- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
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
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。
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]无
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。
超过 90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。
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。
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。
4
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。
5
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。
6
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。
7
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。
8
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。
9
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。
10
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。
11
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。
12
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。
13
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。
14
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。
15
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。
16
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。
17
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。
18
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。
19
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。
20
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。
21
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。
22
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。
23
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。
24
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。
25
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。
26
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。
27
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。
28
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。
29
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。
30
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。
31
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。
32
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。
33
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。
34
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。
35
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。
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99.41。
37
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。
38
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。
39
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。
40
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。
41
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。
42
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。
43
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。
44
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。
45
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。
46
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。
47
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。
48
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。
49
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90.67。
50
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90.67。
51
batch数据为32,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90.67。
52
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90.67。
53
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90.67。
54
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90.67。
55
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90.67。
56
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90.67。
57
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90.67。
58
batch数据为64,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90.67。
59
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90.67。
60
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90.67。
61
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90.67。
62
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90.67。
63
batch数据为256,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90.67。
64
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90.67。
65
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90.67。
66
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90.67。
67
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90.67。
68
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90.67。
69
batch数据为69,循环次数为33次,通过在线上环境完成训练,模型最优精度评分为90.67。
70
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90.67。
71
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90.67。
72
batch数据为64,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90.67。
73
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90.67。
74
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90.67。
75
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90.67。
76
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90.67。
77
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90.67。
78
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90.67。
79
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90.67。
80
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90.67。
81
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90.67。
82
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90.67。
83
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90.67。
84
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90.67。
85
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90.67。
86
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90.67。
87
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90.67。
88
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90.67。
89
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90.67。
90
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90.67。
91
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90.67。
92
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90.67。
93
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90.67。
94
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90.67。
95
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90.67。
96
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。
97
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。
98
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。
99
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。
2019-10-21
- 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元
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元
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元
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元
2019-07-25 14:30:40
2019-07-20
- 加勒比
-
模型得分为100,本次获得排名奖奖金为250元
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元
2019-07-20 15:00:01
- 大木淡漠
-
模型得分为99.97,本次获得排名奖奖金为100元
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元
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元
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元
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元
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元
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元
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元
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元
2019-06-28 11:54:23
2019-06-27
- 大木淡漠
-
模型得分为99.97,本次获得排名奖奖金为150元
2019-06-27 15:00:02
- 善假于物
-
模型得分为99.97,本次获得排名奖奖金为100元
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元
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元
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元
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元
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元
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元
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元
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元
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元
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元
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元
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元
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元
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元
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元
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元
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元
2019-06-24 10:52:28