7种表情分类

分享给好友

2019-04-30 15:00:00
开始提交

2019-05-30 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 24
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
  • 赛事介绍
  • 竞赛排行榜
  • 奖金记录
  • 讨论($vue{comment_count})

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

大赛简介

本数据集是一个包含7种表情的图片数据集,表情分别为平静、愤怒、失落、恐惧等。原数据集中表情由10位日本女性学生提供,每个人分别提供若干张不同表情的照片。我们对数据集进行了翻转,明暗变化等数据增强处理,使得数据大小从213增加到了852。

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)
参与奖(总奖金30%) 所有人 不同得分区间获得相应的竞赛奖金
突破奖(总奖金20%) 所有人 更新排行榜得分,获取相应竞赛奖金
排名奖(总奖金50%) 第一周/月前3名(冠、亚、季军) 项目上线第一周、第一个月; Time_P(周) = 0.5,Time_P(月) = 0.5;K1=0.5,K2=0.3,K3=0.2;
不同框架奖励 所有人 获得60FAI币用于GPU训练资源消耗

赛事主题和数据说明

赛题描述

本数据集是一个包含7种表情的图片数据集,表情分别为平静、愤怒、失落、恐惧等。原数据集中表情由10位日本女性学生提供,每个人分别提供若干张不同表情的照片。我们对数据集进行了翻转,明暗变化等数据增强处理,使得数据大小从213增加到了852。

数据来源

faceExpressionClassification

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
labels int 大于等于 0, 小于等于 6 类别

参考文献:

[1]Lyons, M. J., Akamatsu, S., Kamachi, M., Gyoba, J., & Budynek, J. (1998, April). The Japanese female facial expression (JAFFE) database. In Proceedings of third international conference on automatic face and gesture recognition (pp. 14-16).

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。

$vue{item.rank_name}

超过 90分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

提供者:Winteriscoming

286.75

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100.00。

2019-05-01 11:32:17

286.75

100.00

第三名

提供者:liuzhan

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100.00。

2019-05-30 18:44:05

100.00

第三名

提供者:chenfengshf

batch数据为20,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100.00。

2020-01-19 21:01:50

100.00

4

提供者:大木淡漠

127.34

batch数据为32,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99.42。

2019-05-01 21:48:15

127.34

99.42

5

提供者:trickornot

51.17

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99.42。

2019-05-03 20:57:26

51.17

99.42

6

提供者:HelloWor1d

batch数据为8,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99.42。

2019-06-05 06:27:39

99.42

7

提供者:Koolo233

batch数据为500,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99.42。

2020-08-19 23:25:14

99.42

8

提供者:gezp

257.00

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98.83。

2019-04-30 22:58:45

257.00

98.83

9

提供者:兔子是菜鸟

37.50

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98.83。

2019-05-01 03:42:42

37.50

98.83

10

提供者:火炎焱燚

60.00

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98.83。

2019-05-08 02:06:23

60.00

98.83

11

提供者:Micoon

2.67

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98.83。

2019-05-13 15:48:07

2.67

98.83

12

提供者:jianbin.xu

18.75

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98.83。

2019-05-16 21:05:39

18.75

98.83

13

提供者:骡子吃番茄

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98.25。

2020-01-22 03:25:49

98.25

14

提供者:南拳小猪

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98.25。

2020-04-23 09:12:20

98.25

15

提供者:linlh

4.69

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97.08。

2019-05-21 21:32:11

4.69

97.08

16

提供者:曾许诺

9.38

batch数据为32,循环次数为250次,通过在线上环境完成训练,模型最优精度评分为96.49。

2019-05-16 23:18:51

9.38

96.49

17

提供者:sakuranew

2.34

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96.49。

2019-05-24 17:32:41

2.34

96.49

18

提供者:闻剑船书铸扌

5.63

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95.91。

2019-05-03 23:47:30

5.63

95.91

19

提供者:优雅一只猫

5.81

batch数据为32,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95.32。

2019-05-04 16:53:10

5.81

95.32

20

提供者:ON-looker

batch数据为10,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95.32。

2019-06-13 17:16:06

95.32

21

提供者:Silence

11.25

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94.74。

2019-05-02 17:05:21

11.25

94.74

22

提供者:smooklazz

batch数据为128,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94.74。

2019-05-03 15:35:44

94.74

23

提供者:wbxing

1.41

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94.74。

2019-05-05 00:24:03

1.41

94.74

24

提供者:Nightingale

batch数据为64,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94.74。

2019-05-23 11:06:11

94.74

25

提供者:月半

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94.74。

2019-05-26 23:02:52

94.74

26

提供者:FoolAI

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94.74。

2019-07-02 08:22:47

94.74

27

提供者:trick_or_treat

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94.15。

2019-05-01 00:28:04

94.15

28

提供者:langfordli

batch数据为500,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94.15。

2019-07-04 18:13:03

94.15

29

提供者:春眠不觉晓

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94.15。

2019-07-18 22:48:40

94.15

30

提供者:June爱学习

12.00

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93.57。

2019-05-01 09:57:53

12.00

93.57

31

提供者:凉心半浅良心人

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93.57。

2019-05-16 00:29:38

93.57

32

提供者:麦小杨

batch数据为512,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93.57。

2019-05-28 12:15:34

93.57

33

提供者:jhp

batch数据为128,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92.40。

2019-05-01 10:46:48

92.40

34

提供者:zhiduanqingchang

6.00

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92.40。

2019-05-01 12:39:00

6.00

92.40

35

提供者:顺子

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92.40。

2019-11-16 00:43:35

92.40

36

提供者:简逸

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91.81。

2019-05-05 12:12:11

91.81

37

提供者:ZZzzD

batch数据为24,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91.23。

2020-03-25 13:31:28

91.23

38

提供者:xinlofi

1.50

batch数据为128,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90.64。

2019-05-02 18:40:51

1.50

90.64

39

提供者:郭建珠

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90.64。

2019-08-17 05:48:45

90.64

40

提供者:洋洋

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90.64。

2019-08-26 18:17:31

90.64

41

提供者:淋雨

3.00

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90.06。

2019-05-01 02:55:30

3.00

90.06

42

提供者:blackx1562937090

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90.06。

2019-07-21 20:47:38

90.06

43

提供者:flyai会员1576345548

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90.06。

2019-12-15 13:09:47

90.06

44

提供者:郭玉彬

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89.47。

2020-04-10 12:45:08

89.47

45

提供者: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88.89。

2019-05-07 09:02:53

88.89

46

提供者:Joshua

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88.89。

2019-05-08 01:33:44

88.89

47

提供者:〰

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88.89。

2019-09-23 22:36:18

88.89

48

提供者:看你很6哦

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87.13。

2019-05-01 12:05:15

87.13

49

提供者:萌新小白

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87.13。

2020-05-19 17:14:31

87.13

50

提供者:杜玮鑫

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85.38。

2019-05-12 00:24:58

85.38

51

提供者:Chk

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84.80。

2019-12-23 11:25:27

84.80

52

提供者:曾涛

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83.63。

2019-08-21 11:32:10

83.63

53

提供者:markov_future

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82.46。

2019-05-23 09:36:45

82.46

54

提供者:yangsmile

batch数据为128,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81.29。

2019-05-01 01:22:17

81.29

55

提供者:哇咔咔

batch数据为256,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75.44。

2019-05-01 01:48:23

75.44

56

提供者:kongd

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74.85。

2019-05-01 16:27:45

74.85

57

提供者:Inés莹

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64.33。

2020-04-02 18:09:19

64.33

58

提供者:别人的公园

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63.16。

2020-05-23 15:42:41

63.16

59

提供者:flyai会员1598268367

batch数据为500,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57.31。

2020-08-26 22:21:03

57.31

60

提供者:嘿嘿

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55.56。

2019-10-11 16:36:09

55.56

61

提供者:l*g*z

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42.11。

2019-07-05 11:13:10

42.11

62

提供者:Swaggy

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32.16。

2019-12-13 22:03:07

32.16

63

提供者:风逸

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22.81。

2019-05-12 15:58:18

22.81

64

提供者:富强民主文明和谐

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22.81。

2019-08-17 14:58:54

22.81

65

提供者:清风伴酒

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19.30。

2020-03-13 12:00:49

19.30

66

提供者:Jason4521

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16.37。

2019-05-03 16:43:15

16.37

67

提供者:=

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15.79。

2019-05-13 16:43:16

15.79

68

提供者:李渊

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15.79。

2019-12-12 10:54:33

15.79

69

提供者:陈铿浩

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15.20。

2019-05-07 22:40:28

15.20

70

提供者:zsl_xk

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15.20。

2019-08-31 19:44:20

15.20

71

提供者:闻韶

batch数据为10,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14.62。

2020-03-13 18:43:10

14.62

72

提供者:丅丄

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14.04。

2019-09-04 21:58:52

14.04

2019-05-30
trickornot

模型得分为99.42,本次获得排名奖奖金为50

2019-05-30 15:00:02

大木淡漠

模型得分为99.42,本次获得排名奖奖金为75

2019-05-30 15:00:02

Winteriscoming

模型得分为100,本次获得排名奖奖金为125

2019-05-30 15:00:02

2019-05-27
sakuranew

模型得分为96.49,本次获得实时奖励奖金为2.34

2019-05-27 10:30:19

2019-05-22
linlh

模型得分为97.08,本次获得实时奖励奖金为4.69

2019-05-22 13:46:43

2019-05-17
曾许诺

模型得分为96.49,本次获得实时奖励奖金为9.38

2019-05-17 12:26:03

2019-05-16
jianbin.xu

模型得分为97.08,本次获得实时奖励奖金为18.75

2019-05-16 10:37:40

2019-05-14
Micoon

模型得分为98.83,本次获得实时奖励奖金为1.17

2019-05-14 14:04:33

2019-05-13
Micoon

模型得分为93.57,本次获得实时奖励奖金为1.5

2019-05-13 10:57:48

2019-05-07
大木淡漠

模型得分为99.42,本次获得排名奖奖金为50

2019-05-07 15:00:02

Winteriscoming

模型得分为100,本次获得排名奖奖金为125

2019-05-07 15:00:02

2019-05-05
wbxing

模型得分为94.74,本次获得实时奖励奖金为1.41

2019-05-05 10:25:20

优雅一只猫

模型得分为95.32,本次获得实时奖励奖金为2.81

2019-05-05 10:25:17

优雅一只猫

模型得分为92.4,本次获得实时奖励奖金为3

2019-05-05 10:25:05

2019-05-04
闻剑船书铸扌

模型得分为95.91,本次获得实时奖励奖金为5.63

2019-05-04 11:10:21

trickornot

模型得分为99.42,本次获得实时奖励奖金为1.17

2019-05-04 11:10:14

Silence

模型得分为94.74,本次获得实时奖励奖金为11.25

2019-05-04 11:09:19

xinlofi

模型得分为90.06,本次获得实时奖励奖金为1.5

2019-05-04 11:09:08

大木淡漠

模型得分为99.42,本次获得实时奖励奖金为2.34

2019-05-04 11:08:52

zhiduanqingchang

模型得分为92.4,本次获得实时奖励奖金为6

2019-05-04 11:08:12

Winteriscoming

模型得分为100,本次获得实时奖励奖金为9

2019-05-04 11:08:07

Winteriscoming

模型得分为99.42,本次获得实时奖励奖金为27.75

2019-05-04 11:08:03

June爱学习

模型得分为93.57,本次获得实时奖励奖金为12

2019-05-04 11:04:12

兔子是菜鸟

模型得分为98.83,本次获得实时奖励奖金为37.5

2019-05-04 11:03:57

淋雨

模型得分为90.06,本次获得实时奖励奖金为3

2019-05-04 11:03:39

火炎焱燚

模型得分为97.08,本次获得实时奖励奖金为37.5

2019-05-04 11:03:27

火炎焱燚

模型得分为94.15,本次获得实时奖励奖金为22.5

2019-05-04 11:02:47

gezp

模型得分为98.83,本次获得实时奖励奖金为257

2019-05-04 11:02:33

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

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