TensorFlow2.0 人民币面值识别

分享给好友

2019-06-20 15:00:00
开始提交

2019-07-20 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 0
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

全网首个TensorFlow 2.0竞赛项目上线!

人民币面值识别是一个简单的图像分类任务,通过建立准确的分类模型识别出人民币面额。

第四套人民币是中国人民银行于1987年4月27日至1997年4月1日发行的一套货币,共有1角、2角、5角、1元、2元、5元、10元、50元、100元9种面额。

TensorFlow 2.0 将专注于简单性和易用性,具有以下更新:

1、使用 Keras 轻松构建模型

2、在任意平台上实现稳健模型部署

3、为研究提供强大的实验工具

4、简化 API 接口,删掉多余的和重复的 API

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 string 不为空 图片的相对路径
label float 不为空 分类标签

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: label,

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 90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:加勒比

251.00

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100.00。

2019-07-18 14:09:12

251.00

100.00

第三名

提供者:丶人狠话不多

949.00

batch数据为64,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99.97。

2019-06-22 00:00:22

949.00

99.97

第三名

提供者:大木淡漠

259.38

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99.97。

2019-06-22 05:46:41

259.38

99.97

4

提供者:善假于物

104.69

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99.97。

2019-06-22 09:33:53

104.69

99.97

5

提供者:交差墒

1.17

batch数据为8,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99.97。

2019-06-22 10:11:36

1.17

99.97

6

提供者:sakuranew

batch数据为128,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99.97。

2019-06-22 10:39:37

99.97

7

提供者:王瑞

18.75

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99.97。

2019-06-22 23:08:25

18.75

99.97

8

提供者:weiliming

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99.97。

2019-06-24 09:30:17

99.97

9

提供者:stawary

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99.97。

2019-06-25 03:05:28

99.97

10

提供者:linlh

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99.97。

2019-06-25 04:02:05

99.97

11

提供者:trickornot

37.50

batch数据为32,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99.97。

2019-06-26 11:20:10

37.50

99.97

12

提供者:快来追我呀

18.75

batch数据为64,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99.97。

2019-06-27 05:07:38

18.75

99.97

13

提供者:Seeney

batch数据为32,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99.97。

2019-07-01 20:01:44

99.97

14

提供者:麦小杨

batch数据为256,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99.97。

2019-07-05 13:31:00

99.97

15

提供者:isaiah

12.00

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99.97。

MXNet

CNN

2019-07-16 19:48:41

12.00

99.97

16

提供者:天涯·明月·刀

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99.97。

2019-07-19 14:31:00

99.97

17

提供者:Winteriscoming

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99.96。

2019-06-22 02:29:52

99.96

18

提供者:gboy

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99.96。

2019-06-22 14:36:31

99.96

19

提供者:HelloWor1d

batch数据为32,循环次数为233次,通过在线上环境完成训练,模型最优精度评分为99.96。

2019-06-22 19:06:33

99.96

20

提供者:大佬们带带我

batch数据为256,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99.96。

TensorFlow

import torch as tf

2019-06-23 04:38:42

99.96

21

提供者:人间正道是沧桑

150.00

batch数据为256,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99.96。

2019-06-24 14:26:10

150.00

99.96

22

提供者:zhengyuan

batch数据为128,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99.96。

2019-06-26 00:27:35

99.96

23

提供者:cnn

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99.96。

2019-06-28 01:26:07

99.96

24

提供者:李小白

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99.96。

2019-07-08 11:32:43

99.96

25

提供者:Scarlatti

batch数据为24,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99.95。

2019-06-22 11:55:02

99.95

26

提供者:chyang

37.50

batch数据为8,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99.95。

2019-06-30 00:32:14

37.50

99.95

27

提供者:答案

batch数据为128,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99.95。

2019-07-31 00:22:26

99.95

28

提供者:佚

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99.95。

2019-10-31 11:31:01

99.95

29

提供者:安东尼勇士

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99.92。

2019-06-25 11:42:10

99.92

30

提供者:LOOP1581399204

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99.91。

2020-03-11 09:21:50

99.91

31

提供者:BMW开空调

11.25

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99.89。

2019-07-14 00:44:09

11.25

99.89

32

提供者:sblyx

2.34

batch数据为256,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99.76。

2019-06-22 20:07:08

2.34

99.76

33

提供者:ChangeBio

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99.71。

2019-06-22 12:26:22

99.71

34

提供者:AiFool

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99.67。

2019-06-22 14:53:38

99.67

35

提供者:探索之路

batch数据为500,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99.52。

2019-07-17 14:44:16

99.52

36

提供者:clare

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99.41。

2019-06-23 00:30:18

99.41

37

提供者:colorLess

3.00

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99.00。

2019-06-26 17:51:42

3.00

99.00

38

提供者:北部湾的落日

batch数据为128,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98.38。

2019-07-11 14:03:49

98.38

39

提供者:顺宝

51.19

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97.67。

2019-06-28 18:00:29

51.19

97.67

40

提供者:友情小爪

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97.20。

2019-07-07 10:45:05

2.34

97.20

41

提供者:鬼见愁

9.38

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97.03。

2019-06-28 15:00:21

9.38

97.03

42

提供者:LeyN

45.00

batch数据为65,循环次数为45次,通过在线上环境完成训练,模型最优精度评分为95.73。

2019-06-26 12:07:48

45.00

95.73

43

提供者:なんか行ける気がする

1.41

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95.44。

2019-10-18 23:36:58

1.41

95.44

44

提供者:matthew

2.81

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95.39。

2019-08-23 08:07:58

2.81

95.39

45

提供者:Fade 

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94.75。

2020-04-06 02:19:50

94.75

46

提供者:Noah

5.63

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94.61。

2019-07-31 03:32:30

5.63

94.61

47

提供者:Dan1613186618

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92.44。

2021-02-15 09:11:46

92.44

48

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91.10。

2020-04-29 16:09:26

91.10

49

提供者:冬至

6.00

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90.72。

2019-06-24 04:55:06

6.00

90.72

50

提供者:hiccup

1.50

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90.18。

2019-06-27 07:09:04

1.50

90.18

51

提供者:PPdog

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89.92。

2019-06-25 08:18:53

89.92

52

提供者:sw2009

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88.35。

2019-08-23 20:51:10

88.35

53

提供者:rere

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85.58。

2020-01-12 20:56:57

85.58

54

提供者:Reluminia

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80.63。

2019-08-05 15:42:45

80.63

55

提供者:breezeandyou

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9.64。

2019-06-20 20:57:32

9.64

2019-10-21
なんか行ける気がする

模型得分为95.44,本次获得实时奖励奖金为1.41

2019-10-21 11:29:06

2019-08-23
matthew

模型得分为95.39,本次获得实时奖励奖金为2.81

2019-08-23 15:14:00

2019-07-31
Noah

模型得分为94.61,本次获得实时奖励奖金为5.63

2019-07-31 10:40:23

2019-07-25
答案

模型得分为93.02,本次获得实时奖励奖金为6

2019-07-25 14:30:40

2019-07-20
大木淡漠

模型得分为99.97,本次获得排名奖奖金为100

2019-07-20 15:00:01

丶人狠话不多

模型得分为99.97,本次获得排名奖奖金为150

2019-07-20 15:00:01

加勒比

模型得分为100,本次获得排名奖奖金为250

2019-07-20 15:00:01

2019-07-17
加勒比

模型得分为99.99,本次获得实时奖励奖金为1

2019-07-17 10:46:38

2019-07-15
BMW开空调

模型得分为95.7,本次获得实时奖励奖金为11.25

2019-07-15 15:32:28

2019-07-08
isaiah

模型得分为92,本次获得实时奖励奖金为12

2019-07-08 10:42:32

友情小爪

模型得分为97.2,本次获得实时奖励奖金为2.34

2019-07-08 10:42:23

2019-07-01
顺宝

模型得分为97.67,本次获得实时奖励奖金为4.69

2019-07-01 10:55:15

顺宝

模型得分为94.14,本次获得实时奖励奖金为22.5

2019-07-01 10:53:29

鬼见愁

模型得分为97.03,本次获得实时奖励奖金为9.38

2019-07-01 10:50:33

2019-06-28
顺宝

模型得分为92.79,本次获得实时奖励奖金为24

2019-06-28 11:54:23

2019-06-27
善假于物

模型得分为99.97,本次获得排名奖奖金为100

2019-06-27 15:00:02

大木淡漠

模型得分为99.97,本次获得排名奖奖金为150

2019-06-27 15:00:02

丶人狠话不多

模型得分为99.97,本次获得排名奖奖金为250

2019-06-27 15:00:02

hiccup

模型得分为90.18,本次获得实时奖励奖金为1.5

2019-06-27 10:31:43

LeyN

模型得分为95.73,本次获得实时奖励奖金为45

2019-06-27 10:31:03

2019-06-26
colorLess

模型得分为90.94,本次获得实时奖励奖金为3

2019-06-26 11:17:26

2019-06-24
冬至

模型得分为90.72,本次获得实时奖励奖金为6

2019-06-24 11:18:18

王瑞

模型得分为96.24,本次获得实时奖励奖金为18.75

2019-06-24 11:09:34

chyang

模型得分为97.19,本次获得实时奖励奖金为37.5

2019-06-24 10:57:19

交差墒

模型得分为99.97,本次获得实时奖励奖金为1.17

2019-06-24 10:57:10

sblyx

模型得分为98.69,本次获得实时奖励奖金为2.34

2019-06-24 10:57:01

善假于物

模型得分为99.97,本次获得实时奖励奖金为4.69

2019-06-24 10:56:55

大木淡漠

模型得分为99.97,本次获得实时奖励奖金为9.38

2019-06-24 10:53:59

快来追我呀

模型得分为99.91,本次获得实时奖励奖金为18.75

2019-06-24 10:53:05

Winteriscoming

模型得分为99.96,本次获得实时奖励奖金为18.75

2019-06-24 10:52:47

trickornot

模型得分为99.96,本次获得实时奖励奖金为37.5

2019-06-24 10:52:42

人间正道是沧桑

模型得分为99.18,本次获得实时奖励奖金为75

2019-06-24 10:52:38

人间正道是沧桑

模型得分为96.78,本次获得实时奖励奖金为75

2019-06-24 10:52:33

丶人狠话不多

模型得分为99.97,本次获得实时奖励奖金为549

2019-06-24 10:52:28

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