- 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
本数据集为脸龄判断数据集,共包含9779张不同人种的人类个体面部图片,个体年龄分布为1岁到110岁之间,共99个类别。为简化问题,将每10岁划为一个区间,使类别缩小到10类。
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
FacialAgeTenClass
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 |
图片路径 |
label |
int |
大于等于 0, 小于等于 9 |
年龄类别 |
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:
超过 65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30,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71.06。
batch数据为64,循环次数为16次,通过在线上环境完成训练,模型最优精度评分为70.14。
batch数据为100,循环次数为16次,通过在线上环境完成训练,模型最优精度评分为68.30。
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67.13。
5
batch数据为100,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66.56。
6
batch数据为60,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66.31。
7
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65.85。
8
batch数据为100,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65.80。
9
batch数据为48,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65.75。
10
batch数据为32,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65.59。
11
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65.59。
12
batch数据为16,循环次数为22次,通过在线上环境完成训练,模型最优精度评分为65.39。
13
batch数据为32,循环次数为123次,通过在线上环境完成训练,模型最优精度评分为64.98。
14
batch数据为16,循环次数为4000次,通过在线上环境完成训练,模型最优精度评分为64.88。
15
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64.83。
16
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64.83。
17
batch数据为180,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64.62。
18
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64.52。
19
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64.42。
20
batch数据为128,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63.96。
21
batch数据为128,循环次数为120次,通过在线上环境完成训练,模型最优精度评分为63.96。
22
batch数据为32,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63.91。
23
batch数据为60,循环次数为121次,通过在线上环境完成训练,模型最优精度评分为63.91。
24
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63.85。
25
batch数据为30,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63.75。
26
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63.50。
27
batch数据为32,循环次数为128次,通过在线上环境完成训练,模型最优精度评分为63.34。
28
batch数据为30,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63.14。
29
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62.99。
30
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62.93。
31
batch数据为48,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62.93。
32
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62.47。
33
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62.42。
34
batch数据为8,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62.27。
35
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62.12。
36
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61.71。
37
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61.40。
38
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61.09。
39
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60.84。
40
batch数据为4,循环次数为39次,通过在线上环境完成训练,模型最优精度评分为60.58。
41
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60.38。
42
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59.97。
43
batch数据为128,循环次数为128次,通过在线上环境完成训练,模型最优精度评分为59.10。
44
batch数据为32,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59.00。
45
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58.90。
46
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58.84。
47
batch数据为32,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58.28。
48
batch数据为32,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57.87。
49
batch数据为50,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57.77。
50
batch数据为200,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57.67。
51
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57.62。
52
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57.46。
53
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56.90。
54
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56.90。
55
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55.98。
56
batch数据为128,循环次数为5001次,通过在线上环境完成训练,模型最优精度评分为55.83。
57
batch数据为100,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55.67。
58
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55.57。
59
batch数据为50,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55.01。
60
batch数据为48,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54.86。
61
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54.65。
62
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54.45。
63
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54.45。
64
batch数据为64,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54.40。
65
batch数据为125,循环次数为16次,通过在线上环境完成训练,模型最优精度评分为54.35。
66
batch数据为32,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54.29。
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53.83。
68
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53.32。
69
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52.61。
70
batch数据为50,循环次数为55次,通过在线上环境完成训练,模型最优精度评分为52.61。
71
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51.94。
72
batch数据为500,循环次数为3200次,通过在线上环境完成训练,模型最优精度评分为51.89。
73
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51.89。
74
batch数据为32,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51.89。
75
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51.43。
76
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51.43。
77
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51.23。
78
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51.02。
79
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50.92。
80
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50.61。
81
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50.46。
82
batch数据为128,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50.41。
83
batch数据为64,循环次数为1600次,通过在线上环境完成训练,模型最优精度评分为49.23。
84
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49.18。
85
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48.72。
86
batch数据为50,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47.90。
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46.78。
88
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44.17。
89
batch数据为32,循环次数为90次,通过在线上环境完成训练,模型最优精度评分为44.17。
90
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43.35。
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41.62。
92
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41.46。
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40.18。
94
batch数据为32,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39.83。
95
batch数据为100,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35.84。
96
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34.71。
97
batch数据为256,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34.61。
98
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33.79。
99
batch数据为32,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32.72。
100
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32.67。
101
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32.31。
102
batch数据为30,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31.90。
103
batch数据为32,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30.78。
104
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30.73。
105
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30.73。
106
batch数据为128,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30.73。
107
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30.73。
108
batch数据为16,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30.73。
109
batch数据为4,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30.73。
110
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30.73。
111
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30.73。
112
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30.73。
113
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30.73。
114
batch数据为32,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30.73。
115
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30.73。
116
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30.73。
117
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30.73。
118
batch数据为128,循环次数为90次,通过在线上环境完成训练,模型最优精度评分为30.73。
119
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30.73。
120
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30.73。
121
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30.73。
122
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30.73。
123
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30.73。
124
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30.73。
125
batch数据为1,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30.73。
126
batch数据为2,循环次数为128次,通过在线上环境完成训练,模型最优精度评分为30.73。
127
batch数据为100,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14.93。
128
batch数据为32,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11.20。
129
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6.75。
130
batch数据为50,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0.00。
花落的世界
2019-12-14 00:33:58
2019-12-14 00:33:58
68.76
王冠
2019-10-21 22:33:30
2019-10-21 22:33:30
68.46
对方正在输入
2019-11-24 17:02:32
2019-11-24 17:02:32
67.59
4
Tk more tk less
2019-11-11 15:15:52
2019-11-11 15:15:52
66.77
5
Tiernos
2020-03-12 23:49:55
2020-03-12 23:49:55
64.26
6
flyai会员1576757313
2019-12-22 08:56:47
2019-12-22 08:56:47
59.05
7
hajohn
2019-10-15 12:05:52
2019-10-15 12:05:52
51.94
2019-10-19 11:00:08
51.94
9
yzyuan
2019-10-19 14:41:06
2019-10-19 14:41:06
51.94
10
sudoku
2019-10-19 22:30:48
2019-10-19 22:30:48
51.94
11
Walker1571734626
2019-10-22 17:02:37
2019-10-22 17:02:37
51.94
12
六个骨头
2019-10-23 15:23:46
2019-10-23 15:23:46
51.94
13
濯君
2019-10-25 20:02:51
2019-10-25 20:02:51
51.94
2019-10-27 20:59:23
51.94
15
Kaspar.S
2019-10-29 15:34:16
2019-10-29 15:34:16
51.94
16
嘻嘻嘻哈哈
2019-10-30 11:38:18
2019-10-30 11:38:18
51.94
17
江小白
2019-10-31 15:29:34
2019-10-31 15:29:34
51.94
18
Hello
2019-10-31 23:31:41
2019-10-31 23:31:41
51.94
19
tensorflow
2019-11-01 10:19:56
2019-11-01 10:19:56
51.94
20
做着英雄梦的路人甲
2019-11-01 11:05:18
2019-11-01 11:05:18
51.94
21
第五轻柔
2019-11-01 16:08:49
2019-11-01 16:08:49
51.94
22
乐呵的太阳
2019-11-02 17:19:07
2019-11-02 17:19:07
51.94
23
铖橙
2019-11-05 09:00:03
2019-11-05 09:00:03
51.94
24
Chiral
2019-11-05 22:20:53
2019-11-05 22:20:53
51.94
25
LukaDoncic
2019-11-07 23:15:09
2019-11-07 23:15:09
51.94
2019-11-10 12:00:37
51.94
27
姬了个喵
2019-11-11 15:59:19
2019-11-11 15:59:19
51.94
28
sunshine1573469860
2019-11-11 19:07:34
2019-11-11 19:07:34
51.94
29
Salad
2019-11-11 20:05:11
2019-11-11 20:05:11
51.94
30
chengcheng
2019-11-13 14:35:57
2019-11-13 14:35:57
51.94
2019-11-13 21:09:59
51.94
32
Boyce Avenue
2019-11-14 15:11:03
2019-11-14 15:11:03
51.94
2019-11-16 22:06:26
51.94
2019-11-18 22:52:04
51.94
35
丁丁虫
2019-11-19 14:40:03
2019-11-19 14:40:03
51.94
36
WenhuaL
2019-11-19 15:14:40
2019-11-19 15:14:40
51.94
37
张先生-您好
2019-11-21 14:35:59
2019-11-21 14:35:59
51.94
38
Mr.one
2019-11-21 17:08:53
2019-11-21 17:08:53
51.94
2019-11-24 15:26:54
51.94
40
poplar
2019-11-25 14:56:48
2019-11-25 14:56:48
51.94
41
Einsteinpcm
2019-11-26 18:17:48
2019-11-26 18:17:48
51.94
42
Hollens
2019-11-29 13:00:07
2019-11-29 13:00:07
51.94
43
rere
2019-12-01 11:01:18
2019-12-01 11:01:18
51.94
44
znce
2019-12-10 21:33:34
2019-12-10 21:33:34
51.94
45
W~aimumu
2019-12-19 14:57:17
2019-12-19 14:57:17
51.94
46
渣喵
2019-12-23 11:10:37
2019-12-23 11:10:37
51.94
47
cvyang
2019-12-27 16:50:27
2019-12-27 16:50:27
51.94
48
言名
2019-12-27 17:00:37
2019-12-27 17:00:37
51.94
49
gczyjbr
2019-12-31 18:54:46
2019-12-31 18:54:46
51.94
50
晚安傻蛋
2020-01-02 19:18:44
2020-01-02 19:18:44
51.94
2020-01-04 17:17:19
51.94
52
芒果母
2020-01-20 20:23:10
2020-01-20 20:23:10
51.94
53
val_acc=100
2020-02-15 14:19:48
2020-02-15 14:19:48
51.94
54
小小羊
2020-02-20 16:52:11
2020-02-20 16:52:11
51.94
55
ersen
2020-02-25 10:16:36
2020-02-25 10:16:36
51.94
56
当年拚却醉颜红
2020-02-25 13:36:37
2020-02-25 13:36:37
51.94
57
flyai会员1582794860
2020-02-27 21:51:29
2020-02-27 21:51:29
51.94
58
陌上叁仟
2020-03-02 20:37:09
2020-03-02 20:37:09
51.94
59
idea1566464646
2020-03-05 22:35:06
2020-03-05 22:35:06
51.94
2020-03-24 13:16:42
51.94
61
堃堃酱
2020-04-19 21:34:17
2020-04-19 21:34:17
51.94
62
半夏彼岸
2020-04-22 10:46:44
2020-04-22 10:46:44
51.94
63
希楠
2020-05-01 10:12:23
2020-05-01 10:12:23
51.94
64
Benjamin
2020-05-14 14:08:10
2020-05-14 14:08:10
51.94
65
flyai会员1589812683
2020-05-19 11:17:57
2020-05-19 11:17:57
51.94
66
Sparkle
2020-05-20 04:05:44
2020-05-20 04:05:44
51.94
67
leekunpeng
2020-05-22 08:49:05
2020-05-22 08:49:05
51.94
68
如渊
2020-06-12 21:41:46
2020-06-12 21:41:46
51.94
69
1289766752
2020-07-16 18:42:07
2020-07-16 18:42:07
51.94
70
ZY2020
2020-08-01 15:56:13
2020-08-01 15:56:13
51.94
71
flyai会员1603024333
2021-03-10 21:12:21
2021-03-10 21:12:21
51.94
72
大师兄
2021-03-12 19:01:55
2021-03-12 19:01:55
51.94
73
defense
2021-07-01 22:49:59
2021-07-01 22:49:59
51.94
74
陌上花开1634318252
2021-10-16 01:25:18
2021-10-16 01:25:18
51.94
75
时光非礼了梦想
2020-02-07 13:01:55
2020-02-07 13:01:55
47.85
76
Ltt
2020-03-06 11:26:45
2020-03-06 11:26:45
36.4
77
迟到的幸运儿
2019-10-15 13:55:11
2019-10-15 13:55:11
30.73
78
时光的模样~
2019-10-21 15:56:04
2019-10-21 15:56:04
30.73
79
福星高照
2020-02-28 23:30:08
2020-02-28 23:30:08
30.73
80
韩天啸
2020-06-15 01:49:58
2020-06-15 01:49:58
29.75