.40。
50
batch数据为64,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为83.40。
51
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为83.00。
52
batch数据为64,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为83.00。
53
batch数据为128,循环次数为55次,通过在线上环境完成训练,模型最优精度评分为82.81。
54
batch数据为300,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为82.61。
55
batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为82.21。
56
batch数据为128,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为80.83。
57
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为80.83。
58
batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为80.63。
59
batch数据为64,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为80.43。
60
batch数据为128,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为79.84。
61
batch数据为32,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为79.84。
62
batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为79.84。
63
batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为79.64。
64
batch数据为16,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为78.85。
65
batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为78.85。
66
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为78.85。
67
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为78.26。
68
batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为77.47。
69
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为75.69。
70
batch数据为50,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为75.49。
71
batch数据为128,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为75.30。
72
batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为75.30。
73
batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为74.51。
74
batch数据为128,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为72.73。
75
batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为71.94。
76
batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为71.34。
77
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为71.15。
78
batch数据为1000,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为70.95。
79
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为69.76。
80
batch数据为160,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为69.76。
81
batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为69.17。
82
batch数据为128,循环次数为66次,通过在线上环境完成训练,模型最优精度评分为68.58。
83
batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为67.39。
84
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为64.82。
85
batch数据为50,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为64.62。
86
batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为64.62。
87
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为63.83。
88
batch数据为32,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为63.44。
89
batch数据为256,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为60.28。
90
batch数据为128,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为59.68。
91
batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为58.50。
92
batch数据为16,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为58.30。
93
batch数据为256,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为57.91。
94
batch数据为128,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为57.71。
95
batch数据为100,循环次数为320次,通过在线上环境完成训练,模型最优精度评分为57.51。
96
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为57.11。
97
batch数据为1000,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为56.72。
98
batch数据为16,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为55.93。
99
batch数据为1000,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为55.93。
100
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为55.73。
101
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为55.34。
102
batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为52.96。
103
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为52.57。
104
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为52.57。
105
batch数据为64,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为52.17。
106
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为51.98。
107
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为51.19。
108
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为50.59。
109
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为49.60。
110
batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为49.41。
111
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为49.01。
112
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为48.42。
113
batch数据为128,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为48.22。
114
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为46.25。
115
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为45.65。
116
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为45.65。
117
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为45.45。
118
batch数据为32,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为44.66。
119
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为44.47。
120
batch数据为64,循环次数为128次,通过在线上环境完成训练,模型最优精度评分为41.90。
121
batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为41.70。
122
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为41.50。
123
batch数据为512,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为39.92。
124
batch数据为256,循环次数为256次,通过在线上环境完成训练,模型最优精度评分为35.57。
125
batch数据为64,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为35.57。
126
batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为35.38。
127
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为32.02。
128
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为29.84。
129
batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为28.85。
130
batch数据为500,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为24.31。
131
batch数据为50,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为24.11。
132
batch数据为1000,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为23.91。
133
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为23.91。
134
batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为23.91。
135
batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为23.91。
136
batch数据为100,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为23.91。
137
batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为23.91。
138
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为23.91。
139
batch数据为2,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为23.91。
140
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为22.13。
141
batch数据为16,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为21.74。
142
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为21.54。
143
batch数据为32,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为21.54。
144
batch数据为256,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为17.39。
145
batch数据为32,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为14.62。
chris2019
2019-08-03 01:09:08
2019-08-03 01:09:08
98.42
YY
2019-08-03 06:23:08
2019-08-03 06:23:08
97.23
yosef
2019-08-02 16:32:40
2019-08-02 16:32:40
96.44
4
Winteriscoming
2019-08-04 12:10:25
2019-08-04 12:10:25
96.05
5
会飞的猪
2019-08-22 11:29:20
2019-08-22 11:29:20
96.05
6
探索之路
2019-08-03 19:22:46
2019-08-03 19:22:46
95.65
7
Cver
2019-08-11 09:05:22
2019-08-11 09:05:22
95.65
8
会员1576582768
2020-01-06 12:44:37
2020-01-06 12:44:37
95.26
9
暖阳。
2019-08-11 05:18:09
2019-08-11 05:18:09
95.06
10
heihei
2019-09-27 11:53:30
2019-09-27 11:53:30
95.06
11
bestfitting
2019-08-05 00:42:18
2019-08-05 00:42:18
94.27
12
青春猪头少年
2019-08-08 16:13:35
2019-08-08 16:13:35
94.27
13
qqqqqqjie
2019-10-10 11:39:22
2019-10-10 11:39:22
94.27
14
Albert1563667639
2019-08-03 23:00:34
2019-08-03 23:00:34
93.28
15
fighting
2019-08-15 01:29:58
2019-08-15 01:29:58
90.71
16
王冠
2019-10-26 11:57:21
2019-10-26 11:57:21
90.32
17
上山打老鼠
2019-08-04 12:41:08
2019-08-04 12:41:08
89.33
18
叶骞
2019-12-10 13:11:27
2019-12-10 13:11:27
88.74
19
208.
2019-08-07 14:47:17
2019-08-07 14:47:17
88.14
2020-08-07 21:53:57
87.75
21
isaiah
2019-08-12 20:40:42
2019-08-12 20:40:42
86.96
22
八重樱
2019-08-05 21:06:44
2019-08-05 21:06:44
85.57
23
每天都要进步
2020-03-14 20:29:57
2020-03-14 20:29:57
83.6
24
马上就有人鱼线的骨折君
2019-09-02 12:30:38
2019-09-02 12:30:38
82.61
25
EnfantImparfait
2019-08-09 13:23:16
2019-08-09 13:23:16
81.42
26
宇宙
2019-09-17 21:01:14
2019-09-17 21:01:14
78.66
27
Hw丶
2019-08-02 22:30:31
2019-08-02 22:30:31
78.06
28
deepdeep
2019-08-30 22:41:34
2019-08-30 22:41:34
77.67
29
几几付唧唧
2019-08-05 07:21:15
2019-08-05 07:21:15
73.52
30
sigmoid
2019-10-09 16:23:20
2019-10-09 16:23:20
69.57
31
June_Z
2019-09-06 09:11:18
2019-09-06 09:11:18
67.79
32
程二
2019-11-01 09:39:54
2019-11-01 09:39:54
65.22
33
Lucaschen
2019-08-03 11:54:20
2019-08-03 11:54:20
64.62
34
丁丁虫
2019-11-20 00:08:27
2019-11-20 00:08:27
64.62
35
PPdog
2019-09-03 19:32:08
2019-09-03 19:32:08
64.03
36
绿肥红瘦
2020-02-01 21:30:45
2020-02-01 21:30:45
63.83
37
白开水
2019-08-14 15:34:32
2019-08-14 15:34:32
63.64
38
zaburo
2020-01-21 17:12:25
2020-01-21 17:12:25
63.64
39
MJZ_98
2019-11-14 08:51:33
2019-11-14 08:51:33
61.46
40
shybee
2020-02-09 15:29:25
2020-02-09 15:29:25
59.29
41
热情
2019-08-26 18:51:48
2019-08-26 18:51:48
58.3
42
怎么
2019-08-05 16:56:19
2019-08-05 16:56:19
57.51
43
沧海一声切克闹
2019-10-02 14:48:09
2019-10-02 14:48:09
56.32
44
flyai会员1579082541
2020-01-16 15:20:27
2020-01-16 15:20:27
53.95
45
章鑫
2019-11-14 14:26:38
2019-11-14 14:26:38
53.75
46
7068
2019-09-09 10:00:13
2019-09-09 10:00:13
53.36
47
Lune
2019-09-15 14:12:40
2019-09-15 14:12:40
52.57
48
无乡异客
2019-08-04 17:43:37
2019-08-04 17:43:37
51.19
49
AMERICA
2019-09-23 21:26:01
2019-09-23 21:26:01
48.22
50
ljz001234
2019-11-18 23:27:04
2019-11-18 23:27:04
48.22
51
会飞的泥鳅
2019-11-25 21:48:48
2019-11-25 21:48:48
46.44
52
18018592775
2020-01-11 13:02:08
2020-01-11 13:02:08
44.86
53
who
2019-08-05 12:37:10
2019-08-05 12:37:10
41.7
54
Trent_tangtao
2020-03-12 09:40:03
2020-03-12 09:40:03
36.17
55
鲤鱼王使用了水溅跃
2019-08-23 00:11:53
2019-08-23 00:11:53
35.97
56
全村的希望1564878664
2019-08-04 09:12:06
2019-08-04 09:12:06
32.02
57
一只会肥的猪
2019-08-29 18:09:22
2019-08-29 18:09:22
30.24
58
大邪神赖葱.
2019-08-02 22:03:43
2019-08-02 22:03:43
23.91
59
哇咔咔556
2020-02-11 10:33:10
2020-02-11 10:33:10
23.91
60
命运.
2019-08-02 17:44:34
2019-08-02 17:44:34
21.54
2019-08-04 12:49:51
21.54
62
风儿吹过
2019-08-04 18:24:55
2019-08-04 18:24:55
21.54
63
毛利
2019-08-06 23:43:23
2019-08-06 23:43:23
21.54
64
殷宏磊
2019-08-07 21:43:28
2019-08-07 21:43:28
21.54
65
李强
2019-08-09 10:05:49
2019-08-09 10:05:49
21.54
66
0o0
2019-08-11 11:27:56
2019-08-11 11:27:56
21.54
67
AMIEO
2019-08-14 13:41:40
2019-08-14 13:41:40
21.54
68
nice
2019-08-20 18:04:17
2019-08-20 18:04:17
21.54
69
余生有我
2019-08-22 21:42:46
2019-08-22 21:42:46
21.54
70
乔大叶
2019-08-28 18:33:05
2019-08-28 18:33:05
21.54
71
Pony
2019-08-31 19:07:12
2019-08-31 19:07:12
21.54
72
danyue
2019-09-04 11:10:22
2019-09-04 11:10:22
21.54
73
小红帽1568095708
2019-09-10 14:13:28
2019-09-10 14:13:28
21.54
74
风1567927103
2019-09-10 16:28:30
2019-09-10 16:28:30
21.54
75
chk爱酸奶
2019-09-13 18:38:35
2019-09-13 18:38:35
21.54
76
啟俊
2019-09-19 16:17:50
2019-09-19 16:17:50
21.54
77
老人雨何
2019-09-29 04:52:50
2019-09-29 04:52:50
21.54
78
hajohn
2019-10-15 13:50:20
2019-10-15 13:50:20
21.54
79
胡星辉
2019-10-18 15:59:33
2019-10-18 15:59:33
21.54
80
飓风神龙
2019-10-20 15:36:26
2019-10-20 15:36:26
21.54
81
嘻嘻嘻哈哈
2019-10-30 14:58:00
2019-10-30 14:58:00
21.54
82
牛奋奋
2019-10-31 20:49:20
2019-10-31 20:49:20
21.54
83
张哲瑞
2019-11-02 13:27:40
2019-11-02 13:27:40
21.54
84
今天不想取名字
2019-11-05 16:33:37
2019-11-05 16:33:37
21.54
85
姬了个喵
2019-11-12 12:58:15
2019-11-12 12:58:15
21.54
86
LIAOQIANLI
2019-11-14 14:49:00
2019-11-14 14:49:00
21.54
87
鲍若凡
2019-11-21 14:05:09
2019-11-21 14:05:09
21.54
88
Hollens
2019-11-25 18:06:50
2019-11-25 18:06:50
21.54
89
力口贝世因心
2019-12-02 22:14:53
2019-12-02 22:14:53
21.54
90
ai1575436938
2019-12-05 09:52:55
2019-12-05 09:52:55
21.54
91
树泉
2019-12-05 19:08:26
2019-12-05 19:08:26
21.54
92
Thyme
2019-12-05 21:18:52
2019-12-05 21:18:52
21.54
93
Hyper Chenx
2019-12-11 10:46:37
2019-12-11 10:46:37
21.54
94
飞1562580904
2019-12-12 16:06:28
2019-12-12 16:06:28
21.54
95
渣喵
2019-12-12 16:46:05
2019-12-12 16:46:05
21.54
96
hello80
2019-12-17 11:07:56
2019-12-17 11:07:56
21.54
97
Rabbit1576587575
2019-12-17 21:02:29
2019-12-17 21:02:29
21.54
98
会员1576666506
2019-12-18 19:08:21
2019-12-18 19:08:21
21.54
99
kaola
2019-12-20 20:57:43
2019-12-20 20:57:43
21.54
100
flyai会员1576951893
2019-12-22 02:29:13
2019-12-22 02:29:13
21.54
101
Mr.Fire
2019-12-25 13:59:23
2019-12-25 13:59:23
21.54
102
杨泽鹏
2019-12-26 17:23:18
2019-12-26 17:23:18
21.54
103
谢俊宇
2019-12-28 10:48:36
2019-12-28 10:48:36
21.54
104
多特
2019-12-29 16:23:42
2019-12-29 16:23:42
21.54
105
wizardholy
2019-12-31 17:49:07
2019-12-31 17:49:07
21.54
106
Z.Y.Wei
2020-01-02 22:34:03
2020-01-02 22:34:03
21.54
107
flyai会员1577988609
2020-01-03 02:13:59
2020-01-03 02:13:59
21.54
108
starry
2020-01-07 19:45:33
2020-01-07 19:45:33
21.54
109
monkey2
2020-01-10 10:42:31
2020-01-10 10:42:31
21.54
110
AL1556956920
2020-01-16 20:15:56
2020-01-16 20:15:56
21.54
111
变向怪杰
2020-01-28 17:43:42
2020-01-28 17:43:42
21.54
112
ashora(啊瘦了)
2020-01-28 23:41:02
2020-01-28 23:41:02
21.54
113
Kit
2020-01-29 19:41:56
2020-01-29 19:41:56
21.54
114
flyai会员1579502754
2020-01-31 12:45:49
2020-01-31 12:45:49
21.54
115
yzyuan
2020-02-01 21:00:20
2020-02-01 21:00:20
21.54
116
尽欢(李明)
2020-02-11 19:04:29
2020-02-11 19:04:29
21.54
117
知无涯者
2020-02-12 15:43:01
2020-02-12 15:43:01
21.54
118
huangxf
2020-02-15 18:59:14
2020-02-15 18:59:14
21.54
119
flyai会员1582247862
2020-02-21 09:19:49
2020-02-21 09:19:49
21.54
120
cyh12315
2020-03-07 11:30:23
2020-03-07 11:30:23
21.54
121
ROC
2020-03-09 15:04:17
2020-03-09 15:04:17
21.54
122
信任
2020-03-23 22:17:46
2020-03-23 22:17:46
21.54
123
蔚
2020-04-14 20:06:27
2020-04-14 20:06:27
21.54
124
invoid
2020-05-09 21:24:06
2020-05-09 21:24:06
21.54
125
路路
2020-05-13 15:38:32
2020-05-13 15:38:32
21.54
126
嘟嘟嘟
2020-05-21 15:15:33
2020-05-21 15:15:33
21.54
127
韩天啸
2020-06-11 17:01:39
2020-06-11 17:01:39
21.54
128
隐身要彻底
2020-06-13 21:17:58
2020-06-13 21:17:58
21.54
129
蓝色冰点
2020-08-31 16:03:47
2020-08-31 16:03:47
21.54
130
易水风行
2020-09-18 15:51:55
2020-09-18 15:51:55
21.54
131
飞回地球
2019-08-26 03:49:11
2019-08-26 03:49:11
20.16
132
聪-Clarence
2019-08-22 19:51:49
2019-08-22 19:51:49
19.57