人体骨骼动作识别

分享给好友

2019-08-23 15:00:00
开始提交

2019-09-22 15:00:00
最终提交结束

自由训练

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

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
  • 赛事介绍
  • 竞赛排行榜
  • 自由练习榜单
  • 讨论($vue{comment_count})
  • 学习资源

$vue{item.rank_name}

大赛简介

该项目基于NTU RGB+D 120数据集,提取数据集中对应的视频中人的骨骼关键位置点,用于动作识别,共120个动作,数据集以json文件给出,包括frame:帧数,60帧,joints_num:25,25个关节的位置坐标joint_0_x,joint_0_y

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

SkeletonV2

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 文件路径
name string 不为空 动作类别
labels int 大于等于 0, 小于等于 119 分类标签

参考文献:

[1]NTU RGB+D 120: A Large-Scale Benchmark for 3D Human Activity Understanding

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: labels,

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 70分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

前排板凳瓜子

暂未公开
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48.02。

2019-09-14 17:31:43

暂未公开
第三名

emmm我还没想好

暂未公开
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46.44。

2019-09-20 07:24:24

暂未公开
第三名

凯隐

暂未公开
batch数据为97,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42.18。

2019-09-27 07:15:08

暂未公开
4

skr skr skr

暂未公开
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39.68。

2019-10-11 18:12:18

暂未公开
5

小林子

暂未公开
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34.81。

2019-09-17 18:11:49

暂未公开
6

释然

暂未公开
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28.10。

2019-09-15 13:22:10

暂未公开
7

会飞的猪

暂未公开
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23.93。

2019-08-28 11:27:30

暂未公开
8

matthew

暂未公开
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22.80。

2019-08-25 18:36:50

暂未公开
9

为之奈何

暂未公开
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18.51。

2019-08-26 00:57:27

暂未公开
10

learnFromBest

暂未公开
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18.38。

2019-09-02 00:16:56

暂未公开
11

rhapsody

暂未公开
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17.01。

2019-11-12 15:22:44

暂未公开
12

Noah

暂未公开
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15.51。

2019-08-28 12:58:20

暂未公开
13

宇宙

暂未公开
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13.13。

2019-09-23 06:03:12

暂未公开
14

motoleisure

暂未公开
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13.01。

2019-09-06 05:03:51

暂未公开
15

风1567927103

暂未公开
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12.09。

2019-09-25 14:11:43

暂未公开
16

AMERICA

暂未公开
batch数据为16,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11.00。

2019-08-26 03:40:15

暂未公开
17

Bibi.x

暂未公开
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10.09。

2019-09-17 17:53:35

暂未公开
18

June_Z

暂未公开
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8.50。

2019-09-09 07:27:17

暂未公开
19

milixiang

暂未公开
batch数据为32,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6.29。

2019-11-20 01:38:56

暂未公开
20

北部湾的落日

暂未公开
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2.83。

2019-09-05 22:37:54

暂未公开
21

ChangeBio

暂未公开
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1.96。

2019-09-03 06:42:34

暂未公开
22

PPdog

暂未公开
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1.83。

2019-09-03 09:21:11

暂未公开
23

cnn

暂未公开
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1.13。

2019-10-08 09:25:48

暂未公开
24

Xin Yao

暂未公开
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1.04。

2019-08-24 19:54:24

暂未公开
25

qck15570179927

暂未公开
batch数据为16,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0.96。

2019-10-26 13:16:08

暂未公开
26

Jeremy

暂未公开
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0.71。

2019-09-15 20:00:22

暂未公开
第一名
cnn 2019-12-11 19:03:11
2019-12-11 19:03:11
18.13
第二名
ChangeBio 2020-03-18 12:27:03
2020-03-18 12:27:03
3.96
第三名
唯语 2020-11-11 20:24:04
2020-11-11 20:24:04
3.96
4
flyai会员1608629695 2020-12-22 17:37:16
2020-12-22 17:37:16
3.96
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
$vue{item.user_name}

$vue{item.title} $vue{item.title}

$vue{items}
$vue{item.like_count}
$vue{item.comment_counts}
$vue{item.comment_counts}
阅读 $vue{item.views}

这里还没有内容哦

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