ICS33.050.20

M30

電信終端產(chǎn)業(yè)協(xié)會標(biāo)準(zhǔn)

T/TAF063-2020

移動智能終端人工智能性能基準(zhǔn)測試方法

BenchmarkTestMethodsforAIPerformanceofIntelligentTerminal

2020-08-04發(fā)布2020-08-04實(shí)施

電信終端產(chǎn)業(yè)協(xié)會發(fā)布

T/TAF063-2020

移動智能終端人工智能性能基準(zhǔn)測試方法

1范圍

本標(biāo)準(zhǔn)規(guī)定了通過使用端側(cè)人工智能推理框架在移動智能終端側(cè)進(jìn)行推理計(jì)算的基準(zhǔn)測試的方

法，可以對終端基于神經(jīng)網(wǎng)絡(luò)模型的計(jì)算性能進(jìn)行評估。評測場景包括圖像處理、視頻處理等不同場

景，針對不同場景測試集，測試方法和評測指標(biāo)提出要求。

本標(biāo)準(zhǔn)適用于具備智能操作系統(tǒng)的移動智能終端，包括數(shù)字移動電話機(jī)，平板電腦以及其他數(shù)字

移動通信終端設(shè)備。

2規(guī)范性引用文件

下列文件對于本標(biāo)準(zhǔn)的應(yīng)用是必不可少的。凡是注日期的引用文件，僅注日期的版本適用于本標(biāo)

準(zhǔn)。凡是不注日期的引用文件，其最新版本（包括所有的修改單）適用于本標(biāo)準(zhǔn)。

3文件清單的排列順序：

a）國家標(biāo)準(zhǔn)；

b）行業(yè)標(biāo)準(zhǔn)；

d）國內(nèi)有關(guān)文件；

e）國際標(biāo)準(zhǔn)（含ITU標(biāo)準(zhǔn)、ISO/IEC標(biāo)準(zhǔn)等）；

f）ISO或IEC有關(guān)文件；

g）其他國際標(biāo)準(zhǔn)以及其他國際有關(guān)文件。

4術(shù)語和定義

4.1神經(jīng)網(wǎng)絡(luò)模型

封裝了神經(jīng)網(wǎng)絡(luò)算法和參數(shù)的特定格式的文件，用于人工智能計(jì)算。本標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)模型應(yīng)為經(jīng)

過訓(xùn)練且達(dá)到一定準(zhǔn)確率的模型。

4.2推理集

作為人工智能推理計(jì)算的輸入數(shù)據(jù)集，可以為圖片，視頻等格式的數(shù)據(jù)或文件。

4.3端側(cè)人工智能推理框架

端側(cè)人工智能推理框架部署在移動智能終端上，通常由模型轉(zhuǎn)換工具和深度學(xué)習(xí)編譯器組成。端

側(cè)人工智能推理框架可以分為通用框架和專用框架，通用框架能跨平臺運(yùn)行，能在多種芯片平臺上運(yùn)

行的人工計(jì)算，如TensorFlowLite，PaddleLite等。專用框架指僅能在指定的部分芯片平臺上運(yùn)行的

人工智能計(jì)算，如SNPE，HiAI等。在測試過程中需要指明使用的端側(cè)人工智能推理框架。

1

T/TAF063-2020

4.4模型轉(zhuǎn)換工具

模型轉(zhuǎn)換工具能將輸入的神經(jīng)網(wǎng)絡(luò)模型，根據(jù)移動終端特點(diǎn)進(jìn)行剪裁壓縮和優(yōu)化，具有減小模型體

積、優(yōu)化算法操作和參數(shù)精度等功能。

4.5深度學(xué)習(xí)編譯器

用于解決深度神經(jīng)網(wǎng)絡(luò)模型在使用不同底層硬件計(jì)算芯片計(jì)算的適配等問題，為上層應(yīng)用的執(zhí)行提

供硬件加速能力。

4.6基準(zhǔn)測試?yán)?/p>

基準(zhǔn)測試?yán)秊橹付y試場景下，使用神經(jīng)網(wǎng)絡(luò)模型推理算法對推理測試集進(jìn)行推理測試的測試?yán)?/p>

4.7終端硬件

參與人工智能處理的硬件，包括CPU、GPU、AI硬件加速單元,內(nèi)存、電池等。

5測試概述

5.1測試構(gòu)架

基準(zhǔn)測試指通過運(yùn)行一段（一組）程序或者操作，來評測終端相關(guān)性能的活動。移動智能終端人工

智能性能基準(zhǔn)測試指通過端側(cè)人工智能推理框架，運(yùn)行不同的神經(jīng)神經(jīng)網(wǎng)絡(luò)模型和測試負(fù)載進(jìn)行推理運(yùn)

算，以此來綜合評價(jià)測試對象的AI計(jì)算性能。移動智能終端人工智能性能基準(zhǔn)測試包括圖像處理、視頻

處理測試。具體測試框架如下，見圖1：

圖1人工智能基準(zhǔn)測試構(gòu)架

神經(jīng)網(wǎng)絡(luò)模型推斷集

端側(cè)人工智能

推理框架

模型轉(zhuǎn)換工具基準(zhǔn)測試?yán)?/p>

深度學(xué)習(xí)編譯器

性能指

標(biāo)監(jiān)測

CPUGPUNPUDSP

內(nèi)存電池終端硬件

圖1移動智能終端人工智能性能基準(zhǔn)測試構(gòu)架

2

T/TAF063-2020

5.2通用測試方法

a)移動智能終端初始化，包括屏蔽測試無關(guān)的其他應(yīng)用、后臺功能、調(diào)整屏幕亮度、記錄初始電

量等,使得每次測試前終端的運(yùn)行狀態(tài)保持一致；

b)使用模型優(yōu)化工具將預(yù)訓(xùn)練的模型文件離線轉(zhuǎn)換為移動智能終端上可以直接運(yùn)行的模型文件，

并進(jìn)行優(yōu)化；

c)將測試?yán)评砑膱D像或視頻資源進(jìn)行縮放、通道轉(zhuǎn)換等預(yù)處理工作；

d)將預(yù)處理的測試圖像或視頻資源輸入優(yōu)化后的模型進(jìn)行推理測試；

e)測試過程中通過軟件方式或其他方式記錄模型指標(biāo)和硬件性能指標(biāo)。

5.3性能指標(biāo)監(jiān)測

性能指標(biāo)包括檢測人工智能推斷計(jì)算性能的模型性能指標(biāo)和硬件性能指標(biāo)。模型性能指標(biāo)參見第5

章內(nèi)容。硬件性能指標(biāo)為通用測試指標(biāo)包括功耗，內(nèi)存，CPU等，具體為：

1)功耗為測試過程中損失的電量百分比；

2)內(nèi)存平均占用為測試過程中測試工具占用的平均內(nèi)存量；

3)測試過程中CPU平均使用率（可選）；

4)測試過程中的CPU平均工作溫度（可選）；

5)測試過程中電池平均工作溫度（可選）。

6圖像處理測試方法

6.1圖像分類測試方法

測試編號1

測試名稱圖像分類測試

測試描述根據(jù)各自在圖像信息中所反映的不同特征，把不同類別的目標(biāo)區(qū)分開來的圖像處

理方法。

推理集要推理集應(yīng)由公開渠道可自由獲取的非商業(yè)用途圖片數(shù)據(jù)構(gòu)成，可選的公開數(shù)據(jù)集

求包括如下圖片集：

1.CIFAR-100；

2.Caltech_256；

3.ImageNet。

進(jìn)行基準(zhǔn)測試時(shí)，應(yīng)從公開數(shù)據(jù)集的測試集中隨機(jī)抽取10000張圖片，分類類型

不少于100類。

模型要求評測模型可以選擇下表所列深度學(xué)習(xí)模型：

1.Inceptionv3；

2.MobileNetV1。

測試步驟1)加載數(shù)據(jù)集中的圖片到終端內(nèi)存，并完成圖像縮放、通道轉(zhuǎn)換等預(yù)處理工作；

3

T/TAF063-2020

2)評測軟件記錄本次圖片推理前的時(shí)間戳；

3)將內(nèi)存中預(yù)處理后的數(shù)據(jù)輸入推理模型；

4)記錄模型輸出結(jié)果和該時(shí)刻的時(shí)間戳；

5)重復(fù)步驟a)-d，直到數(shù)據(jù)集所有圖片完成測試，輸出記錄，計(jì)算指標(biāo)；

6)測試需要使用float精度或int精度的模型分別進(jìn)行測試。

測試指標(biāo)TOP1準(zhǔn)確率（在一次推理結(jié)果分類排序中，只有當(dāng)概率最

高的結(jié)果為正確分類，本次推理結(jié)果才能判定為正確，統(tǒng)計(jì)所有圖片的推理結(jié)果，用

正確推理圖片數(shù)量除以圖片總數(shù)，得到TOP1準(zhǔn)確率。

TP1：推理結(jié)果中，Top1分類正確的圖片數(shù)量；

FN1：推理結(jié)果中，Top1分類不正確的圖片數(shù)量。

TOP5準(zhǔn)確率（單位：%）,在一次推理結(jié)果分類排序中，概率排名前五的

結(jié)果中包含正確的分類，本次推理結(jié)果判定為正確，統(tǒng)計(jì)所有圖片的推理結(jié)果，用正

確推理圖片數(shù)量除以圖片總數(shù)，得到TOP5準(zhǔn)確率。

TP5：推理結(jié)果中，Top5分類正確的圖片數(shù)量；

FN5：推理結(jié)果中，Top5分類不正確的圖片數(shù)量。

單張圖片推理時(shí)間（單位：毫秒）：記錄一組圖片推理總耗時(shí)，

計(jì)算出單張圖片平均推理時(shí)間：

TN：一組圖片推理總耗時(shí)；

N：該組圖片數(shù)量。

6.2人臉識別測試方法

測試編號2

測試名稱人臉識別測試

測試描述針對人臉照片進(jìn)行特征提取和比對，并根據(jù)終端的平均處理時(shí)長，量化移動終端

的性能。

推理集要推理集應(yīng)由公開渠道可自由獲取的非商業(yè)用途圖片數(shù)據(jù)構(gòu)成，可選的公開數(shù)據(jù)集

求包括如下圖片集：

1.LabeledFacesintheWildHome(LFW)

2.MegaFace

3.PubFig:PublicFiguresFaceDatabase

4.Colorferet

進(jìn)行基準(zhǔn)測試時(shí)，應(yīng)從公開數(shù)據(jù)集的測試集中隨機(jī)抽取10000組，選取對象

4

T/TAF063-2020

按照不同年齡段和不同性別兩個(gè)維度選取，至少包括男性兒童，女性兒童，男性

成人，女性成人，男性老人，女性老人。

模型要求評測模型可以選擇下表所列深度學(xué)習(xí)模型：

1.facenet

測試步驟1)選取符合要求的推理集作為測試樣例，建立對應(yīng)的文件列表；

2)將文件列表送入對比識別算法程序，開始執(zhí)行程序；

3)從推理算法程序讀取文件列表時(shí)開始計(jì)時(shí)，記錄200組圖片對比完成所需要的時(shí)

間和對比結(jié)果；

4)與數(shù)據(jù)庫中的圖像關(guān)系對比，計(jì)算測試樣例的正確通過率，錯(cuò)誤接受率。統(tǒng)計(jì)錯(cuò)

誤率，錯(cuò)誤接受率為百萬分之一，千分之一，萬分之一處的正確通過率；

5)測試需要使用float精度或int精度的模型分別進(jìn)行測試。

測試指標(biāo)正確通過率(PassRate，PR，單位：%)在真實(shí)的驗(yàn)證過程中（正確指紋）同一個(gè)

人的樣本被判斷為同一個(gè)人的比對次數(shù)占總比對次數(shù)的比例：

TP：同一個(gè)人的樣本對被判斷為同一個(gè)人的比對次數(shù)；

FN：同一個(gè)人的樣本對被判為不同人的比對次數(shù)。

錯(cuò)誤接受率(FalseAcceptanceRate，F(xiàn)AR，單位：%)在冒充攻擊嘗試（錯(cuò)誤指

紋）中被錯(cuò)誤接受的比例：

FP

FAR=100%

TN+FP

FP：不同人的樣本對被判為同一個(gè)人的比對次數(shù)；

TN：不同人的樣本對被判為不同人的比對次數(shù)。

單張圖片推理時(shí)間（單位：毫秒）：記錄200組圖片推理總耗時(shí)，

計(jì)算出單張圖片平均推理時(shí)間：

TN：一組圖片推理總耗時(shí)；

N：該組圖片數(shù)量。

6.3目標(biāo)語義分割測試方法

測試編號3

測試名稱圖像語義分割測試

測試描述圖像語義分割（ImageSemanticSegmentation）融合了傳統(tǒng)的圖像分割和目標(biāo)

識別兩個(gè)任務(wù)，將圖像分割成一組具有一定語義含義的塊，并識別出每個(gè)分割塊的類

5

T/TAF063-2020

別，最終得到一幅具有逐像素語義標(biāo)注的圖像。

推理集要推理集應(yīng)由公開渠道可自由獲取的非商業(yè)用途圖片數(shù)據(jù)構(gòu)成，可選的公開數(shù)據(jù)集

求包括如下圖片集：

1.PASCALVOC2012

進(jìn)行基準(zhǔn)測試時(shí)，應(yīng)從公開數(shù)據(jù)集的測試集中隨機(jī)抽取1000張，至少包括附錄B的分

類。

模型要求評測模型可以選擇表所列深度學(xué)習(xí)模型：

1.unet；

2.deeplabv3。

測試步驟使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)算法對推理集圖片進(jìn)行語義分割：

a)測試過程記錄每個(gè)數(shù)據(jù)的推導(dǎo)時(shí)間（入口和出口時(shí)間差）；

b)IoU計(jì)算方法：

1)分別加載標(biāo)注圖和結(jié)果圖；

2)根據(jù)標(biāo)注的對象顏色和結(jié)果圖中對象顏色，統(tǒng)計(jì)顏色吻合的像素點(diǎn)；

3)根據(jù)標(biāo)注對象顏色和結(jié)果圖對象顏色，統(tǒng)計(jì)色塊像素；

4)根據(jù)統(tǒng)計(jì)結(jié)果計(jì)算IoU；

5)其他分類范圍也用相同的方式分別計(jì)算IoU；

c)測試需要使用float精度或int精度的模型分別進(jìn)行測試。

測試指標(biāo)分割類別

支持分割的對象類別，記錄識別出超出推理集要求的種類個(gè)數(shù)和少于推理集要求

的種類個(gè)數(shù)之和。

測試集的平均mIoU：

IoU:IntersectionoverUnion，用于評價(jià)單一目標(biāo)上檢測的準(zhǔn)確度。IoU

為推理結(jié)果區(qū)域與實(shí)際目標(biāo)區(qū)域的交集比并集。

單張圖片推理時(shí)間（單位：毫秒）：記錄一組圖片推理總耗時(shí)，

計(jì)算出單張圖片平均推理時(shí)間：

TN：一組圖片推理總耗時(shí)

N：該組圖片數(shù)量

6.4圖片超分辨率測試方法

測試編號4

測試名稱圖片超分辨率測試

測試描述指由一幅低分辨率圖像或圖像序列恢復(fù)出高分辨率圖像。

6

T/TAF063-2020

推理集要推理集應(yīng)由公開渠道可自由獲取的非商業(yè)用途圖片數(shù)據(jù)構(gòu)成，可選的公開數(shù)據(jù)集

求見附錄C。進(jìn)行基準(zhǔn)測試時(shí)，應(yīng)從公開數(shù)據(jù)集的測試集中隨機(jī)抽取10000張圖片。

模型要求評測模型可以選擇下表所列深度學(xué)習(xí)模型：

1.SRCNN

2.vdsr

測試步驟a)依據(jù)具體的使用場景先將推斷集圖片壓縮，然后使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)算法對

壓縮圖片進(jìn)行超分放大。

b)測試過程記錄每個(gè)數(shù)據(jù)的推導(dǎo)時(shí)間（入口和出口時(shí)間差）；

c)使用超分放大圖片和原始圖片質(zhì)量計(jì)算評測指標(biāo)；

d)測試需要使用float精度或int精度的模型分別進(jìn)行測試。

測試指標(biāo)PSNR（峰值信噪比）值

1N

MSE(x(i)y(i))2

Ni1

L2

PSNR10*log()

10MSE

x(i),y(i):圖像x,y像素值;

L:像素值的動態(tài)范圍，一般取255;

N:圖像的像素?cái)?shù)（分辨率相同）。

SSIM（結(jié)構(gòu)相似度）值

(2xy+C12)(2xy+C)

SSIM(x,y)2222

(x+y+C12)(x+y+C)

x,y：圖像的均值；

22

xy,：圖像的方差；

xy：圖像的協(xié)方差；

22

c11()kL，c22()kL：用來維持穩(wěn)定的常數(shù)，L是像素值的動態(tài)范

圍，一般取255，kk120.01,0.03。

單張圖片推理時(shí)間（單位：毫秒）：記錄一組圖片推理總耗時(shí)，

計(jì)算出單張圖片平均推理時(shí)間：

TN：一組圖片推理總耗時(shí)

N：該組圖片數(shù)量

6.5目標(biāo)檢測測試方法

7

T/TAF063-2020

測試編號5

測試名稱目標(biāo)檢測測試

測試描述目標(biāo)檢測，也稱為目標(biāo)提取，是一種基于目標(biāo)幾何和統(tǒng)計(jì)特征的圖像分割技術(shù)。

其綜合了圖像分割和識別，能夠提取圖片中的對象類別以及具體位置信息。

推理集要推理集應(yīng)由公開渠道可自由獲取的非商業(yè)用途圖片數(shù)據(jù)構(gòu)成，可選的公開數(shù)據(jù)集

求包括如下圖片集：

1.COCO

進(jìn)行基準(zhǔn)測試時(shí)，應(yīng)從公開數(shù)據(jù)集的測試集中隨機(jī)抽取10000張圖片，分類類型

見附錄D，每類隨機(jī)選取20張樣本圖片。

模型要求評測模型可以選擇下表所列深度學(xué)習(xí)模型：

1.MobileNetV2-SSD,

2.ResNet-SSD.

測試步驟1)加載數(shù)據(jù)集中1張圖片到終端內(nèi)存，并完成圖像縮放、通道轉(zhuǎn)換等預(yù)處理工作；

2)評測軟件記錄本批次圖片推理前的時(shí)間戳；

3)將內(nèi)存中預(yù)處理后的數(shù)據(jù)單張輸入推理模型；

4)記錄模型輸出結(jié)果和該時(shí)刻的時(shí)間戳；

5)重復(fù)步驟a)-d，直到數(shù)據(jù)集所有圖片完成測試，輸出記錄，計(jì)算指標(biāo)；

6)測試需要使用float精度或int精度的模型分別進(jìn)行測試。

測試指標(biāo)準(zhǔn)確度mAP0.5：在IoU閾值為0.5的前提下，在所有類別上的mAP值。

mAP:MeanAveragePrecision，用于評價(jià)在全部測試樣本上的準(zhǔn)確度。與IoU

設(shè)置緊密相關(guān)。

IoU:IntersectionoverUnion，用于評價(jià)單一目標(biāo)上檢測的準(zhǔn)確度。IoU為推理結(jié)

果區(qū)域與實(shí)際目標(biāo)區(qū)域的交集比并集。

單張圖片推理時(shí)間（單位：毫秒）：記錄一組圖片推理總耗

時(shí)，計(jì)算出單張圖片平均推理時(shí)間：

TN：一組圖片推理總耗時(shí)；

N：該組圖片數(shù)量。

7視頻處理測試方法

7.1視頻目標(biāo)檢測測試

測試編號7

測試名稱對視頻中的內(nèi)容進(jìn)行目標(biāo)檢測處理

測試描述根據(jù)各自在圖像信息中所反映的不同特征，把不同類別的目標(biāo)區(qū)分開來的圖像處

理方法。

8

T/TAF063-2020

推理集要拍攝一段有代表性的3分鐘街景視頻，確保內(nèi)容明確、目標(biāo)豐富。將視頻幀進(jìn)行

求人工切割和目標(biāo)標(biāo)注，以此形成最終視頻輸入樣本。至少包括建筑，汽車，行人，交

通指示牌。

模型要求見6.5

測試步驟1)按每幀將視頻中的圖像取出進(jìn)行處理；

2)其余測試方法參考5.6。

測試指標(biāo)速度FPS：FramePerSecond，每秒鐘最大能處理的圖片張數(shù)。

準(zhǔn)確度mAP0.5：在IoU閾值為0.5的前提下，在所有類別上的mAP值。

mAP:MeanAveragePrecision，用于評價(jià)在全部測試樣本上的準(zhǔn)確度。與IoU

設(shè)置緊密相關(guān)。

IoU:IntersectionoverUnion，用于評價(jià)單一目標(biāo)上檢測的準(zhǔn)確度。IoU為

推理結(jié)果區(qū)域與實(shí)際目標(biāo)區(qū)域的交集比并集。

附錄A

（規(guī)范性附錄）

標(biāo)準(zhǔn)修訂歷史

修訂時(shí)間修訂后版本號修訂內(nèi)容

附錄B

圖像語義分割測試類別

序號父類子類

1人（Person）人（person）

2動物(Animal)鳥（bird）

3動物(Animal)貓（cat）

4動物(Animal)牛（cow）

5動物(Animal)狗（dog）

6動物(Animal)馬（horse）

7動物(Animal)羊（Sheep）

8交通工具(Vehicle)飛機(jī)（aeroplane）

9交通工具(Vehicle)自行車（bicycle）

9

T/TAF063-2020

10交通工具(Vehicle)船（boat）

11交通工具(Vehicle)巴士（bus）

12交通工具(Vehicle)車（car）

13交通工具(Vehicle)摩托車（motorbike）

14交通工具(Vehicle)火車（train）

15Indoor(室內(nèi)家具)瓶子（bottle）

16Indoor(室內(nèi)家具)椅子（chair）

17Indoor(室內(nèi)家具)餐桌（diningtable）

18Indoor(室內(nèi)家具)盆栽（pottedplant）

19Indoor(室內(nèi)家具)沙發(fā)（sofa）

20Indoor(室內(nèi)家具)電視/監(jiān)視器（tv/monitor）

附錄C

圖像超分辨率測試推斷集

序號數(shù)據(jù)集名稱數(shù)量分辨率格式種類

1BSDS300300（435,367）JPG動物，建筑，食物，風(fēng)景，人物，植物等

2BSD500500(432,370)JPG動物，建筑，食物，風(fēng)景，人物，植物等

3DIV2K1000(1972,1437)PNG環(huán)境，植物，動物，手工制品，人物，風(fēng)景等

4General-100100(435,381)BMP動物，日用品，食物，人物，植物，地質(zhì)等

5L2020(3843,2870)PNG動物，建筑，風(fēng)景，人物，植物等

6Manga109109(826,1169)PNG漫畫

7OutdoorScene10624(553,440)PNG動物，建筑，草，山，植物，天空，水

8PIRM200(617,482)PNG環(huán)境，植物，自然風(fēng)景，人物等

9Set55(313,336)PNG小孩，鳥，蝴蝶，頭，女人

10Set1414(492,446)PNG人類，動物，昆蟲，花，蔬菜，漫畫等

11T9191(264,204)PNG車，花，水果，人臉等

12Urban100100(984,797)PNG建筑，城市，結(jié)構(gòu)等

附錄D

目標(biāo)檢測類別

序號COCO類別編號目標(biāo)類別父類

11人person人Person

22自行車bicycle交通工具Vehicle

33汽車car交通工具Vehicle

45飛機(jī)airplane交通工具vehicle

10

T/TAF063-2020

57火車train交通工具vehicle

69船boat交通工具vehicle

710交通信號燈trafficlight室外outdoor

811消防栓firehydrant室外outdoor

912路標(biāo)streetsign室外outdoor

1013停止標(biāo)識stopsign室外outdoor

1116鳥bird動物animal

1217貓cat動物animal

1318狗dog動物animal

1419馬horse動物animal

1520羊sheep動物animal

1626帽子hat動物accessory

1727登山包backpack配件accessory

1828雨傘umbrella配件accessory

1929鞋子shoe配件accessory

2030眼鏡eyeglasses配件accessory

2131手包handbag配件accessory

2235滑雪skis運(yùn)動sports

2337運(yùn)動球sportsball運(yùn)動sports

2438風(fēng)箏kite運(yùn)動sports

2544瓶子bottle廚房kitchen

2645盤子plate廚房kitchen

2747杯子cup廚房kitchen

2850勺子spoon廚房kitchen

2951碗bowl廚房kitchen

3052香蕉banana食物food

3153蘋果apple食物food

3259披薩pizza食物food

3361蛋糕cake食物food

3462椅子chair家具furniture

3563長椅couch家具furniture

3664盆栽pottedplant家具furniture

3765床bed家具furniture

3866鏡子mirror家具furniture

3968窗戶window家具furniture

4069桌子Desk家具furniture

4171門Door家具furniture

4272電視Tv電子產(chǎn)品electronic

4373筆記本電laptop電子產(chǎn)品electronic

4474鼠標(biāo)mouse電子產(chǎn)品electronic