VisDrone 无人机目标检测

分享给好友

2019-06-14 15:00:00
开始提交

2019-07-14 15:00:00
最终提交结束

自由训练

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
  • 自由练习榜单
  • 讨论($vue{comment_count})
  • 学习资源

$vue{item.rank_name}

大赛简介

本次比赛旨在利用无人机设备推动最先进的目标检测技术。无人机目标检测技术在无人机快递物流、城市交通监控、安防等工业领域有着重要的应用意义。

数据集提供了由不同高度、不同位置的无人机拍摄的的静态图像。参赛者要求预测十个预定义类(pedestrian,person,car,van,bus,truck,motor,bicycle,awning-tricycle,tricycle)与实际数据的交并比精度。

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

VisDrone2019

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
annotations file_path 不为空 目标框的相对路径

参考文献:

[1]赛题数据检测结果描述

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: image_path, annotations,

评审指标说明

  • IOU(Intersection-over-Union)表示了产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率或者说重叠度,也就是它们的交集与并集的比值。最理想情况是完全重叠,即比值为1。
  • mAP(Mean Average Precision)即平均AP值。AP值表示为对Precision(精确率)取平均
  • IOU>=0.5为有效预测,计算公式如下:
  • 评审计算公式
超过 46分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

小克

暂未公开
batch数据为6,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63.79。

2019-07-20 23:07:46

164.00

暂未公开
第三名

你猜猜我是谁

暂未公开
batch数据为4,循环次数为13次,通过在线上环境完成训练,模型最优精度评分为52.35。

2019-06-21 02:12:09

2510.50

暂未公开
第三名

Scarlatti

暂未公开
batch数据为1,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49.92。

2019-06-21 01:26:34

1538.00

暂未公开
4

gboy

暂未公开
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47.85。

2019-08-21 17:42:35

暂未公开
5

no-free-lunch

暂未公开
batch数据为4,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为39.40。

2019-06-26 18:17:48

暂未公开
6

zjy

暂未公开
batch数据为4,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29.78。

2019-09-20 00:24:35

暂未公开
7

丶人狠话不多

暂未公开
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27.85。

2019-06-29 17:26:34

暂未公开
8

恋旧却念旧

暂未公开
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26.56。

2019-06-27 12:43:42

暂未公开
9

科科

暂未公开
batch数据为1,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22.84。

2019-06-21 22:30:53

暂未公开
10

大木淡漠

暂未公开
batch数据为1,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20.39。

2019-07-14 12:08:36

暂未公开
11

快来追我呀

暂未公开
batch数据为1,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20.15。

2019-07-12 20:33:05

暂未公开
12

前排板凳瓜子

暂未公开
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20.14。

2019-06-21 14:57:16

暂未公开
13

Zyt

暂未公开
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17.19。

2019-06-21 23:03:13

暂未公开
14

trickornot

暂未公开
batch数据为4,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15.43。

2019-07-01 15:27:17

暂未公开
15

qqm

暂未公开
batch数据为1,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为13.55。

2019-07-14 21:05:10

暂未公开
16

HelloWor1d

暂未公开
batch数据为8,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9.56。

2019-06-26 17:20:26

暂未公开
17

linlh

暂未公开
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8.41。

2019-07-06 09:46:04

暂未公开
18

。。。1554556619

暂未公开
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3.89。

2019-07-31 19:56:42

暂未公开
19

chyang

暂未公开
batch数据为8,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1.45。

2019-06-16 11:24:42

暂未公开
20

NLP-Learner

暂未公开
batch数据为4,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0.01。

2019-06-19 06:53:34

暂未公开
21

蜗牛、Gray

暂未公开
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0.01。

2019-07-15 21:24:30

暂未公开
第一名
xupengzheng 2019-10-05 23:21:43
2019-10-05 23:21:43
0.11
第二名
hajohn 2019-10-15 13:48:26
2019-10-15 13:48:26
0.11
第三名
张小张 2019-11-06 15:31:13
2019-11-06 15:31:13
0.11
4
Einsteinpcm 2019-11-26 18:41:36
2019-11-26 18:41:36
0.11
5
清欢 2019-11-27 09:47:52
2019-11-27 09:47:52
0.11
6
lxoney 2019-12-10 14:51:51
2019-12-10 14:51:51
0.11
7
18018592775 2020-01-12 00:14:42
2020-01-12 00:14:42
0.11
8
CUPRK 2020-03-01 16:28:13
2020-03-01 16:28:13
0.11
9
骡子吃番茄 2020-03-13 19:20:07
2020-03-13 19:20:07
0.11
10
我爱中国 2020-03-31 17:44:55
2020-03-31 17:44:55
0.11
11
KAWAKO 2020-05-20 14:13:51
2020-05-20 14:13:51
0.11
12
是阿正 2020-12-14 23:59:12
2020-12-14 23:59:12
0.11
13
AMERICA 2019-10-17 11:55:42
2019-10-17 11:55:42
0.06
14
韩天啸 2020-06-14 14:15:47
2020-06-14 14:15:47
0
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。