猫脸关键点检测

分享给好友

2019-07-06 15:00:00
开始提交

2019-08-05 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 280
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

猫脸特征点检测是一项有趣的任务。本数据集共包含了9000张猫脸彩色图片,目的是检测脸部的九个关键点,包括两个眼睛关键点、一个嘴部关键点和六个耳朵关键点。标注顺序为左眼xy坐标,右眼xy坐标,嘴xy坐标,左耳点1xy坐标,左耳点2xy坐标,左耳点3xy坐标,右耳点1xy坐标,右耳点2xy坐标,右耳点3jxy坐标,坐标均为相对坐标值。

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!

数据来源

CatFaceLandmark

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 原始图片路径
landmark string 不为空 关键点坐标

参考文献:

[1]Cat Head Detection - How to Effectively Exploit Shape and Texture Features

[2]CAT Dataset

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: landmark,

评审指标说明

  • 根据N点坐标(x,y)验证输出值(X_out,Y_out)的距离误差
  • 取N点距离误差之和的平均数作为最终误差值
  • 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:人间正道是沧桑

5250.00

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100.00。

2019-07-05 21:29:55

5250.00

100.00

第三名

提供者:trickornot

1875.00

batch数据为192,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100.00。

2019-07-06 00:20:36

1875.00

100.00

第三名

提供者:linlh

1187.50

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100.00。

2019-07-06 02:31:16

1187.50

100.00

4

提供者:恋旧却念旧

93.75

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100.00。

2019-07-06 23:25:34

93.75

100.00

5

提供者:化猫

46.88

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100.00。

2019-07-11 04:00:41

46.88

100.00

6

提供者:蜗牛、Gray

23.44

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100.00。

2019-07-12 10:50:49

23.44

100.00

7

提供者:gboy

11.72

batch数据为192,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100.00。

2019-07-12 15:51:09

11.72

100.00

8

提供者:流年相摧

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97.49。

2020-07-18 23:54:09

97.49

9

提供者:Xin Yao

607.50

batch数据为64,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97.00。

2019-07-15 00:19:45

607.50

97.00

10

提供者:weiliming

303.75

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96.55。

2019-07-12 13:21:14

303.75

96.55

11

提供者:丶人狠话不多

225.00

batch数据为64,循环次数为3500次,通过在线上环境完成训练,模型最优精度评分为94.83。

2019-07-06 10:05:21

225.00

94.83

12

提供者:无......有

75.00

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93.00。

2019-07-08 16:59:09

75.00

93.00

13

提供者:sloan

15.00

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92.12。

2019-07-11 22:07:51

15.00

92.12

14

提供者:cnn

7.50

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91.13。

2019-07-10 18:18:12

7.50

91.13

15

提供者:徐声睿

batch数据为128,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88.42。

2019-09-03 18:02:01

88.42

16

提供者:ChangeBio

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87.99。

2019-07-06 06:44:06

87.99

17

提供者:Ethan

batch数据为500,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86.79。

2019-07-18 15:10:36

86.79

18

提供者:心语滑落指尖

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86.74。

2019-07-13 11:45:32

86.74

19

提供者:clare

batch数据为30,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86.26。

2019-07-06 04:59:03

86.26

20

提供者:知更

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84.78。

2019-08-06 22:52:15

84.78

21

提供者:呜啦啦啦

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84.78。

2019-08-08 20:26:56

84.78

22

提供者:小十三

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84.78。

2019-09-09 13:42:28

84.78

23

提供者:白立群

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84.78。

2019-09-11 10:28:37

84.78

24

提供者:tartarus

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84.78。

2019-10-13 19:34:42

84.78

25

提供者:hajohn

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84.78。

2019-10-16 23:15:15

84.78

26

提供者:qck15570179927

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84.78。

2019-10-22 17:21:36

84.78

27

提供者:ying.huan

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84.78。

2019-10-22 18:48:39

84.78

28

提供者:金文东

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84.78。

2019-10-23 09:59:46

84.78

29

提供者:朱乾龙

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84.78。

2019-10-29 15:03:40

84.78

30

提供者:Hello

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84.78。

2019-10-31 23:34:47

84.78

31

提供者:叶子依然

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84.78。

2019-11-04 19:47:54

84.78

32

提供者:DFZ

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84.78。

2019-11-12 21:33:11

84.78

33

提供者:野猪佩奇

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84.78。

2019-11-13 18:06:06

84.78

34

提供者:王王

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84.78。

2019-11-14 13:55:58

84.78

35

提供者:cierlly

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84.78。

2019-11-25 12:27:06

84.78

36

提供者:dark444steel

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84.78。

2019-11-30 02:05:18

84.78

37

提供者:叫我小谢好了

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84.78。

2019-12-20 13:52:03

84.78

38

提供者:monkey2

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84.78。

2019-12-23 09:42:29

84.78

39

提供者:atway

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84.78。

2019-12-23 09:48:26

84.78

40

提供者:oTo

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84.78。

2019-12-24 16:20:15

84.78

41

提供者:cracked2

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84.78。

2019-12-30 15:33:43

84.78

42

提供者:Regexz

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84.78。

2019-12-30 18:36:32

84.78

43

提供者:陌上羽

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84.78。

2020-01-20 15:36:15

84.78

44

提供者:凡点

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84.78。

2020-03-16 13:58:04

84.78

45

提供者:molly

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84.78。

2020-03-19 10:02:21

84.78

46

提供者:luckynote

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84.78。

2020-03-25 10:22:39

84.78

47

提供者:回忆无处找寻

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84.78。

2020-10-17 10:34:16

84.78

48

提供者:张贝贝

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84.78。

2020-10-25 22:20:46

84.78

49

提供者:flyai会员1609732528

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84.78。

2021-01-04 12:00:10

84.78

50

提供者:就是很任性

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84.60。

2019-07-08 14:12:02

84.60

51

提供者:banana

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83.98。

2019-07-12 12:23:18

83.98

52

提供者:Indigo6

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83.87。

PyTorch

菜鸡模型

2019-07-09 21:44:22

83.87

53

提供者:l*g*z

batch数据为500,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83.31。

2019-07-06 04:19:25

83.31

54

提供者:范特西

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83.23。

2019-07-12 20:17:45

83.23

55

提供者:skyofunknow

batch数据为256,循环次数为12次,通过在线上环境完成训练,模型最优精度评分为83.04。

2019-07-10 08:52:42

83.04

56

提供者:AiFool

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83.03。

2019-07-06 13:12:33

83.03

57

提供者:guoguo

batch数据为128,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83.01。

2019-07-23 02:42:43

83.01

58

提供者:ShadowFiend

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83.00。

PyTorch

resnet

2019-07-06 11:38:29

83.00

59

提供者:Joshua

batch数据为500,循环次数为320次,通过在线上环境完成训练,模型最优精度评分为83.00。

2019-07-08 16:37:36

83.00

60

提供者:埼玉不秃头

batch数据为500,循环次数为48次,通过在线上环境完成训练,模型最优精度评分为81.77。

2019-07-11 01:18:12

81.77

61

提供者:Angeladev

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81.77。

2019-11-05 01:23:16

81.77

62

提供者:麦麦旋风

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81.67。

2019-08-02 12:26:12

81.67

63

提供者:去

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81.15。

2019-07-09 00:24:21

81.15

64

提供者:杨杨杨

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80.82。

2019-08-06 23:28:38

80.82

65

提供者:麦小杨

batch数据为128,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79.41。

2019-07-06 01:15:32

79.41

66

提供者:begins

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73.49。

2019-07-13 02:42:43

73.49

67

提供者:pprp

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68.08。

2020-04-15 10:15:01

68.08

68

提供者:徐放勋

batch数据为500,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48.46。

2019-08-02 22:15:48

48.46

69

提供者:北部湾的落日

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35.95。

2019-07-10 22:45:04

35.95

70

提供者:丨breeze丨

batch数据为128,循环次数为12次,通过在线上环境完成训练,模型最优精度评分为0.00。

2019-08-02 12:42:20

0.00

2019-08-06
linlh

模型得分为100,本次获得排名奖奖金为500

2019-08-06 15:00:01

trickornot

模型得分为100,本次获得排名奖奖金为750

2019-08-06 15:00:01

人间正道是沧桑

模型得分为100,本次获得排名奖奖金为1250

2019-08-06 15:00:01

2019-07-15
gboy

模型得分为100,本次获得实时奖励奖金为11.72

2019-07-15 12:08:39

weiliming

模型得分为96.55,本次获得实时奖励奖金为187.5

2019-07-15 12:07:54

2019-07-12
人间正道是沧桑

模型得分为100,本次获得排名奖奖金为1250

2019-07-12 15:00:01

trickornot

模型得分为100,本次获得排名奖奖金为750

2019-07-12 15:00:01

linlh

模型得分为100,本次获得排名奖奖金为500

2019-07-12 15:00:01

蜗牛、Gray

模型得分为100,本次获得实时奖励奖金为23.44

2019-07-12 12:19:14

Xin Yao

模型得分为96.13,本次获得实时奖励奖金为375

2019-07-12 11:40:03

sloan

模型得分为92.02,本次获得实时奖励奖金为15

2019-07-12 11:31:46

2019-07-11
化猫

模型得分为100,本次获得实时奖励奖金为46.88

2019-07-11 10:44:02

weiliming

模型得分为94.67,本次获得实时奖励奖金为56.25

2019-07-11 10:36:41

2019-07-10
cnn

模型得分为90.6,本次获得实时奖励奖金为7.5

2019-07-10 11:36:47

2019-07-09
weiliming

模型得分为92.34,本次获得实时奖励奖金为30

2019-07-09 14:15:18

无......有

模型得分为93,本次获得实时奖励奖金为60

2019-07-09 12:36:39

2019-07-08
无......有

模型得分为90.34,本次获得实时奖励奖金为15

2019-07-08 12:39:50

weiliming

模型得分为91.03,本次获得实时奖励奖金为30

2019-07-08 12:39:45

Xin Yao

模型得分为94.94,本次获得实时奖励奖金为112.5

2019-07-08 12:39:43

恋旧却念旧

模型得分为100,本次获得实时奖励奖金为93.75

2019-07-08 12:39:40

Xin Yao

模型得分为93.85,本次获得实时奖励奖金为120

2019-07-08 12:39:37

丶人狠话不多

模型得分为94.83,本次获得实时奖励奖金为225

2019-07-08 12:39:34

linlh

模型得分为100,本次获得实时奖励奖金为187.5

2019-07-08 12:39:11

trickornot

模型得分为100,本次获得实时奖励奖金为375

2019-07-08 12:39:07

人间正道是沧桑

模型得分为100,本次获得实时奖励奖金为2750

2019-07-08 12:38:50

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