- 赛事介绍
- 竞赛排行榜
- 自由练习榜单
- 讨论($vue{comment_count})
- 学习资源
大赛简介
该数据集包括12种植物物种的幼苗。本次竞赛的任务是根据图片建立预测植物种类的精准模型。
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
PlantSeedlingsClassification
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 |
path |
string |
不为空 |
图片的路径 |
seedling |
string |
大于等于 0, 小于等于 11 |
植物的种类 |
参考文献:
[1]无
评审标准
算法输入输出格式
输入字段:
path,
输出字段:
seedling,
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:
超过 80分 的成绩会在48小时内更新到排行榜,不要着急哦!
batch数据为32,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98.42。
batch数据为32,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98.42。
batch数据为24,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98.32。
4
batch数据为32,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98.32。
5
batch数据为24,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98.21。
6
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98.11。
7
batch数据为24,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98.00。
8
batch数据为28,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98.00。
9
batch数据为128,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97.79。
10
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97.79。
11
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97.47。
12
batch数据为64,循环次数为333次,通过在线上环境完成训练,模型最优精度评分为96.74。
13
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96.63。
14
batch数据为64,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96.42。
15
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96.00。
16
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95.68。
17
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95.16。
18
batch数据为32,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94.32。
19
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93.89。
20
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93.79。
21
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93.47。
22
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93.26。
23
batch数据为128,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93.26。
24
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93.16。
25
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93.01。
26
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92.90。
27
batch数据为32,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92.21。
28
batch数据为256,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为91.58。
29
batch数据为256,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90.95。
30
batch数据为200,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86.21。
31
batch数据为32,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80.84。
32
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80.53。
33
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78.00。
34
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77.37。
35
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77.16。
36
batch数据为32,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76.53。
37
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72.53。
38
batch数据为256,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66.32。
39
batch数据为1024,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65.58。
40
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63.26。
41
batch数据为64,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45.37。
42
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42.32。
43
batch数据为64,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为39.79。
44
batch数据为32,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36.32。
45
batch数据为16,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33.58。
46
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33.26。
47
batch数据为160,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33.26。
48
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32.95。
49
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31.79。
50
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27.37。
51
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27.37。
52
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21.37。
53
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20.00。
54
batch数据为32,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19.68。
55
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18.84。
56
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18.63。
57
batch数据为32,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16.74。
58
batch数据为38,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15.47。
59
batch数据为128,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15.37。
60
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14.32。
61
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14.11。
62
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14.11。
63
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14.00。
64
batch数据为2500,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14.00。
65
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13.37。
66
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13.26。
67
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12.74。
68
batch数据为500,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12.11。
69
batch数据为128,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12.00。
70
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11.47。
71
batch数据为64,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10.95。
72
batch数据为32,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9.47。
73
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9.47。
74
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5.16。
Aristo
2020-01-14 09:51:29
2020-01-14 09:51:29
98.11
我改名字了
2019-08-02 12:51:00
2019-08-02 12:51:00
97.26
丅丄
2019-09-03 11:51:44
2019-09-03 11:51:44
95.05
4
Wh1t3zZ
2020-01-12 20:29:34
2020-01-12 20:29:34
94.95
5
xaioqiang
2019-09-11 15:10:06
2019-09-11 15:10:06
92.63
6
pprp
2019-08-08 01:55:18
2019-08-08 01:55:18
92.53
7
adsfadiasdf
2020-01-10 19:16:23
2020-01-10 19:16:23
92.53
8
fly2sky
2019-08-06 23:53:40
2019-08-06 23:53:40
85.68
9
绿肥红瘦
2020-02-01 22:11:22
2020-02-01 22:11:22
83.68
10
FFTW
2020-02-29 21:17:13
2020-02-29 21:17:13
79.05
11
小久木
2020-01-15 03:55:40
2020-01-15 03:55:40
59.68
12
cnn
2019-08-21 12:05:04
2019-08-21 12:05:04
45.16
13
鱼头
2020-06-18 00:55:46
2020-06-18 00:55:46
38.95
14
WILL1578535812
2020-01-11 13:29:53
2020-01-11 13:29:53
37.16
15
space
2019-09-09 01:14:27
2019-09-09 01:14:27
36
16
韩天啸
2020-06-12 06:44:05
2020-06-12 06:44:05
21.47
17
flyai会员1578640121
2020-01-11 21:10:49
2020-01-11 21:10:49
15.05
18
4533223
2020-01-14 11:08:34
2020-01-14 11:08:34
14.21
19
呜啦啦啦
2019-08-05 21:13:28
2019-08-05 21:13:28
13.89
20
大佬带带我
2019-08-15 11:17:07
2019-08-15 11:17:07
13.89
21
chango
2019-08-26 11:12:30
2019-08-26 11:12:30
13.89
22
Biao_Ge
2019-08-27 09:21:55
2019-08-27 09:21:55
13.89
23
Zuolong
2019-08-31 23:51:26
2019-08-31 23:51:26
13.89
24
lcl050024
2019-09-10 12:05:58
2019-09-10 12:05:58
13.89
25
flybird
2019-09-10 16:23:33
2019-09-10 16:23:33
13.89
26
ak47
2019-09-10 19:36:38
2019-09-10 19:36:38
13.89
27
豆丁
2019-09-21 00:13:13
2019-09-21 00:13:13
13.89
2019-09-24 10:07:13
13.89
29
谢朝锋
2019-10-11 21:16:37
2019-10-11 21:16:37
13.89
30
hajohn
2019-10-18 16:24:20
2019-10-18 16:24:20
13.89
31
sishiwu
2019-10-22 16:53:52
2019-10-22 16:53:52
13.89
32
宋化志
2019-10-26 11:07:39
2019-10-26 11:07:39
13.89
33
Rushroo
2019-10-30 20:33:37
2019-10-30 20:33:37
13.89
34
Kit
2019-12-03 15:30:19
2019-12-03 15:30:19
13.89
35
猎X蝽
2019-12-11 12:45:07
2019-12-11 12:45:07
13.89
36
flyai会员1578535938
2020-01-09 10:18:38
2020-01-09 10:18:38
13.89
37
flyai会员1578537512
2020-01-09 10:41:39
2020-01-09 10:41:39
13.89
38
Orangestar
2020-01-09 10:50:36
2020-01-09 10:50:36
13.89
39
柳上原1578536748
2020-01-09 11:09:40
2020-01-09 11:09:40
13.89
2020-01-09 16:18:41
13.89
41
flyai会员1578560492
2020-01-09 17:04:36
2020-01-09 17:04:36
13.89
42
꧁꫞JOKER꫞꧂
2020-01-09 22:17:56
2020-01-09 22:17:56
13.89
43
flyai会员1578632325
2020-01-10 13:00:33
2020-01-10 13:00:33
13.89
44
沉潭
2020-01-11 11:47:31
2020-01-11 11:47:31
13.89
45
库有引力
2020-01-11 14:59:47
2020-01-11 14:59:47
13.89
46
善良的弗阿瓦
2020-01-12 14:21:37
2020-01-12 14:21:37
13.89
47
段明宏
2020-01-13 09:52:34
2020-01-13 09:52:34
13.89
48
堂前燕,沐烟雨
2020-01-13 15:31:58
2020-01-13 15:31:58
13.89
49
陈1578468166
2020-01-22 14:34:18
2020-01-22 14:34:18
13.89
50
flyai会员1590545182
2020-05-27 10:43:25
2020-05-27 10:43:25
13.89
51
124684
2020-07-10 16:46:17
2020-07-10 16:46:17
13.89
52
lysss
2020-09-18 21:15:51
2020-09-18 21:15:51
13.89
53
Ghardy
2021-01-29 14:10:51
2021-01-29 14:10:51
13.89
54
flyai会员1614432468
2021-02-28 11:20:06
2021-02-28 11:20:06
13.89
55
wb0087
2021-03-07 22:47:55
2021-03-07 22:47:55
13.89
56
timelesszxl1024
2021-04-06 13:35:39
2021-04-06 13:35:39
13.89