UrbanSound8K-城市音频分类

分享给好友

2019-05-31 15:00:00
开始提交

2019-06-30 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 354
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

该数据集收录的城市声音包含10个声音类别、8732个声音文件(每个文件最长不超过4秒)。

环境声音分类是一个不断发展的研究领域,例如对导致城市噪声污染的声音研究。鉴于对环境,特别是城市环境声音进行分类的各种研究,我们应该使用哪种分类法,它是否能满足我们的研究需求等并没有明确的结论。通过本赛题建立准确的音频分类模型,希望给大家带来更多对音频分类方法上的思考与突破。

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!

数据来源

UrbanSoundClassification

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
ID string 不为空 音频路径
Class string 大于等于 0, 小于等于 9 音频分类

参考文献:

[1]

评审标准

算法输入输出格式

输入字段: ID,

输出字段: Class,

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

AiFool

693.63

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96.78。

2019-06-28 08:49:21

693.63

96.78

第三名

linlh

945.50

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96.32。

2019-06-15 01:49:02

945.50

96.32

第三名

gboy

1065.00

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93.93。

2019-06-04 03:00:58

1065.00

93.93

4

大木淡漠

75.00

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93.93。

2019-06-30 19:06:44

75.00

93.93

5

trickornot

318.75

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93.84。

2019-06-07 14:45:37

318.75

93.84

6

快来追我呀

4.69

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93.65。

2019-06-30 09:06:58

4.69

93.65

7

赵磊

45.00

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91.90。

2019-06-06 09:00:38

45.00

91.90

8

一怀去意

5.63

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90.62。

2019-07-14 16:27:32

5.63

90.62

9

=

352.50

batch数据为128,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90.34。

MXnet

CNN

2019-06-07 14:38:21

352.50

90.34

10

恋旧却念旧

90.00

batch数据为100,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89.24。

2019-06-04 03:41:23

90.00

89.24

11

惊鸿飞雪

batch数据为128,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为89.14。

2020-07-11 03:32:36

89.14

12

flyai会员1618470984

batch数据为32,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86.29。

2021-05-09 19:42:49

86.29

13

ChangeBio

6.00

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80.77。

2019-06-13 18:56:23

6.00

80.77

14

zeng-_-|

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45.63。

2019-06-05 01:40:42

45.63

15

桃子李子杏子

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39.19。

2019-06-07 17:41:01

39.19

16

Wong

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37.63。

2019-07-15 06:35:18

37.63

17

Melo

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21.99。

2019-08-02 19:15:18

21.99

18

焱木

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21.99。

2019-08-08 16:44:43

21.99

19

idleuncle

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21.99。

2019-09-18 13:45:14

21.99

20

Nannn

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21.99。

2019-11-04 22:03:06

21.99

21

若非

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21.99。

2019-11-20 17:17:32

21.99

22

sly

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21.99。

2019-12-05 10:55:46

21.99

23

mapleAme

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21.99。

2019-12-14 16:30:53

21.99

24

峭风梳骨寒

batch数据为32,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21.99。

2020-02-07 17:07:10

21.99

25

前路何处止

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21.99。

2020-03-23 15:31:36

21.99

26

张翰博

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21.99。

2020-04-11 00:27:51

21.99

27

-卡耐基-

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21.99。

2020-06-11 10:49:00

21.99

28

Mr Leo

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21.99。

2020-07-20 10:10:57

21.99

29

flyai会员1596518614

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21.99。

2020-08-05 22:09:31

21.99

30

张亚男42013

batch数据为10,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21.99。

2020-09-22 17:08:03

21.99

31

isaiah

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21.99。

2020-10-17 11:11:26

21.99

32

Curry

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21.99。

2020-11-30 15:20:01

21.99

33

leo0409

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21.99。

2021-03-08 14:42:45

21.99

34

韩天啸

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21.99。

2021-06-11 10:29:31

21.99

35

仙女养的猪

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21.99。

2021-06-15 19:54:36

21.99

36

荟不会学习?

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21.99。

2021-08-07 21:25:52

21.99

2019-07-15
一怀去意

模型得分为89.51,本次获得实时奖励奖金为5.63

2019-07-15 15:28:38

2019-07-01
gboy

模型得分为93.93,本次获得排名奖奖金为200

2019-07-01 15:00:01

linlh

模型得分为96.32,本次获得排名奖奖金为300

2019-07-01 15:00:01

AiFool

模型得分为96.78,本次获得排名奖奖金为500

2019-07-01 15:00:01

快来追我呀

模型得分为93.19,本次获得实时奖励奖金为4.69

2019-07-01 11:33:45

2019-06-28
AiFool

模型得分为96.78,本次获得实时奖励奖金为5

2019-06-28 11:54:36

AiFool

模型得分为96.69,本次获得实时奖励奖金为18

2019-06-28 11:54:31

2019-06-27
AiFool

模型得分为96.32,本次获得实时奖励奖金为150

2019-06-27 10:42:52

2019-06-19
linlh

模型得分为93.38,本次获得排名奖奖金为200

2019-06-19 16:18:45

trickornot

模型得分为93.84,本次获得排名奖奖金为300

2019-06-19 16:18:45

gboy

模型得分为93.93,本次获得排名奖奖金为500

2019-06-19 16:18:44

2019-06-18
AiFool

模型得分为93.1,本次获得实时奖励奖金为9.38

2019-06-18 12:12:12

2019-06-15
linlh

模型得分为96.32,本次获得实时奖励奖金为408

2019-06-15 21:16:19

AiFool

模型得分为90.25,本次获得实时奖励奖金为11.25

2019-06-15 21:15:24

2019-06-14
ChangeBio

模型得分为80.59,本次获得实时奖励奖金为6

2019-06-14 13:30:30

2019-06-10
trickornot

模型得分为93.84,本次获得实时奖励奖金为18.75

2019-06-10 10:56:08

=

模型得分为90.34,本次获得实时奖励奖金为22.5

2019-06-10 10:54:58

linlh

模型得分为92.55,本次获得实时奖励奖金为37.5

2019-06-10 10:22:59

2019-06-06
赵磊

模型得分为91.9,本次获得实时奖励奖金为45

2019-06-06 11:06:33

linlh

模型得分为89.24,本次获得实时奖励奖金为45

2019-06-06 10:51:44

2019-06-05
大木淡漠

模型得分为93.28,本次获得实时奖励奖金为75

2019-06-05 10:36:53

2019-06-04
恋旧却念旧

模型得分为89.24,本次获得实时奖励奖金为90

2019-06-04 14:40:03

gboy

模型得分为93.93,本次获得实时奖励奖金为365

2019-06-04 14:39:59

=

模型得分为87.3,本次获得实时奖励奖金为67

2019-06-04 11:37:38

=

模型得分为84.27,本次获得实时奖励奖金为65

2019-06-04 11:36:55

=

模型得分为83.35,本次获得实时奖励奖金为198

2019-06-04 11:36:48

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