农作物病虫害检测

分享给好友

2019-05-16 15:00:00
开始提交

2019-06-15 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 15
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

病虫害的诊断对于农业生产来说至关重要。本次农作物病虫害识别比赛邀请参赛者设计算法与模型,对图像中的农作物叶子进行病虫害识别。

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)
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
name int 不为空 图片的名称
labels int 大于等于 0, 小于等于 14 图片的标注标签

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: 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。

$vue{item.rank_name}

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

提供者:快来追我呀

253.00

batch数据为120,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99.90。

2019-06-14 10:01:56

253.00

99.90

第三名

提供者:交差墒

467.75

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99.81。

2019-05-17 10:59:17

467.75

99.81

第三名

提供者:来追我咿呀哟

251.50

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99.81。

2019-05-21 06:46:17

251.50

99.81

4

提供者:加勒比

146.88

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99.73。

2019-05-26 04:57:45

146.88

99.73

5

提供者:Micoon

2.34

batch数据为64,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99.59。

2019-05-17 10:25:29

2.34

99.59

6

提供者:jianbin.xu

157.00

batch数据为128,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99.56。

2019-05-20 22:30:57

157.00

99.56

7

提供者:stawary

9.38

batch数据为16,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99.42。

2019-05-25 02:23:28

9.38

99.42

8

提供者:xeoner

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99.35。

2019-05-17 20:58:14

99.35

9

提供者:fsencen

batch数据为64,循环次数为70次,通过在线上环境完成训练,模型最优精度评分为99.35。

2019-05-18 02:00:57

99.35

10

提供者:gboy

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99.30。

2019-05-18 03:42:25

99.30

11

提供者:大博

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98.74。

2019-06-18 03:13:37

98.74

12

提供者:前排板凳瓜子

37.50

batch数据为128,循环次数为6次,通过在线上环境完成训练,模型最优精度评分为98.06。

2019-05-17 02:37:44

37.50

98.06

13

提供者:就是很任性

488.00

batch数据为16,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97.92。

2019-05-16 22:35:08

488.00

97.92

14

提供者:ChangeBio

27.19

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97.09。

2019-05-17 10:14:44

27.19

97.09

15

提供者:weiliming

4.69

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96.95。

Keras

ResNet50

2019-06-25 19:47:35

4.69

96.95

16

提供者:Jason4521

18.75

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93.82。

2019-05-17 02:02:22

18.75

93.82

17

提供者:pprp

2.34

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93.53。

2019-07-07 14:19:50

2.34

93.53

18

提供者:Bluove

11.25

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91.84。

2019-05-17 07:43:12

11.25

91.84

19

提供者:chyang

17.63

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89.68。

2019-05-17 20:17:01

17.63

89.68

20

提供者:hiccup

45.00

batch数据为16,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89.15。

2019-05-17 06:50:38

45.00

89.15

21

提供者:binghang

2.81

batch数据为32,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为88.71。

2019-05-24 10:43:03

2.81

88.71

22

提供者:空格键

1.41

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88.47。

2019-06-11 21:14:43

1.41

88.47

23

提供者:machinelearning小学生

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87.96。

2019-06-26 15:38:20

87.96

24

提供者:Olivia

3.00

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86.89。

2019-05-17 21:19:30

3.00

86.89

25

提供者:skyofunknow

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86.89。

2019-06-09 12:04:29

86.89

26

提供者:优雅一只猫

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86.26。

2019-05-18 18:50:51

86.26

27

提供者:Joshua

6.00

batch数据为4500,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86.09。

2019-05-18 00:07:12

6.00

86.09

28

提供者:deepdeep

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85.61。

2019-08-27 12:17:13

85.61

29

提供者:神莱

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85.39。

2019-07-16 19:55:58

85.39

30

提供者:begins

24.00

batch数据为128,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85.03。

2019-05-16 23:37:39

24.00

85.03

31

提供者:INSH

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84.76。

2019-07-07 05:15:57

84.76

32

提供者:markov_future

3.00

batch数据为512,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84.62。

2019-05-22 17:46:59

3.00

84.62

33

提供者:寞朝

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84.59。

2019-05-22 17:06:02

84.59

34

提供者:有分儿就行

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84.52。

2019-05-20 00:18:23

84.52

35

提供者:Student_HXJ

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84.13。

2019-05-25 21:38:24

84.13

36

提供者:colorLess

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84.04。

2019-12-15 20:51:51

84.04

37

提供者:君成

1.50

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83.31。

2019-05-24 20:40:02

1.50

83.31

38

提供者:kongd

6.00

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82.58。

2019-05-17 09:43:23

6.00

82.58

39

提供者:Yvette

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81.54。

2020-02-14 18:00:18

81.54

40

提供者:heihei

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74.83。

2019-05-28 22:55:19

74.83

41

提供者:clare

batch数据为16,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48.74。

2019-05-16 22:44:55

48.74

42

提供者:心若为城

batch数据为64,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为44.84。

2020-04-30 20:23:40

44.84

43

提供者:Nightingale

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40.14。

2019-05-23 22:16:16

40.14

44

提供者:第五轻柔

batch数据为128,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35.97。

2019-07-22 21:17:35

35.97

45

提供者:Dannnn

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15.96。

2019-07-13 17:54:17

15.96

46

提供者:无念

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15.87。

2019-06-19 03:04:57

15.87

47

提供者:blight19

batch数据为500,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15.87。

2019-08-08 10:51:24

15.87

48

提供者:蚂蚁战

batch数据为8,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4.58。

2019-11-23 18:02:38

4.58

2019-07-08
pprp

模型得分为93.53,本次获得实时奖励奖金为2.34

2019-07-08 12:39:47

2019-06-20
weiliming

模型得分为95.57,本次获得实时奖励奖金为4.69

2019-06-20 18:12:36

2019-06-16
来追我咿呀哟

模型得分为99.81,本次获得排名奖奖金为100

2019-06-16 15:00:01

交差墒

模型得分为99.81,本次获得排名奖奖金为150

2019-06-16 15:00:01

快来追我呀

模型得分为99.9,本次获得排名奖奖金为250

2019-06-16 15:00:01

2019-06-14
快来追我呀

模型得分为99.9,本次获得实时奖励奖金为3

2019-06-14 14:11:31

2019-06-12
空格键

模型得分为88.47,本次获得实时奖励奖金为1.41

2019-06-12 10:24:50

2019-05-27
君成

模型得分为83.31,本次获得实时奖励奖金为1.5

2019-05-27 10:30:40

binghang

模型得分为88.71,本次获得实时奖励奖金为2.81

2019-05-27 10:28:38

2019-05-23
加勒比

模型得分为99.61,本次获得排名奖奖金为100

2019-05-23 15:00:01

来追我咿呀哟

模型得分为99.81,本次获得排名奖奖金为150

2019-05-23 15:00:01

交差墒

模型得分为99.81,本次获得排名奖奖金为250

2019-05-23 15:00:01

2019-05-22
markov_future

模型得分为82.58,本次获得实时奖励奖金为3

2019-05-22 13:45:11

2019-05-20
stawary

模型得分为95.08,本次获得实时奖励奖金为9.38

2019-05-20 11:26:06

来追我咿呀哟

模型得分为86.7,本次获得实时奖励奖金为1.5

2019-05-20 11:22:24

Olivia

模型得分为86.89,本次获得实时奖励奖金为3

2019-05-20 11:13:45

chyang

模型得分为89.68,本次获得实时奖励奖金为5.63

2019-05-20 11:13:26

2019-05-17
交差墒

模型得分为99.81,本次获得实时奖励奖金为6

2019-05-17 12:36:06

Micoon

模型得分为99.59,本次获得实时奖励奖金为2.34

2019-05-17 12:35:00

ChangeBio

模型得分为97.09,本次获得实时奖励奖金为4.69

2019-05-17 12:34:57

kongd

模型得分为80.64,本次获得实时奖励奖金为6

2019-05-17 12:28:34

Bluove

模型得分为91.84,本次获得实时奖励奖金为11.25

2019-05-17 12:28:17

ChangeBio

模型得分为91.86,本次获得实时奖励奖金为22.5

2019-05-17 12:28:14

Joshua

模型得分为85.39,本次获得实时奖励奖金为6

2019-05-17 12:28:05

加勒比

模型得分为98.72,本次获得实时奖励奖金为9.38

2019-05-17 12:28:01

hiccup

模型得分为89.15,本次获得实时奖励奖金为45

2019-05-17 12:27:52

交差墒

模型得分为99.61,本次获得实时奖励奖金为61.75

2019-05-17 12:27:41

前排板凳瓜子

模型得分为98.06,本次获得实时奖励奖金为37.5

2019-05-17 12:27:28

chyang

模型得分为85.25,本次获得实时奖励奖金为12

2019-05-17 12:27:20

Jason4521

模型得分为93.82,本次获得实时奖励奖金为18.75

2019-05-17 12:26:58

加勒比

模型得分为93.92,本次获得实时奖励奖金为37.5

2019-05-17 12:26:48

jianbin.xu

模型得分为98.16,本次获得实时奖励奖金为82

2019-05-17 12:26:14

begins

模型得分为85.03,本次获得实时奖励奖金为24

2019-05-17 12:26:11

jianbin.xu

模型得分为94.36,本次获得实时奖励奖金为75

2019-05-17 12:25:42

就是很任性

模型得分为97.92,本次获得实时奖励奖金为488

2019-05-17 12:25:30

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

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