室内场景识别

分享给好友

2019-11-20 15:00:00
开始提交

2019-12-20 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 785
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

室内场景识别在计算机视觉领域是一个具有挑战性的问题,大多数适用于室外场景的分类模型在室内领域的表现都比较差,其困难在于尽管某些室内场景可以通过全局空间特征进行较好的描述,但其他一些场景需要通过其具体所包含的对象特征才能对该场景进行较好的描述。因此如何提取图像全局特征和局部特征来进行精确预测是本赛题的难点。

在本数据集一共包括67个室内场景类别,总共15620张图片,每个类别至少有100张图像,其中训练集、验证集和测试集划分比例为6:2:2.

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20%) 所有人 根据基线得分与100分之间,分成5个奖金区间;不同得分区间获得相应的竞赛奖金。
突破奖(总奖金10%) 所有人 更新排行榜最高分数,获得相应的竞赛奖金
排名奖(总奖金70%) 月赛前5名 奖金发放最终以月为单位,前5名获奖占比以K系数表示,分别为:0.45,0.25,0.15,0.1,0.05
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,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 string 不为空 图片的对应类别

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

大木淡漠

960.00

batch数据为64,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87.68。

2019-12-16 19:34:48

960.00

87.68

大神经验
第三名

gboy

525.00

batch数据为16,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86.30。

2019-12-17 01:19:39

525.00

86.30

第三名

快来追我呀

315.00

batch数据为64,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86.08。

2019-12-15 02:19:14

315.00

86.08

大神经验
4

善假于物

213.00

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86.04。

2019-12-10 05:12:39

213.00

86.04

5

WYC

110.50

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85.69。

2019-12-11 16:58:20

110.50

85.69

6

siaya

4.00

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85.37。

2019-12-12 06:31:23

4.00

85.37

7

交差墒

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85.08。

2019-12-17 01:31:34

85.08

8

前排板凳瓜子

88.00

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85.02。

2019-11-30 22:23:49

88.00

85.02

9

小林子

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84.83。

2019-12-14 20:31:59

84.83

10

Winteriscoming

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83.87。

2019-11-26 20:29:55

83.87

11

龙龙

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83.39。

2019-12-14 03:37:14

83.39

12

Angeladev

batch数据为32,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83.35。

2019-12-02 04:59:30

83.35

13

emmm我还没想好

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83.19。

2019-11-21 17:21:05

83.19

14

qqm

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81.95。

2019-11-25 16:46:24

81.95

15

Yolo大大

batch数据为34,循环次数为8次,通过在线上环境完成训练,模型最优精度评分为81.72。

2020-02-28 03:20:56

81.72

16

一口大怪兽

batch数据为1,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81.05。

2019-12-12 00:44:52

81.05

17

天涯·明月·刀

batch数据为50,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80.51。

2019-12-16 17:42:39

80.51

18

chenfengshf

batch数据为25,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80.41。

2019-12-16 13:37:05

80.41

19

yangsmile

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79.29。

2019-11-21 02:11:01

79.29

20

Haibo

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79.10。

2019-12-12 19:08:39

79.10

21

Zkk_hhh

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78.46。

2019-11-23 13:22:28

78.46

22

learnFromBest

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77.75。

2019-11-25 18:44:49

77.75

23

挺好的

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77.75。

2020-01-14 15:55:36

77.75

24

milixiang

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77.05。

2019-12-05 11:34:33

77.05

25

Mengcius

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76.63。

2019-11-21 16:06:26

76.63

26

cnn

batch数据为50,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76.22。

2019-12-02 14:01:55

76.22

27

超爱喝酸奶

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75.83。

2019-11-21 15:00:35

75.83

28

clare

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75.38。

2020-03-19 22:06:25

75.38

29

SimonV587

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75.06。

2019-12-03 19:25:32

75.06

30

cyfwry

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74.84。

2019-12-02 01:48:23

74.84

31

Xin Yao

batch数据为96,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74.81。

2019-12-03 17:00:35

74.81

32

VicCao

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73.98。

2019-11-23 01:04:05

73.98

33

cv1557321940

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73.34。

2019-12-01 10:51:59

73.34

34

AMERICA

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73.27。

2019-12-03 17:45:30

73.27

35

Whisney`逸文

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73.11。

PyTorch

resnet

2019-11-26 03:16:00

73.11

36

郭玉彬

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72.38。

2020-04-03 23:19:46

72.38

37

满堂彩

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72.34。

2019-11-22 06:32:42

72.34

38

208.

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72.18。

2019-11-23 17:38:18

72.18

39

Nelson

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72.09。

2019-11-21 03:46:15

72.09

40

D.N.A

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68.50。

2019-11-30 23:05:59

68.50

41

sigmoid

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65.52。

2019-11-28 00:39:18

65.52

42

zozo

batch数据为16,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56.21。

2019-12-01 19:18:46

56.21

43

WF

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54.87。

2019-11-22 16:45:40

54.87

44

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51.31。

2019-11-21 17:02:19

51.31

45

a554142589

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46.22。

2019-12-15 02:41:01

46.22

46

DG

batch数据为32,循环次数为35次,通过在线上环境完成训练,模型最优精度评分为42.25。

2019-12-03 18:46:35

42.25

47

黄花寒后难逢蝶

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41.55。

2019-11-26 14:21:11

41.55

48

人间正道是沧桑

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33.55。

2019-12-03 14:14:24

33.55

49

张健铭

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33.29。

2019-12-06 13:17:09

33.29

50

会飞的猪

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32.27。

2020-01-09 01:08:00

32.27

51

杨泽鹏

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30.06。

2019-12-09 23:04:25

30.06

52

五月^V^

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29.48。

2019-12-24 15:59:05

29.48

53

张小张

batch数据为25,循环次数为35次,通过在线上环境完成训练,模型最优精度评分为28.01。

2019-11-28 05:31:17

28.01

54

for three

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27.69。

2020-07-21 12:42:45

27.69

55

黄劲潮

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26.98。

2019-12-01 16:01:46

26.98

56

Andy1559348164

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25.45。

2020-05-15 19:28:07

25.45

57

oliver1562911697

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25.32。

2020-01-17 20:14:15

25.32

58

天天向上

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24.65。

2019-11-24 06:16:56

24.65

59

Boyce Avenue

batch数据为30,循环次数为526次,通过在线上环境完成训练,模型最优精度评分为24.26。

2019-11-21 20:45:49

24.26

60

啸xiao

batch数据为64,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22.06。

2020-02-27 14:36:41

22.06

61

飞起的小皮卡

batch数据为32,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21.86。

2020-02-24 18:50:18

21.86

62

myue

batch数据为500,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21.73。

2019-12-04 08:33:40

21.73

63

colorLess

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21.70。

2019-11-24 23:33:35

21.70

64

对方正在输入。

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17.41。

2019-12-05 00:57:25

17.41

65

福星高照

batch数据为34,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17.13。

2020-02-28 23:15:47

17.13

66

flyai会员1576345548

batch数据为64,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12.96。

2019-12-15 12:23:48

12.96

67

nigeiwochi

batch数据为120,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12.61。

2019-11-25 02:46:53

12.61

68

xys

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12.52。

2019-12-06 15:24:54

12.52

69

哇咔咔

batch数据为8,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10.76。

2019-11-26 11:48:52

10.76

70

L.J.

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10.72。

2019-12-04 00:45:03

10.72

71

代码搬运工

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9.70。

2019-12-12 10:50:10

9.70

72

Honay, King

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5.19。

2019-12-05 21:20:37

5.19

73

哈哈哈哈哈哈哈

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4.77。

2020-01-07 16:06:57

4.77

74

ahaaaa

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4.61。

2019-11-20 15:45:46

4.61

75

RRRubick

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4.61。

2019-11-21 18:47:47

4.61

76

莫须有の嚣张

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4.61。

2019-11-22 22:14:17

4.61

77

卡拉玛哈马塔

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4.61。

2019-11-27 09:12:29

4.61

78

qi1572573667

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3.10。

2019-11-20 21:15:13

3.10

79

余生有我

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3.10。

2019-11-20 21:47:42

3.10

80

唯语

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3.10。

2019-11-21 00:06:04

3.10

81

superchong

batch数据为5,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3.10。

2019-11-21 06:56:09

3.10

82

遥远的Ta

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3.10。

2019-11-21 07:23:44

3.10

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3.10。

2019-11-21 08:15:40

3.10

84

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3.10。

2019-11-21 09:05:37

3.10

85

Yuhao1574315685

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3.10。

2019-11-21 14:09:48

3.10

86

NingAnMe

batch数据为8,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3.10。

2019-11-22 15:03:50

3.10

87

zk

batch数据为1000,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3.10。

2019-11-22 15:12:51

3.10

88

烟波浩淼。

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3.10。

2019-11-22 16:27:05

3.10

89

rhapsody

batch数据为64,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3.10。

2019-11-22 23:50:28

3.10

90

X.S.F.

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3.10。

2019-11-23 22:05:50

3.10

91

Sirus

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3.10。

2019-11-24 16:23:11

3.10

92

慧慧1574659438

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3.10。

2019-11-25 13:26:42

3.10

93

Elliott Li

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3.10。

2019-11-26 15:04:07

3.10

94

bhu

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3.10。

PyTorch

ResU-Net

2019-11-26 19:34:53

3.10

95

Joshua

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3.10。

2019-11-26 20:22:48

3.10

96

smily

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3.10。

2019-11-28 11:21:02

3.10

97

Nie

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3.10。

2019-11-28 18:33:26

3.10

98

李松

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3.10。

2019-11-29 01:41:50

3.10

99

Azure1575019471

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3.10。

2019-11-29 17:27:55

3.10

100

Aries_Jessie

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3.10。

2019-11-29 19:56:18

3.10

101

Independent

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3.10。

2019-11-29 20:32:29

3.10

102

顺子

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3.10。

2019-11-29 22:26:11

3.10

103

爱吃糖的猫

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3.10。

2019-12-01 20:31:19

3.10

104

dahuaai

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3.10。

2019-12-02 14:32:40

3.10

105

风车车1575249430

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3.10。

2019-12-02 15:06:16

3.10

106

XW

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3.10。

2019-12-03 16:48:47

3.10

107

Victor Yuki

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3.10。

2019-12-03 20:45:51

3.10

108

梧桐1575380069

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3.10。

2019-12-03 21:37:30

3.10

109

lesser panda

batch数据为1,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3.10。

2019-12-03 21:40:15

3.10

110

光盐

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3.10。

2019-12-04 12:42:30

3.10

111

byteH

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3.10。

2019-12-04 15:38:12

3.10

112

399

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3.10。

2019-12-04 17:34:44

3.10

113

牛海涛

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3.10。

2019-12-04 21:33:54

3.10

114

Sariel

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3.10。

2019-12-05 15:31:48

3.10

115

多云转晴

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3.10。

2019-12-05 19:02:55

3.10

116

大兴

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3.10。

2019-12-05 23:52:55

3.10

117

DFZ

batch数据为128,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3.10。

2019-12-06 10:53:37

3.10

118

杨柳依依ai

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3.10。

2019-12-06 11:29:04

3.10

119

随遇而安

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3.10。

2019-12-06 15:09:05

3.10

120

Swaggy

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3.10。

2019-12-08 17:32:12

3.10

121

凩之

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3.10。

2019-12-09 14:35:09

3.10

122

Amy.

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3.10。

2019-12-09 16:49:50

3.10

123

莲子咖啡

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3.10。

2019-12-11 13:11:50

3.10

124

RuthlessDragon

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3.10。

2019-12-11 19:36:43

3.10

125

haha-go

batch数据为2,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3.10。

2019-12-12 22:47:15

3.10

126

Qbqqq

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3.10。

2019-12-13 14:04:22

3.10

127

flyai会员1576387341

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3.10。

2019-12-15 13:44:50

3.10

128

UESTC_master

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3.10。

2019-12-15 21:15:14

3.10

129

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3.10。

2019-12-16 14:03:38

3.10

130

flyai会员1576547017

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3.10。

2019-12-17 10:25:52

3.10

131

李强

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3.10。

2019-12-17 17:17:47

3.10

132

信任

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3.10。

2019-12-17 23:19:40

3.10

133

hello80

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3.10。

2019-12-18 12:25:46

3.10

134

tkhe

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3.10。

2019-12-20 08:52:02

3.10

135

两根油笔

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3.10。

2019-12-20 12:36:33

3.10

136

Jay

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3.10。

2019-12-21 16:55:25

3.10

137

maverRickS

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3.10。

2019-12-28 16:07:29

3.10

138

flyai会员1577963459

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3.10。

2020-01-02 19:14:31

3.10

139

lengdrary

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3.10。

2020-04-24 00:29:12

3.10

140

卡其色的裤子

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3.10。

2020-06-06 23:06:01

3.10

141

W1591434439

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3.10。

2020-06-07 12:09:19

3.10

142

陈钢

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3.10。

2020-07-21 14:48:24

3.10

143

Skip2my lou

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3.10。

2020-07-21 15:09:40

3.10

144

黑子

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3.10。

2020-08-27 14:16:28

3.10

145

刘俊杰

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3.10。

2020-09-15 16:39:00

3.10

146

是阿正

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3.10。

2020-12-13 16:56:28

3.10

147

muppet

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3.10。

2020-12-19 16:02:56

3.10

148

指间砂

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3.10。

2021-03-04 09:00:41

3.10

149

Tk more tk less

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1.06。

2019-11-21 10:09:12

1.06

2019-12-20
WYC

模型得分为85.69,本次获得排名奖奖金为105

2019-12-20 15:00:02

善假于物

模型得分为86.04,本次获得排名奖奖金为210

2019-12-20 15:00:02

快来追我呀

模型得分为86.08,本次获得排名奖奖金为315

2019-12-20 15:00:02

gboy

模型得分为86.3,本次获得排名奖奖金为525

2019-12-20 15:00:02

大木淡漠

模型得分为87.68,本次获得排名奖奖金为945

2019-12-20 15:00:02

2019-12-18
大木淡漠

模型得分为87.68,本次获得实时奖励奖金为6

2019-12-18 11:08:26

2019-12-16
大木淡漠

模型得分为87.1,本次获得实时奖励奖金为4

2019-12-16 11:40:57

大木淡漠

模型得分为86.62,本次获得实时奖励奖金为5

2019-12-16 11:38:22

2019-12-10
善假于物

模型得分为86.04,本次获得实时奖励奖金为3

2019-12-10 19:16:19

2019-12-09
WYC

模型得分为85.66,本次获得实时奖励奖金为5.5

2019-12-09 16:49:49

2019-12-06
siaya

模型得分为85.12,本次获得实时奖励奖金为4

2019-12-06 11:50:09

2019-12-02
前排板凳瓜子

模型得分为85.02,本次获得实时奖励奖金为88

2019-12-02 10:34:18

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