动植物图像分类预测

分享给好友

2019-03-15 12:28:36
开始提交

2019-04-14 12:28:36
最终提交结束

自由训练

剩余奖金 ¥ 0
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

该数据集下包含俩类图像集,动物和植物。这是一个简单的二分类预测练习赛,通过建立模型准确预测动物和植物的图像类别。

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:80<Score<=100 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

Enimalandflowerclassification

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
image_path string 不为空 图片的相对路径
label int 大于等于 0, 小于等于 1 物体类别

参考文献:

[1]

评审标准

算法输入输出格式

输入字段: image_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 80分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

交差墒

1010.00

batch数据为512,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100.00。

2019-05-09 21:02:32

1010.00

100.00

第三名

纶巾

batch数据为256,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99.11。

2019-06-13 11:05:32

99.11

第三名

顺子

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98.21。

2019-11-26 13:56:38

98.21

4

开拓者

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94.64。

2019-10-25 14:46:39

94.64

5

伤心凉粉

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94.64。

2020-04-08 07:07:02

94.64

6

邹俊

batch数据为4,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93.75。

2019-09-04 11:43:26

93.75

7

wrzhenian

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92.86。

2019-07-13 15:27:11

92.86

8

小公主

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92.41。

2019-09-04 01:36:04

92.41

9

梯度下降

10.00

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82.59。

2019-03-20 21:43:40

10.00

82.59

10

sw2009

batch数据为32,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77.68。

2019-05-12 13:50:42

77.68

11

Jiery

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77.23。

2019-03-19 15:01:30

10.00

77.23

12

.co

10.00

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77.23。

2019-03-20 22:47:35

10.00

77.23

13

李小白

10.00

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77.23。

2019-03-23 00:42:50

10.00

77.23

14

篠筱筱

10.00

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77.23。

2019-03-23 01:08:05

10.00

77.23

15

好好学习

10.00

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77.23。

2019-03-26 00:40:17

10.00

77.23

16

ChangeBio

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77.23。

PyTorch

Densenet

2019-04-29 21:02:11

77.23

17

batch数据为32,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77.23。

2019-05-07 18:57:24

77.23

18

TIARNACH

batch数据为512,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77.23。

2019-07-12 14:15:49

77.23

19

大山1563190752

batch数据为200,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77.23。

2020-02-23 09:18:52

77.23

20

andrew noah

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56.25。

2020-03-02 00:14:07

56.25

21

Muyun99

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0.00。

2019-08-25 21:32:01

0.00

22

hundredark

batch数据为500,循环次数为22次,通过在线上环境完成训练,模型最优精度评分为0.00。

2019-08-31 16:56:11

0.00

23

The simpler

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0.00。

2019-09-11 17:03:30

0.00

24

傲寒

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0.00。

2019-09-13 18:58:40

0.00

25

卡卡卡布奇诺

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0.00。

2019-10-29 17:00:52

0.00

26

ssatcc

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0.00。

2019-10-30 20:24:19

0.00

27

雷诺西风

batch数据为512,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0.00。

2019-11-07 20:59:27

0.00

28

爱哭的冰激凌

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0.00。

2019-11-30 22:15:47

0.00

29

Hug蜗牛

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0.00。

2019-12-03 10:48:59

0.00

30

wemystic

batch数据为8,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0.00。

2019-12-30 21:25:39

0.00

31

有丶闲情逸致

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0.00。

2020-02-01 19:10:48

0.00

32

FFTW

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0.00。

2020-02-28 19:14:28

0.00

33

女巫在说谎

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0.00。

2020-02-29 21:00:40

0.00

34

刘郎已恨蓬山远

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0.00。

2020-03-31 15:50:29

0.00

35

杨泽鹏

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0.00。

2020-07-07 22:19:37

0.00

36

Heloooo

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0.00。

2021-05-13 14:24:04

0.00

2019-05-13
交差墒

模型得分为100,本次获得实时奖励奖金为35

2019-05-13 10:55:32

交差墒

模型得分为99.55,本次获得实时奖励奖金为975

2019-05-13 10:55:29

2019-03-26
好好学习

模型得分为77.23,本次获得实时奖励奖金为10

2019-03-26 00:40:17

2019-03-23
篠筱筱

模型得分为22.77,本次获得实时奖励奖金为10

2019-03-23 21:35:55

2019-03-23
李小白

模型得分为77.23,本次获得实时奖励奖金为10

2019-03-23 00:42:50

2019-03-20
.co

模型得分为77.23,本次获得实时奖励奖金为10

2019-03-20 22:47:35

梯度下降

模型得分为82.59,本次获得实时奖励奖金为10

2019-03-20 21:43:40

2019-03-19
Jiery

模型得分为77.23,本次获得实时奖励奖金为10

2019-03-19 15:01:30

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