Intel场景分类挑战赛

分享给好友

2019-05-05 15:00:00
开始提交

2019-06-04 15:00:00
最终提交结束

自由训练

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
  • 自由练习榜单
  • 讨论($vue{comment_count})
  • 学习资源

$vue{item.rank_name}

大赛简介

此数据集来自英特尔场景分类挑战赛。数据集共包含森林、街道、海景等6个场景,共24335张图片。

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。

数据来源

intelSceneClassification

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 5 场景类别

参考文献:

[1]https://www.kaggle.com/dipam7/intel-data-scene

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:
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

围生

暂未公开
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99.18。

2019-04-01 20:17:36

10.00

暂未公开
第三名

玄学上分

大神经验
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95.01。

2019-03-29 23:18:44

1006.00

大神经验
第三名

trick_or_treat

暂未公开
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94.13。

2019-03-30 03:10:33

935.00

暂未公开
4

KG

大神经验
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93.81。

2019-03-30 22:08:54

81.00

大神经验
5

善假于物

暂未公开
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93.81。

PyTorch

ResNet18

2019-03-31 07:19:15

882.00

暂未公开
6

天天向上

大神经验
batch数据为32,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93.72。

2019-03-31 09:04:50

258.00

大神经验
7

興趣使然的吃瓜少年

大神经验
batch数据为128,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92.96。

2019-03-31 04:32:48

679.00

大神经验
8

RandomYC

大神经验
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92.66。

2019-03-31 08:35:53

124.00

大神经验
9

cclxx

大神经验
batch数据为64,循环次数为6000次,通过在线上环境完成训练,模型最优精度评分为92.37。

2019-04-01 13:04:30

376.00

大神经验
10

mingda

暂未公开
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91.96。

2019-04-01 14:41:10

10.00

暂未公开
11

科科

暂未公开
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91.90。

2019-04-01 23:21:33

10.00

暂未公开
12

Daiccccc

暂未公开
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91.69。

2019-03-30 01:36:18

759.00

暂未公开
13

火炎焱燚

暂未公开
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91.58。

2019-04-04 12:27:47

10.00

暂未公开
14

ChangeBio

暂未公开
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91.55。

Pretrained

DenseNet121

2019-04-28 19:35:13

暂未公开
15

周阳

暂未公开
batch数据为128,循环次数为6000次,通过在线上环境完成训练,模型最优精度评分为91.31。

2019-04-02 12:51:49

10.00

暂未公开
16

梯度下降

暂未公开
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91.02。

2019-04-01 20:05:40

10.00

暂未公开
17

Hlic

暂未公开
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90.75。

2019-04-01 10:21:55

10.00

暂未公开
18

lyming

暂未公开
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90.49。

2019-03-30 01:55:37

684.00

暂未公开
19

唱跳RAP打篮球

暂未公开
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89.96。

2019-04-01 17:20:56

10.00

暂未公开
20

暂未公开
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89.82。

2019-03-31 12:20:31

552.00

暂未公开
21

Hallo

暂未公开
batch数据为128,循环次数为2222次,通过在线上环境完成训练,模型最优精度评分为89.67。

2019-03-30 00:55:47

637.00

暂未公开
22

小北

暂未公开
batch数据为64,循环次数为240次,通过在线上环境完成训练,模型最优精度评分为89.58。

2019-03-30 20:19:30

10.00

暂未公开
23

篠筱筱

暂未公开
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88.58。

2019-04-02 10:24:40

10.00

暂未公开
24

Joker Song

暂未公开
batch数据为64,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88.55。

PyTorch

resnet34

2019-04-04 11:18:48

暂未公开
25

troublemaker

暂未公开
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88.38。

2019-03-31 02:00:19

10.00

暂未公开
26

丶人狠话不多

暂未公开
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88.20。

2019-04-01 21:18:00

10.00

暂未公开
27

trickornot

暂未公开
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87.82。

2019-04-01 22:03:27

10.00

暂未公开
28

统治了宇宙的外星人

暂未公开
batch数据为128,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87.73。

2019-03-30 14:42:41

210.00

暂未公开
29

sytv587

暂未公开
batch数据为256,循环次数为400次,通过在线上环境完成训练,模型最优精度评分为87.11。

2019-03-30 22:17:22

10.00

暂未公开
30

红色的小蓝帽

暂未公开
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87.00。

PyTorch

DenseNet121

2019-03-29 21:39:34

502.00

暂未公开
31

你猜猜我是谁

暂未公开
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86.79。

2019-03-30 11:05:53

408.00

暂未公开
32

玥神

暂未公开
batch数据为128,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85.53。

2019-03-29 23:49:11

440.00

暂未公开
33

Teenage Dream

暂未公开
batch数据为64,循环次数为8000次,通过在线上环境完成训练,模型最优精度评分为85.38。

2019-04-01 15:38:20

10.00

暂未公开
34

reallocing

暂未公开
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85.18。

2019-04-08 17:47:16

10.00

暂未公开
35

yangsmile

暂未公开
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85.03。

2019-04-19 21:06:41

暂未公开
36

lightning-zgc

暂未公开
batch数据为32,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84.74。

2019-04-02 17:54:10

10.00

暂未公开
37

zeng-_-|

暂未公开
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84.41。

2019-03-30 10:03:56

224.00

暂未公开
38

全世界都在为你让路

暂未公开
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83.03。

2019-04-01 17:55:18

10.00

暂未公开
39

就是很任性

暂未公开
batch数据为32,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82.89。

2019-03-31 11:08:02

283.00

暂未公开
40

江枫渔火

暂未公开
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82.57。

2019-03-30 23:39:04

290.00

暂未公开
41

笑尘

暂未公开
batch数据为512,循环次数为401次,通过在线上环境完成训练,模型最优精度评分为82.30。

2019-03-30 15:54:28

10.00

暂未公开
42

zhiduanqingchang

暂未公开
batch数据为64,循环次数为2500次,通过在线上环境完成训练,模型最优精度评分为82.10。

2019-04-01 06:56:54

10.00

暂未公开
43

kongd

暂未公开
batch数据为64,循环次数为1800次,通过在线上环境完成训练,模型最优精度评分为82.07。

2019-03-31 00:20:45

10.00

暂未公开
44

静水流深

暂未公开
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82.07。

2019-04-02 09:45:55

10.00

暂未公开
45

Value_H

暂未公开
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81.86。

2019-04-01 11:24:20

10.00

暂未公开
46

张宇廷

暂未公开
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81.80。

2019-04-01 16:07:06

10.00

暂未公开
47

暂未公开
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81.66。

2019-04-01 15:45:14

10.00

暂未公开
48

Seeney

暂未公开
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81.33。

2019-04-01 07:11:06

10.00

暂未公开
49

FlyAI

暂未公开
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80.60。

2019-07-04 16:31:57

暂未公开
50

cactus_6

暂未公开
batch数据为32,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80.48。

2019-03-30 14:25:05

144.00

暂未公开
51

喵喵

暂未公开
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80.48。

2019-04-25 10:53:14

暂未公开
52

Kyle_gkm

暂未公开
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80.28。

2019-04-01 05:45:32

10.00

暂未公开
53

心语滑落指尖

暂未公开
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80.28。

2019-04-01 22:54:59

10.00

暂未公开
54

wrzhenian

暂未公开
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79.40。

2019-07-10 11:11:26

暂未公开
55

我的爱在西元前1554081999

暂未公开
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77.90。

2019-04-01 20:36:18

10.00

暂未公开
56

暂未公开
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77.52。

2019-03-30 13:21:39

10.00

暂未公开
57

w3217988

暂未公开
batch数据为64,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69.03。

2019-03-29 22:41:30

10.00

暂未公开
58

沐阳听风

暂未公开
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66.77。

2019-03-30 23:20:23

10.00

暂未公开
59

若,只如初见

暂未公开
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64.02。

2019-04-12 13:58:56

暂未公开
60

SHine

暂未公开
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54.98。

PyTorch

resnet101

2019-04-03 19:57:27

暂未公开
61

lit_w

暂未公开
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50.87。

2019-04-01 23:26:32

10.00

暂未公开
62

哇咔咔

暂未公开
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47.08。

2019-04-01 23:56:29

10.00

暂未公开
63

在北等你

暂未公开
batch数据为2,循环次数为800次,通过在线上环境完成训练,模型最优精度评分为40.77。

2019-03-30 18:13:14

10.00

暂未公开
64

DLin

暂未公开
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30.29。

2019-04-01 22:55:34

10.00

暂未公开
65

毛利

暂未公开
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25.98。

2019-08-07 02:18:48

暂未公开
66

hjxl_dww

暂未公开
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21.72。

2019-04-01 11:45:16

10.00

暂未公开
67

cube777

暂未公开
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18.49。

2019-04-01 09:41:18

10.00

暂未公开
68

王桢

暂未公开
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17.20。

2019-04-01 02:13:37

10.00

暂未公开
第一名
被算法耽误的歌手 2020-12-15 17:03:24
2020-12-15 17:03:24
92.31
第二名
Biao_Ge 2019-09-08 02:58:10
2019-09-08 02:58:10
91.14
第三名
PH 2019-09-02 00:26:52
2019-09-02 00:26:52
89.55
4
latalio 2019-10-11 17:16:46
2019-10-11 17:16:46
86
5
ZY2020 2020-08-05 17:33:16
2020-08-05 17:33:16
82.8
6
韩天啸 2021-04-12 12:16:02
2021-04-12 12:16:02
77.6
7
余生有我 2019-08-23 18:21:32
2019-08-23 18:21:32
77.16
8
大佬带带我 2019-08-23 22:01:34
2019-08-23 22:01:34
77.16
9
Liuzhongsheng 2019-08-30 12:06:49
2019-08-30 12:06:49
77.16
10
benjaminlinken 2019-08-31 14:54:27
2019-08-31 14:54:27
77.16
11
2019-09-07 11:06:14
2019-09-07 11:06:14
77.16
12
sudoku 2019-10-19 22:04:19
2019-10-19 22:04:19
77.16
13
文瑞洁 2020-05-05 13:30:54
2020-05-05 13:30:54
77.16
14
刘俊杰 2020-06-06 09:45:10
2020-06-06 09:45:10
77.16
15
Renascence_6 2020-12-01 16:59:14
2020-12-01 16:59:14
77.16
16
是阿正 2020-12-14 09:36:52
2020-12-14 09:36:52
77.16
17
Li Kuo-tung 2020-04-28 13:12:01
2020-04-28 13:12:01
49.66
18
Tiernos 2020-04-07 05:42:00
2020-04-07 05:42:00
36.45
19
2019-08-23 14:08:00
2019-08-23 14:08:00
35.07
20
比如说 2019-09-25 01:54:13
2019-09-25 01:54:13
28.79
21
样例代码 2020-12-02 17:19:05
2020-12-02 17:19:05
17.2
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