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

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

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

  • 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

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。

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。

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

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

12

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

13

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

14

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

15

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30.36。

2021-05-09 13:31:34

30.36

16

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

17

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

18

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

19

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

20

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

21

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

22

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

23

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

24

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

25

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

26

-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

27

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

28

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

29

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

30

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

31

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

32

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

33

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

34

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

35

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

36

Aigs

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。

2021-10-28 10:53:21

21.99

37

陈末的无涯

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21.99。

2021-12-02 21:23:07

21.99

38

Nico1637399934

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。

2022-03-05 17:36:23

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
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?

下载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。