表征患者血液样本分析之白细胞分类

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

剩余奖金 ¥ 56
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

下载当前代码

您可使用自己熟悉的编辑器实现算法并通过命令行
提交任务到FlyAI云端训练。确认下载体验吗?

$vue{upDataType ? '上传样例压缩包' : '上传代码压缩包' }

请将代码文件压缩为zip格式,文件大小不超过10M 提示:请确认删除"data"⽂件夹后进行上传操作

将文件拖拽至此处或点击此处选择文件

$vue{complete < 99 ? '上传中' : '上传完成'} $vue{complete}

$vue{fileName}
线上GPU运行环境:
FlyAl推荐如下配置,如有问题可手动添加或修改!

GPU环境

深度学习框架

其它依赖

提交
提交

提交确认

设置好参数后点击“确定“发布GPU训练任务

EPOCHS

BATCH SIZE

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

基于血液的疾病诊断通常涉及识别表征患者血液样本。检测和分类白细胞的自动化方法具有重要的医学应用。

该数据集包含12,500个血细胞增强图像(JPEG),对于分成4个不同文件夹(根据细胞类型)的4种不同细胞类型中的每一种,大约有3,000个图像。细胞类型是嗜酸性粒细胞,淋巴细胞,单核细胞和中性粒细胞。

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

  • 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。

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

通过实现算法并提交训练,获取奖金池奖金。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

Blood

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。

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
type int 不为空 图片对应的类别
label int 大于等于 0, 小于等于 1 图片的标注标签

参考文献:

[1]blood-cells

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: labels,

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

周氏悲悯情怀

1312.86

batch数据为256,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99.52。

2019-05-07 11:52:09

1312.86

99.52

第三名

兔子是菜鸟

849.75

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98.76。

2019-05-06 03:20:12

849.75

98.76

第三名

来追我咿呀哟

500.00

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98.76。

2019-05-10 16:03:19

500.00

98.76

4

恋旧却念旧

187.50

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98.76。

2019-05-11 12:45:24

187.50

98.76

5

交差墒

23.44

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98.76。

2019-05-14 15:24:05

23.44

98.76

6

yangsmile

61.88

batch数据为128,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98.72。

2019-05-06 19:48:51

61.88

98.72

7

gboy

1274.00

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98.72。

2019-05-11 11:53:06

1274.00

98.72

8

xeoner

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98.72。

2019-05-12 00:10:51

98.72

9

Bluove

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98.16。

2019-05-11 19:39:47

98.16

10

刘喵兄

96.68

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97.80。

2019-05-07 11:57:18

96.68

97.80

11

极简

batch数据为50,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97.04。

2019-05-11 20:08:23

97.04

12

前排板凳瓜子

batch数据为160,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96.76。

2019-05-09 20:56:08

96.76

13

就是很任性

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96.68。

2019-05-10 23:35:48

96.68

14

gezp

1.46

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96.56。

2019-05-08 07:27:28

1.46

96.56

15

ChangeBio

11.72

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96.52。

2019-05-07 02:36:35

11.72

96.52

16

Micoon

batch数据为128,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95.88。

2019-05-15 11:25:58

95.88

17

闻剑船书铸扌

4.98

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95.64。

2019-05-14 02:54:00

4.98

95.64

18

Hallo

62.93

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95.12。

2019-05-10 17:53:47

62.93

95.12

19

.co

187.50

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94.80。

2019-05-06 11:04:53

187.50

94.80

20

从小跑开始

103.13

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94.24。

2019-05-08 01:10:56

103.13

94.24

21

打酱油

12.89

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93.09。

2019-05-09 13:13:31

12.89

93.09

22

minth

27.19

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92.93。

2019-05-09 01:54:58

27.19

92.93

23

Seeney

41.73

batch数据为256,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92.57。

2019-05-09 03:28:50

41.73

92.57

24

Reluminia

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92.09。

2019-05-18 08:26:08

92.09

25

xinlofi

112.50

batch数据为256,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90.25。

2019-05-07 03:35:29

112.50

90.25

26

Endeløs læring

36.56

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90.21。

2019-05-13 21:30:41

36.56

90.21

27

Silence

30.00

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87.77。

2019-05-07 21:14:24

30.00

87.77

28

Student_HXJ

7.50

batch数据为32,循环次数为35次,通过在线上环境完成训练,模型最优精度评分为85.13。

2019-05-28 17:20:32

7.50

85.13

29

Gifford

batch数据为128,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82.49。

2019-05-10 17:28:12

82.49

30

优雅一只猫

batch数据为32,循环次数为210次,通过在线上环境完成训练,模型最优精度评分为81.89。

2019-05-19 22:13:18

81.89

31

凌空

batch数据为256,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81.41。

2019-05-10 00:23:53

81.41

32

clare

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67.63。

2019-05-07 18:46:26

67.63

33

Joshua

batch数据为2500,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56.00。

2019-05-16 13:53:48

56.00

34

山高水远。

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47.36。

2019-05-07 12:54:35

47.36

35

XW

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43.25。

2019-05-07 09:16:08

43.25

36

Olivia

batch数据为64,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30.58。

2019-05-12 16:05:46

30.58

37

Jason4521

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29.58。

2019-05-11 07:46:12

29.58

38

binghang

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29.38。

2019-05-07 09:05:08

29.38

39

江枫渔火

batch数据为64,循环次数为2400次,通过在线上环境完成训练,模型最优精度评分为26.14。

2019-05-06 04:49:24

26.14

40

troublemaker

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25.82。

2019-05-06 14:43:49

25.82

41

凉心半浅良心人

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25.82。

2019-05-06 18:33:09

25.82

42

简逸

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25.82。

2019-05-07 14:11:36

25.82

43

张行歌

batch数据为256,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25.82。

2019-05-08 19:11:36

25.82

44

嘿嘿

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25.82。

2019-05-08 19:18:32

25.82

45

Lcxiang3

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25.82。

2019-05-08 22:00:51

25.82

46

吴少乾

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25.82。

2019-05-09 15:27:40

25.82

47

理言

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25.82。

2019-05-09 20:18:05

25.82

48

hiccup

batch数据为100,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25.82。

2019-05-13 11:30:25

25.82

49

markov_future

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25.82。

2019-05-23 12:25:13

25.82

50

强化学习

batch数据为128,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25.54。

2019-05-06 18:32:01

25.54

51

Nauxnewnah

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25.26。

2019-05-08 00:25:12

25.26

52

汐炎

batch数据为64,循环次数为49次,通过在线上环境完成训练,模型最优精度评分为25.26。

2019-05-08 17:50:30

25.26

53

PJ1577878407

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25.26。

2020-01-01 19:45:59

25.26

54

凌霄@文强

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24.66。

2019-05-06 00:47:27

24.66

55

搁浅

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24.66。

2019-05-08 10:36:35

24.66

56

咸鱼1570777205

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24.66。

2019-10-11 15:02:50

24.66

57

贰叁

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24.66。

2019-12-15 13:32:10

24.66

58

Yvette

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24.66。

2020-02-12 23:53:04

24.66

59

蓝云风翼

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24.66。

2020-04-14 13:51:45

24.66

2019-06-05
兔子是菜鸟

模型得分为98.76,本次获得排名奖奖金为375

2019-06-05 15:00:02

来追我咿呀哟

模型得分为98.76,本次获得排名奖奖金为250

2019-06-05 15:00:02

周氏悲悯情怀

模型得分为99.52,本次获得排名奖奖金为625

2019-06-05 15:00:01

2019-05-29
Student_HXJ

模型得分为85.13,本次获得实时奖励奖金为7.5

2019-05-29 14:13:33

2019-05-14
闻剑船书铸扌

模型得分为95.64,本次获得实时奖励奖金为1.46

2019-05-14 14:05:02

2019-05-13
闻剑船书铸扌

模型得分为88.97,本次获得实时奖励奖金为3.52

2019-05-13 13:51:06

Hallo

模型得分为95.12,本次获得实时奖励奖金为2.93

2019-05-13 10:56:56

打酱油

模型得分为93.09,本次获得实时奖励奖金为5.86

2019-05-13 10:44:22

2019-05-12
兔子是菜鸟

模型得分为98.76,本次获得排名奖奖金为375

2019-05-12 15:00:02

来追我咿呀哟

模型得分为98.76,本次获得排名奖奖金为250

2019-05-12 15:00:02

周氏悲悯情怀

模型得分为99.52,本次获得排名奖奖金为625

2019-05-12 15:00:02

2019-05-09
打酱油

模型得分为90.13,本次获得实时奖励奖金为7.03

2019-05-09 11:17:02

Endeløs læring

模型得分为88.77,本次获得实时奖励奖金为14.06

2019-05-09 11:16:55

Seeney

模型得分为92.57,本次获得实时奖励奖金为11.72

2019-05-09 11:16:49

Seeney

模型得分为88.69,本次获得实时奖励奖金为28.13

2019-05-09 11:16:46

minth

模型得分为92.93,本次获得实时奖励奖金为23.44

2019-05-09 11:16:43

Endeløs læring

模型得分为84.17,本次获得实时奖励奖金为15

2019-05-09 11:16:17

2019-05-08
gezp

模型得分为96.56,本次获得实时奖励奖金为1.46

2019-05-08 13:47:54

Seeney

模型得分为80.1,本次获得实时奖励奖金为1.88

2019-05-08 13:47:43

从小跑开始

模型得分为94.24,本次获得实时奖励奖金为46.88

2019-05-08 13:47:41

minth

模型得分为81.45,本次获得实时奖励奖金为3.75

2019-05-08 13:47:38

从小跑开始

模型得分为91.77,本次获得实时奖励奖金为56.25

2019-05-08 13:47:21

2019-05-07
Endeløs læring

模型得分为83.09,本次获得实时奖励奖金为7.5

2019-05-07 20:40:29

刘喵兄

模型得分为97.8,本次获得实时奖励奖金为2.93

2019-05-07 12:49:15

周氏悲悯情怀

模型得分为99.52,本次获得实时奖励奖金为62.86

2019-05-07 12:49:06

ChangeBio

模型得分为96.52,本次获得实时奖励奖金为11.72

2019-05-07 12:48:13

交差墒

模型得分为97.56,本次获得实时奖励奖金为23.44

2019-05-07 12:47:55

Silence

模型得分为84.33,本次获得实时奖励奖金为30

2019-05-07 12:47:35

xinlofi

模型得分为89.93,本次获得实时奖励奖金为112.5

2019-05-07 12:47:27

刘喵兄

模型得分为93.21,本次获得实时奖励奖金为93.75

2019-05-07 12:46:43

Hallo

模型得分为87.93,本次获得实时奖励奖金为60

2019-05-07 12:46:22

yangsmile

模型得分为97.48,本次获得实时奖励奖金为46.88

2019-05-07 12:45:07

兔子是菜鸟

模型得分为98.76,本次获得实时奖励奖金为99.75

2019-05-07 12:44:53

恋旧却念旧

模型得分为97,本次获得实时奖励奖金为187.5

2019-05-07 12:44:44

.co

模型得分为93.21,本次获得实时奖励奖金为187.5

2019-05-07 12:44:29

yangsmile

模型得分为83.89,本次获得实时奖励奖金为15

2019-05-07 12:44:16

gboy

模型得分为98.68,本次获得实时奖励奖金为1274

2019-05-07 12:44:11

讨论
500字
表情
发送
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...

  • 参赛流程
  • 常见问题

第一步:参赛选手从FlyAI官网选择比赛报名,需下载样例代码

下载的项目中不包含数据集,运行main.py会自动下载调试数据集

本地调试根据不同数据集会提供10%~100%数据,全量数据提交到GPU后会自动更新替换

下载样例代码,解压后在样例代码上编写自己的模型代码,压缩后再在上传代码位置进行上传,就可以查看自己得分。

第二步:本地代码调试

本地配置Python3.5以上的运行环境,并安装项目运行所需的Python依赖包 app.json是项目的配置文件

在main.py中编写神经网络,没有框架限制

在prediction.py测试模型是否评估成功

main.py中需在class Main(FlyAI) 类中实现自己的训练过程

第三步:提交到GPU训练,保存模型

本地调试完成之后,提交代码到GPU,在全量数据上训练模型,保存最优模型。

提交GPU的方式有:网站在线提交。

第四步:评估模型,获取奖金,实时提现

GPU训练完成后,会调用prediction.py中的predict方法进行评估,并给出最后得分

高分的参赛选手,可实时获取奖金,通过微信提现

Q:如何获得奖金?

A:超过项目设置的最低分,根据公式计算,就可以获得奖金。

Q:比赛使用什么框架?

A: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等。

Q:怎么参加比赛,需不需要提交csv文件?

A:FlyAI竞赛平台无需提交csv文件,在网页上点击报名,下载项目,使用你熟练的框架,修改main.py中的网络结构和数据处理,在prediction.py中进行加载模型及预测。将代码文件压缩为.zip格式,文件大小不超过10M,之后在网站进行在线提交就可以了。

Q:比赛排行榜分数怎么得到的?

A:参加项目竞赛必须实现 prediction.py 中的predict方法。调用模型得出评分。

Q:平台机器什么配置?

A:目前每个训练独占一块V100显卡,显存10G。

Q:本地数据集在哪?

A:可以本地使用ide运行 main.py 下载数据。

Q:FAI训练积分不够用怎么办?

A:目前GPU免费使用,可以进入到:我的积分,通过签到和分享等途径获得大量积分。

Q:离线训练代码不符合规范问题?

A:main.py中可以使用args.EPOCHS和args.BATCH。