200种鸟类图像分类

分享给好友

2019-02-03 12:00:00
开始提交

2019-03-05 12:00:00
最终提交结束

自由训练

剩余奖金 ¥ 663
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

Caltech-UCSD Birds 200 (CUB-200) 是一个图像数据集,包含200种鸟类(主要是北美洲)的照片。分类数量:200 图片数量:6,033 标注:边界框,分割,属性

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

数据来源

BirdClassification

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 file_path 不为空 图片的相对路径
label int 大于等于 0, 小于等于 199 图片的标注标签
name int 不为空 图片的名字

参考文献:

[1]The Caltech-UCSD Birds-200-2011 Dataset

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

唱跳RAP打篮球

1242.00

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96.78。

2019-04-16 03:39:48

1242.00

96.78

第三名

trick_or_treat

618.75

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96.13。

2019-04-16 23:46:01

618.75

96.13

第三名

wvinzh

33.75

batch数据为16,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89.57。

2019-12-22 13:21:00

33.75

89.57

4

keeper

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82.10。

2020-04-24 04:55:45

82.10

5

hhy

4.50

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80.96。

2019-04-24 10:57:32

4.50

80.96

6

Winteriscoming

9.00

batch数据为512,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80.15。

2019-04-18 23:27:27

9.00

80.15

7

bestfitting

batch数据为64,循环次数为1200次,通过在线上环境完成训练,模型最优精度评分为78.41。

2019-04-17 15:14:02

78.41

8

Daiccccc

batch数据为20,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77.27。

2019-04-19 05:04:04

77.27

9

Koolo233

batch数据为64,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77.27。

2020-08-23 15:25:55

77.27

10

.co

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77.14。

2019-04-29 11:33:34

77.14

11

baseline2

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77.01。

2019-04-21 18:09:47

77.01

12

yangsmile

batch数据为64,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76.59。

2019-04-22 06:40:47

76.59

13

玄学上分

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75.91。

2019-04-17 02:58:44

75.91

14

天天向上

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74.22。

2019-04-17 01:19:20

74.22

15

Teenage Dream

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72.82。

2019-04-18 22:01:57

72.82

16

哈尔的移动城堡

batch数据为100,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71.37。

2019-05-08 19:41:24

71.37

17

哦哦

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68.36。

2019-04-22 11:40:43

68.36

18

Hlic

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67.30。

2019-04-16 13:12:18

67.30

19

善假于物

batch数据为160,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63.87。

2019-04-17 10:15:43

63.87

20

大木淡漠

batch数据为50,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62.38。

2019-04-19 14:32:59

62.38

21

trickornot

batch数据为32,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60.60。

2019-04-19 21:06:50

60.60

22

Joshua

batch数据为128,循环次数为600次,通过在线上环境完成训练,模型最优精度评分为59.08。

2019-04-25 23:44:25

59.08

23

火炎焱燚

batch数据为128,循环次数为600次,通过在线上环境完成训练,模型最优精度评分为54.88。

2019-04-20 02:47:06

54.88

24

篠筱筱

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53.94。

2019-04-18 18:36:09

53.94

25

淋雨

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51.40。

2019-04-22 17:38:16

51.40

26

你猜猜我是谁

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32.61。

2019-04-16 14:49:57

32.61

27

看你很6哦

batch数据为64,循环次数为1200次,通过在线上环境完成训练,模型最优精度评分为26.29。

2019-04-15 20:20:29

26.29

28

lyming

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24.94。

2019-04-16 09:16:17

24.94

29

zhiduanqingchang

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24.55。

2019-04-16 00:09:04

24.55

30

cyh12315

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21.29。

2020-03-26 23:58:40

21.29

31

就是很任性

batch数据为1000,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9.33。

2019-04-18 08:13:19

9.33

32

鹦武鸟

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8.57。

2019-05-28 18:45:26

8.57

33

纶巾

batch数据为512,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6.45。

2019-05-13 12:22:57

6.45

34

tik_boa

batch数据为64,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5.94。

2019-04-16 14:37:05

5.94

35

李渊

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5.89。

2019-12-09 18:43:35

5.89

36

xinlofi

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3.90。

2019-04-21 20:18:02

3.90

37

Jeremy

batch数据为128,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2.21。

2019-09-15 11:56:26

2.21

38

rhapsody

batch数据为32,循环次数为16次,通过在线上环境完成训练,模型最优精度评分为1.02。

2019-12-01 15:24:39

1.02

39

pprp

batch数据为50,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0.93。

2019-08-12 10:18:48

0.93

40

落海的咸鱼

batch数据为521,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0.89。

2019-04-18 12:22:52

0.89

41

强化学习

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0.81。

2019-04-20 20:34:42

0.81

42

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0.76。

PyTorch

Densenet

2019-04-30 03:11:38

0.76

43

Akina_zard

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0.72。

2019-07-23 00:36:17

0.72

44

Glassy sky above

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0.68。

2019-04-18 12:11:22

0.68

45

心如止水

batch数据为500,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0.68。

2019-05-16 04:55:35

0.68

46

flyai会员1576345548

batch数据为128,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0.68。

2019-12-17 00:05:13

0.68

47

小丸子

batch数据为520,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0.64。

2019-04-21 12:17:57

0.64

48

batch数据为500,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为0.64。

2019-08-15 20:40:17

0.64

49

Numen

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0.64。

2019-08-27 14:49:45

0.64

50

清道夫

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0.64。

2019-08-29 20:09:38

0.64

51

Lune

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0.64。

2019-09-13 15:35:19

0.64

52

金垚

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0.64。

2019-10-06 19:40:36

0.64

53

cnn

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0.64。

2019-10-09 15:39:31

0.64

54

Dearfriend

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0.64。

2019-10-21 22:54:01

0.64

55

嘻嘻嘻哈哈

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0.64。

2019-10-30 20:54:20

0.64

56

weidong

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0.64。

2019-12-19 15:56:17

0.64

57

layman-wh

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0.64。

2020-02-01 11:37:27

0.64

58

向往

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0.64。

2020-03-20 20:10:37

0.64

59

张硕

batch数据为256,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0.64。

2020-04-03 01:39:04

0.64

60

lyman

batch数据为128,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0.64。

2020-07-08 21:28:33

0.64

61

荆城

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0.64。

2020-10-02 19:44:30

0.64

62

Tough.c

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0.64。

2020-11-02 20:35:09

0.64

63

flyai会员1604460488

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0.64。

2020-11-04 11:38:10

0.64

64

flyai会员1596852425

batch数据为64,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0.64。

2020-11-20 22:04:00

0.64

65

写bug感动自己

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0.64。

2020-11-24 18:54:33

0.64

66

有啥tricks

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0.64。

2020-12-01 17:51:45

0.64

67

指间砂

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0.64。

2021-02-23 20:11:35

0.64

68

z华

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0.55。

2019-04-24 16:34:10

0.55

69

markov_future

batch数据为64,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0.51。

2019-04-29 14:22:26

0.51

70

云游天下

batch数据为100,循环次数为220次,通过在线上环境完成训练,模型最优精度评分为0.47。

2019-04-15 23:15:41

0.47

71

很不错学生

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0.47。

2019-04-19 18:59:50

0.47

72

小公主

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0.47。

2019-09-20 03:49:21

0.47

73

无念1554176052

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0.42。

2019-07-05 19:51:23

0.42

74

刘喵兄

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0.30。

2019-04-16 23:27:56

0.30

2019-12-23
wvinzh

模型得分为89.57,本次获得实时奖励奖金为33.75

2019-12-23 16:16:33

2019-05-15
无名小辈

模型得分为87.68,本次获得排名奖奖金为150

2019-05-15 15:00:02

trick_or_treat

模型得分为96.13,本次获得排名奖奖金为225

2019-05-15 15:00:02

唱跳RAP打篮球

模型得分为96.78,本次获得排名奖奖金为375

2019-05-15 15:00:02

2019-04-25
hhy

模型得分为80.96,本次获得实时奖励奖金为4.5

2019-04-25 13:44:06

2019-04-23
无名小辈

模型得分为87.68,本次获得实时奖励奖金为36

2019-04-23 12:51:06

Winteriscoming

模型得分为80.15,本次获得实时奖励奖金为9

2019-04-23 12:51:01

2019-04-22
trick_or_treat

模型得分为96.13,本次获得排名奖奖金为225

2019-04-22 15:00:01

2019-04-17
trick_or_treat

模型得分为96.13,本次获得实时奖励奖金为112.5

2019-04-17 20:48:15

trick_or_treat

模型得分为92.04,本次获得实时奖励奖金为56.25

2019-04-17 20:48:01

唱跳RAP打篮球

模型得分为96.78,本次获得实时奖励奖金为272

2019-04-17 20:47:41

唱跳RAP打篮球

模型得分为95.5,本次获得实时奖励奖金为270.5

2019-04-17 20:47:32

唱跳RAP打篮球

模型得分为89.95,本次获得实时奖励奖金为324.5

2019-04-17 20:47:19

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