2005 VOC挑战赛

分享给好友

2019-04-25 15:00:00
开始提交

2019-05-25 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 734
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
  • 奖金记录
  • 讨论($vue{comment_count})
  • 学习资源

$vue{item.rank_name}

大赛简介

PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集,从2005年到2012年每年都会举行一场图像识别challenge。该数据集取自TU-Darmstadt, Caltech, TU-Graz 和 UIUC等发布的数据集。在该数据集中每张图片中的物体都由人工标注,物体包含汽车,摩托车,自行车和人体四类。

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

host.robots.ox.ac.uk/pascal/VOC/databases.html#VOC2005_1

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 int 大于等于 0, 小于等于 3 物体类别
name string 不为空 类别名称

参考文献:

[1]chapter.pdf

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 85分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

你猜猜我是谁

923.75

通过在线上环境完成训练,模型最优精度评分为95.80。

2019-04-26 08:15:12

923.75

95.80

第三名

看你很6哦

431.25

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93.01。

2019-04-29 17:18:09

431.25

93.01

第三名

喵喵

251.88

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87.41。

2019-04-28 10:40:01

251.88

87.41

4

lyming

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86.01。

2019-04-28 11:18:31

86.01

5

小小菜

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86.01。

2019-05-03 21:39:38

86.01

6

火炎焱燚

157.50

batch数据为128,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86.01。

2019-05-07 05:29:31

157.50

86.01

7

linlh

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86.01。

2019-05-28 20:54:05

86.01

8

善假于物

3.75

batch数据为96,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为85.31。

2019-04-27 13:45:13

3.75

85.31

9

交差墒

batch数据为512,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85.31。

2019-05-22 20:06:57

85.31

10

cyh12315

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85.31。

2020-03-27 18:01:48

85.31

11

bestfitting

batch数据为512,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84.62。

2019-04-26 19:13:36

84.62

12

Winteriscoming

batch数据为512,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84.62。

2019-04-27 17:43:13

84.62

13

加勒比

batch数据为71,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83.92。

2019-05-26 08:54:44

83.92

14

希布

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83.92。

2019-11-16 20:19:30

83.92

15

gezp

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83.22。

2019-05-01 11:26:34

83.22

16

哈尔的移动城堡

batch数据为100,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83.22。

2019-05-23 01:26:30

83.22

17

大木淡漠

batch数据为16,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83.22。

2019-05-28 06:51:38

83.22

18

DLin

batch数据为128,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82.52。

2019-04-28 23:42:29

82.52

19

汐炎

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82.52。

2019-04-29 09:23:05

82.52

20

Joshua

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82.52。

2019-04-29 15:28:39

82.52

21

AloofKun

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82.52。

2019-07-12 20:56:56

82.52

22

tik_boa

batch数据为16,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81.12。

2019-04-27 18:53:23

81.12

23

前排板凳瓜子

batch数据为128,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为81.12。

Keras

HeyGays

2019-05-14 23:02:04

81.12

24

trickornot

batch数据为32,循环次数为8000次,通过在线上环境完成训练,模型最优精度评分为79.02。

2019-04-26 11:11:55

79.02

25

chyang

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78.32。

2019-05-20 23:09:56

78.32

26

gboy

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78.32。

2019-05-25 14:32:07

78.32

27

Daiccccc

batch数据为40,循环次数为8000次,通过在线上环境完成训练,模型最优精度评分为77.62。

2019-04-26 07:48:26

77.62

28

淋雨

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76.92。

2019-04-28 17:38:03

76.92

29

丶人狠话不多

batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为76.22。

2019-04-26 07:02:32

76.22

30

ChangeBio

batch数据为64,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74.83。

Pretrained

ResNet34

2019-04-28 20:17:58

74.83

31

HovD.

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71.33。

2020-12-17 18:02:44

71.33

32

jhp

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70.63。

2019-05-01 14:43:05

70.63

33

who

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69.93。

2019-08-14 14:25:58

69.93

34

无......有

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69.23。

2019-05-30 05:10:06

69.23

35

不讲5的

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68.53。

2020-12-07 02:53:02

68.53

36

天天向上

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66.43。

2019-04-26 16:09:09

66.43

37

半酣

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64.34。

2020-12-29 13:38:02

64.34

38

begins

batch数据为32,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63.64。

2019-04-27 19:10:13

63.64

39

Albert1563667639

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63.64。

2019-08-13 09:10:29

63.64

40

做自己的唯一

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63.64。

2019-09-01 15:35:03

63.64

41

Jeremy

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63.64。

2019-09-14 16:47:28

63.64

42

idleuncle

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63.64。

2019-09-18 13:13:43

63.64

43

Mengcius

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63.64。

2019-09-19 14:14:23

63.64

44

rock

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63.64。

2019-09-21 17:12:01

63.64

45

浅若清风

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63.64。

2019-09-27 21:38:42

63.64

46

EVOL

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63.64。

2019-09-27 21:49:48

63.64

47

cnn

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63.64。

2019-10-09 15:30:40

63.64

48

陈天宇

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63.64。

2019-12-11 21:19:32

63.64

49

举起小小手

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63.64。

2020-02-21 11:44:49

63.64

50

清风伴酒

batch数据为16,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63.64。

2020-03-11 17:04:42

63.64

51

呜啦啦啦

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63.64。

2020-04-29 14:38:09

63.64

52

flyai会员1607415233

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63.64。

2020-12-08 16:55:21

63.64

53

Nightingale

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62.24。

2019-05-26 12:10:43

62.24

54

poplar

batch数据为32,循环次数为8000次,通过在线上环境完成训练,模型最优精度评分为56.64。

2019-06-05 16:33:46

56.64

55

兔子是菜鸟

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51.05。

2019-04-28 22:24:50

51.05

56

chopin1556525988

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48.95。

2019-04-30 22:51:42

48.95

57

悟悟悟

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44.76。

2019-04-28 18:00:11

44.76

58

哇咔咔

batch数据为512,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44.76。

2019-04-28 23:59:55

44.76

59

飓风神龙

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44.76。

2019-06-18 22:22:01

44.76

60

AiFool

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44.76。

2019-06-19 11:39:53

44.76

61

心语滑落指尖

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44.76。

2019-07-08 02:59:52

44.76

62

五月^V^

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44.76。

2019-12-27 09:46:19

44.76

63

Biao_Ge

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44.06。

2019-09-11 00:29:33

44.06

64

czj520

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。

2019-09-01 16:20:58

0.00

2019-06-06
喵喵

模型得分为87.41,本次获得排名奖奖金为125

2019-06-06 15:00:01

看你很6哦

模型得分为93.01,本次获得排名奖奖金为187.5

2019-06-06 15:00:01

你猜猜我是谁

模型得分为95.8,本次获得排名奖奖金为312.5

2019-06-06 15:00:01

2019-05-25
喵喵

模型得分为87.41,本次获得排名奖奖金为125

2019-05-25 15:00:01

看你很6哦

模型得分为93.01,本次获得排名奖奖金为187.5

2019-05-25 15:00:01

你猜猜我是谁

模型得分为95.8,本次获得排名奖奖金为312.5

2019-05-25 15:00:01

2019-05-07
看你很6哦

模型得分为93.01,本次获得实时奖励奖金为56.25

2019-05-07 12:49:42

喵喵

模型得分为87.41,本次获得实时奖励奖金为1.88

2019-05-07 12:49:32

善假于物

模型得分为85.31,本次获得实时奖励奖金为3.75

2019-05-07 12:49:29

你猜猜我是谁

模型得分为95.8,本次获得实时奖励奖金为298.75

2019-05-07 12:49:20

火炎焱燚

模型得分为86.01,本次获得实时奖励奖金为157.5

2019-05-07 12:48:32

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