SLR-手语识别挑战赛

分享给好友

2019-02-27 11:59:25
开始提交

2019-03-29 11:59:25
最终提交结束

自由训练

剩余奖金 ¥ 3,000
参赛权限提示

当前赛题需能力值达到 $vue{itemranking} 才可以正常提交训练哦~

当前赛题仅允许 600 能力值以下的新手可以正常提交训练哦~

报名参赛

绑定你的微信账号

用于本地环境登录和实时接收训练通知

打开微信,使用扫一扫功能分享给好友

绑定你的微信账号

用于本地环境登录和实时接收训练通知

温馨提示

$vue{csv_msg}

知道了
提交结果文件

$vue{csvName == '' ? '仅支持上传 CSV 格式的文件' : csvName+' 上传中...'}

$vue{csvName}上传成功
取消 确认提交

提交成功

系统正在测评您的结果文件,

您可通过右侧【我的提交-查看记录详情】进行查看

知道了
  • 赛事介绍
  • 竞赛排行榜
  • 奖金记录
  • 讨论($vue{comment_count})
  • 学习资源

$vue{item.rank_name}

大赛简介

这个数据集为手语识别(Sign Language Recognition),识别500个类别的手语单词。数据集包含了超过11万的样本,每个样本都包含了25个人体关键点的位置轨迹。

参赛须知

参赛时间: 本次竞赛无时间限制,长期有效开放

参赛方式

  • 方式一:
  • 在线查看样例根据FlyAI样例模版实现算法并使用云端免费GPU进行模型训练获得最终成绩得分
  • 方式二:
  • 下载FlyAI样例模版进行本地调试并提交到云端使用免费GPU进行模型训练获得最终成绩得分,在本地进行代码调试的教程请查看[文档中心]

参赛选手说明

  • 参赛人员身份信息需保证真实、有效,大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
  • 欢迎海内外的在校学生,算法工程师和所有AI爱好者参与
  • 本次竞赛报名形式:以个人形式本地提交作品线上审核,并且以最终提交算法得分作为唯一有效成绩
  • 在比赛截止日期前,团队中成绩最高分作为本团队的最终成绩
  • 报名成功后请加入FlyAI竞赛交流群,一起学习进步!重要通知也将在群内发布,不要错过哦

比赛作品说明

  • 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
  • 不同团队/个人,提交相似结果文件,取消双方所有人员参赛资格
  • 多开小号报名、提交,一经发现将取消参赛资格
  • 禁止使用外部链接下载代码替换本项目代码
  • 比赛过程中,通过脚本获取比赛数据,成绩无效
  • 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练,成绩无效
  • 使用的预训练模型需为FlyAI官方审核通过的模型,使用非官方验证预训练模型,成绩无效
  • 提交的代码具备可解释性并且其它开源框架可复现
  • 所有相似代码将一律不通过审核!!情况多次出现者封号处理
  • 如有发现利用非正常手段作弊行为,奖金一律不发放。之前所获得奖金金额官方有权收回,情节严重者封号处理
  • 提交代码即视为阅读并同意以上比赛作品说明

大赛奖项设置

奖项说明:

奖项设置 获奖人数 奖金额度说明(按最终得分评判)
FlyAI挑战奖 所有挑战者 奖金获取标准:60<Score 按照得分比例获取奖金池金额
新框架奖励 所有人 项目中首次使用排行榜中未出现的新框架搭建模型,可获得60FAI币额外积分奖励

赛事主题和数据说明

赛题描述

通过迭代自己的算法模型并提交训练,获取奖金池高额奖金。小提示:抢先更新算法排行榜,有更大机会获取高额奖金哦

数据来源

SLR1

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,可通过使用本地调试的方式获取调试数据集。本地调试和提交指南请查看[文档中心]

字段说明:

文件名 字段名称 字段类型 备注
path string 不为空 记录轨迹的文件路径,每一行一个视频帧中的25个人体关键点
label string 不为空 类别

参考文献:

[1]Chinese Sign Language Recognition Dataset

评审标准

算法输入输出格式

输入字段: path,

输出字段: label,

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:

比赛常见问题说明

Q:比赛使用什么框架?

  • 比赛支持常用的机器学习和深度学习框架,比如TensorFlow,PyTorch,Keras,Scikit-learn、MXNet等。

Q:怎么参加比赛,需不需要提交CSV文件?

  • FlyAI竞赛平台提供免费云端GPU资源,报名后可以使用自己熟练的框架,修改main.py中的网络结构和processor.py中的数据处理;仅部分赛题支持CSV方式提交,请仔细阅读参赛方式相关内容。

Q:比赛排行榜分数怎么得到的?

  • 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法,调用模型得出评分。
超过 60分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

你猜猜我是谁

10.00

batch数据为256,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94.89。

2019-04-12 17:24:36

10.00

94.89

第三名

梯度下降

923.00

batch数据为128,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93.68。

2019-04-02 23:47:07

923.00

93.68

第三名

善假于物

751.00

batch数据为512,循环次数为4000次,通过在线上环境完成训练,模型最优精度评分为93.05。

PyTorch

DenseNet121

2019-04-25 11:48:49

751.00

93.05

4

唱跳RAP打篮球

batch数据为256,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91.00。

2019-04-08 13:04:49

91.00

5

cclxx

10.00

batch数据为128,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81.91。

2019-03-30 06:24:56

10.00

81.91

6

玥神

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64.62。

2019-04-04 16:19:52

64.62

7

trick_or_treat

10.00

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63.56。

PyTorch

SLRNet

2019-04-09 15:42:02

10.00

63.56

8

金垚

batch数据为1000,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52.22。

2020-02-26 21:53:54

52.22

9

An

batch数据为800,循环次数为1600次,通过在线上环境完成训练,模型最优精度评分为49.17。

2019-04-02 19:37:33

49.17

10

lyming

10.00

batch数据为16,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36.51。

torch

CNN

2019-03-30 21:18:59

10.00

36.51

11

玄学上分

10.00

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21.41。

2019-03-29 22:09:25

10.00

21.41

12

RandomYC

10.00

batch数据为512,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7.65。

2019-03-31 09:32:07

10.00

7.65

13

zhiduanqingchang

10.00

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6.25。

2019-03-30 01:17:14

10.00

6.25

14

第五轻柔

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3.25。

2019-07-11 10:20:07

3.25

15

郭玉彬

batch数据为512,循环次数为12次,通过在线上环境完成训练,模型最优精度评分为2.17。

2020-04-02 15:23:11

2.17

16

FlyAI小助手

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1.54。

2019-03-28 21:59:19

1.54

17

飓风神龙

batch数据为64,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为1.54。

2019-10-19 17:54:41

1.54

18

Tsechingyee

batch数据为64,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1.54。

2019-10-25 18:10:36

1.54

19

木三水

batch数据为64,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1.54。

2019-10-31 09:58:39

1.54

20

LAN1572521197

batch数据为64,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1.54。

2019-10-31 19:29:23

1.54

21

大风

batch数据为64,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1.54。

2019-11-27 21:50:54

1.54

22

rhapsody

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1.54。

2019-11-30 22:16:38

1.54

23

camille

batch数据为64,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1.54。

2019-12-17 16:44:14

1.54

24

刘炎

batch数据为64,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1.54。

2020-01-02 11:47:37

1.54

25

星月龙华

batch数据为64,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1.54。

2020-01-06 11:07:34

1.54

26

山河故人

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1.54。

2020-02-01 12:26:13

1.54

27

比钢琴多20

batch数据为64,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1.54。

2020-02-07 14:42:40

1.54

28

flyai会员1583467316

batch数据为64,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1.54。

2020-03-06 12:05:10

1.54

29

哈哈1585824706

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1.54。

2020-04-02 18:56:12

1.54

30

乐笔小新besos

batch数据为80,循环次数为80次,通过在线上环境完成训练,模型最优精度评分为1.54。

2020-04-03 17:54:07

1.54

31

Neues Leben

batch数据为64,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1.54。

2020-04-17 05:24:06

1.54

32

liuhc

batch数据为64,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1.54。

2020-04-29 14:30:32

1.54

33

俊-哈哈哈

batch数据为64,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1.54。

2020-04-30 12:56:40

1.54

34

小龙1574313203

batch数据为64,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1.54。

2020-06-03 18:29:12

1.54

35

iwua

batch数据为64,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1.54。

2020-07-05 00:03:45

1.54

36

Ant

batch数据为64,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1.54。

2020-08-04 09:34:04

1.54

37

H_ZHIFENG

batch数据为64,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1.54。

2020-09-04 23:55:50

1.54

38

万里

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1.54。

2020-09-14 15:25:56

1.54

39

云中有鹿

batch数据为64,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1.54。

2020-09-25 21:57:30

1.54

40

flyai会员1601196281

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1.54。

2020-09-27 16:49:46

1.54

41

chenyouxin113

batch数据为16,循环次数为13次,通过在线上环境完成训练,模型最优精度评分为1.54。

2020-10-15 14:39:03

1.54

42

張晏清

batch数据为64,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1.54。

2020-10-20 11:06:12

1.54

43

flyai会员1603420819

batch数据为64,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1.54。

2020-10-23 10:42:48

1.54

44

晨1605749473

batch数据为64,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1.54。

2020-11-19 09:33:20

1.54

45

Awake

batch数据为256,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1.54。

2020-12-08 20:12:13

1.54

46

枯荣

batch数据为64,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1.54。

2021-01-08 17:32:13

1.54

47

flyai会员1620897259

batch数据为64,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1.54。

2021-05-13 17:17:11

1.54

48

PPdog

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1.37。

2019-04-09 21:27:51

1.37

49

Hallo

10.00

batch数据为128,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0.40。

2019-03-31 01:33:34

10.00

0.40

50

看你很6哦

10.00

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0.33。

2019-04-01 18:47:34

10.00

0.33

51

樊^2 = -1

10.00

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0.28。

2019-04-01 19:57:25

10.00

0.28

52

年轻人、玩的就是心跳

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0.27。

2020-05-09 16:25:43

0.27

53

ChangeBio

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0.23。

2019-05-04 23:01:36

0.23

54

Gabski

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0.20。

2019-04-03 19:05:03

0.20

55

杨杨杨

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0.00。

2019-08-06 12:40:17

0.00

2019-04-02
梯度下降

模型得分为93.68,本次获得实时奖励奖金为555

2019-04-02 23:47:07

2019-04-02
梯度下降

模型得分为92.57,本次获得实时奖励奖金为358

2019-04-02 11:42:25

善假于物

模型得分为92.18,本次获得实时奖励奖金为179

2019-04-02 08:47:48

2019-04-01
樊^2 = -1

模型得分为0.28,本次获得实时奖励奖金为10

2019-04-01 19:57:25

看你很6哦

模型得分为0.33,本次获得实时奖励奖金为10

2019-04-01 18:47:34

2019-03-31
善假于物

模型得分为86.39,本次获得实时奖励奖金为562

2019-03-31 08:01:06

RandomYC

模型得分为7.08,本次获得实时奖励奖金为10

2019-03-31 04:02:44

2019-03-30
Hallo

模型得分为0.2,本次获得实时奖励奖金为10

2019-03-30 21:46:26

梯度下降

模型得分为53.03,本次获得实时奖励奖金为10

2019-03-30 18:44:19

善假于物

模型得分为4.36,本次获得实时奖励奖金为10

2019-03-30 17:31:07

trick_or_treat

模型得分为1.01,本次获得实时奖励奖金为10

2019-03-30 14:33:12

2019-03-30
你猜猜我是谁

模型得分为16.62,本次获得实时奖励奖金为10

2019-03-30 03:03:40

cclxx

模型得分为45.47,本次获得实时奖励奖金为10

2019-03-30 02:34:51

zhiduanqingchang

模型得分为6.25,本次获得实时奖励奖金为10

2019-03-30 01:17:14

lyming

模型得分为18.61,本次获得实时奖励奖金为10

2019-03-30 00:07:15

玄学上分

模型得分为21.41,本次获得实时奖励奖金为10

2019-03-29 22:09:25

讨论
500字
表情
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除
$vue{item.user_name}

$vue{item.title} $vue{item.title}

$vue{items}
$vue{item.like_count}
$vue{item.comment_counts}
$vue{item.comment_counts}
阅读 $vue{item.views}

这里还没有内容哦

挑战者大赛 官方交流群

我的记录

你还没有任何提交记录喔...

使用指南

  • windows客户端
  • windows命令行
  • Mac/Linux

1.进入代码编辑页下载当前代码

2.本地解压缩代码包文件,双击执行 flyai.exe 程序

第一次使用需要使用微信扫码登录 杀毒软件可能会误报,点击信任该程序即可

3.开启 FlyAI-Jupyter 代码调试环境

运行flyai.exe程序,点击"使用jupyter调试"按钮自动打开jupyter lab 操作界面

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

4.下载本地测试数据

运行flyai.exe程序,点击"下载数据"按钮,程序会下载100条调试数据

5.提交训练到GPU

运行flyai.exe程序,点击"提交GPU训练"按钮,代码将自动提交到云端GPU进行训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.打开运行,输入cmd,打开终端

Win+R 输入 cmd

3.使用终端进入到项目的根目录下

cd path\to\project

4.开启 FlyAI-Jupyter 代码调试环境

在终端执行命令 flyai.exe ide 打开调试环境(第一次使用需要使用微信扫码登录)

操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !flyai.exe train 将代码提交到云端GPU免费训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

flyai.exe path=xxx 可以设置自己的Python路径

flyai.exe path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.使用终端进入到项目的根目录下

cd path\to\project

3.初始化环境登录

使用如下命令授权 flyai 脚本: chmod +x ./flyai

4.开启 Jupyter 代码调试环境

在终端执行命令 ./flyai ide 打开调试环境(第一次使用需要使用微信扫码登录) 操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

或使用终端

执行下列命令本地安装环境并调试

./flyai test 注意:如果出现 permission denied 错误,需使用sudo运行

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

执行test命令,会自动下载100条测试数据到项目下

如果使用本地IDE开发,可以自行安装 requirements.txt 中的依赖,运行 main.py 即可

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !./flyai train 将代码提交到云端GPU免费训练 返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

或者在终端下使用 ./flyai train -b=32 -e=10

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

./flyai path=xxx 可以设置自己的Python路径

./flyai path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心