密集场景行人检测

分享给好友

2020-01-14 15:00:00
开始提交

2020-02-13 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 5,000
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

这是一个更加符合真实世界的密集行人检测数据集,图像广泛选择自生活中的各种场景,共9000张标注图,用于训练和开发更加具有现实世界实用性的人物检测模型和算法。数据标签一共有五类,在评估时只考虑前三类,分别为行人,骑行的人和部分遮挡的人。其中训练集、验证集和测试集划分比例为6:2:2.

对应的标签数据说明:每行格式为 label, x_min, y_min, x_max, y_max.

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
img_path string 不为空 图片的相对路径
label_path string 不为空 标签的相对路径

评审标准

算法输入输出格式

输入字段: img_path,

输出字段: label_path,

评审指标说明

  • mAP: mean Average Precision, 即各类别AP的平均值
  • AP: Precision-Recall曲线下的面积
  • 其中在计算AP时,IOU阈值设置为0.5
  • 计算公式如下:
  • 评审计算公式

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 80分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

Liyw

batch数据为4,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52.20。

PyTorch

FasterRcnn

2020-03-07 05:19:18

52.20

第三名

史开杰

batch数据为5,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50.67。

PyTorch

FasterRcnn

2020-02-08 19:10:19

50.67

第三名

1+1=⑨

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50.47。

2020-02-06 21:09:31

50.47

4

一口大怪兽

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50.14。

2020-01-18 22:34:49

50.14

5

mingda

batch数据为8,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49.78。

PyTorch

FasterRcnn

2020-01-21 03:04:16

49.78

6

qqm

batch数据为4,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48.90。

PyTorch

FasterRcnn

2020-02-01 10:09:28

48.90

7

前排板凳瓜子

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44.91。

PyTorch

FasterRcnn

2020-01-17 11:13:17

44.91

8

美式半糖不加奶

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44.91。

2020-01-18 18:22:43

44.91

9

Cony

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44.91。

2020-01-19 09:31:20

44.91

10

王文昊

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44.91。

2020-01-19 14:12:16

44.91

11

红色石头_qs

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44.91。

2020-01-19 16:37:21

44.91

12

matador

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44.91。

2020-01-19 16:53:40

44.91

13

George1579425070

batch数据为16,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44.91。

2020-01-19 17:18:00

44.91

14

辰浦枫

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44.91。

2020-01-19 20:03:12

44.91

15

Take Me

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44.91。

2020-01-19 21:04:07

44.91

16

int666

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44.91。

2020-01-20 09:54:14

44.91

17

乐百事

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44.91。

2020-01-20 16:45:00

44.91

18

毛同学

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44.91。

2020-01-20 17:00:16

44.91

19

张先生

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44.91。

2020-01-22 19:59:35

44.91

20

Nick1557218090

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44.91。

2020-01-22 22:22:31

44.91

21

Woz

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44.91。

2020-01-22 23:33:11

44.91

22

弱鸡瑟瑟发抖

batch数据为500,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44.91。

2020-01-23 13:16:18

44.91

23

胡耀清

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44.91。

PyTorch

FasterRcnn

2020-01-29 21:15:45

44.91

24

赎契抵押郭经理

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44.91。

2020-01-30 21:43:41

44.91

25

周正宁Ning

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44.91。

2020-01-31 03:18:25

44.91

26

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44.91。

2020-01-31 18:12:15

44.91

27

福星高照

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44.91。

2020-02-02 13:45:12

44.91

28

绿肥红瘦

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44.91。

PyTorch

FasterRcnn

2020-02-02 21:02:07

44.91

29

Action

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44.91。

PyTorch

FasterRcnn

2020-02-03 17:23:14

44.91

30

flyai会员1580895256

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44.91。

2020-02-05 17:37:11

44.91

31

街角「咖啡店」

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44.91。

2020-02-06 10:10:47

44.91

32

你猜我叫啥

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44.91。

2020-02-08 22:23:20

44.91

33

Oliver²º¹⁸

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44.91。

2020-02-08 23:51:35

44.91

34

东方明亮

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44.91。

2020-02-09 17:22:53

44.91

35

AI小子

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44.91。

2020-02-11 11:19:26

44.91

36

Rsq (Ai)

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44.91。

2020-02-11 11:41:40

44.91

37

谭智桧

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44.91。

2020-02-11 15:48:06

44.91

38

棘心

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44.91。

2020-02-11 18:08:55

44.91

39

张小张

batch数据为5,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44.91。

2020-02-14 14:21:34

44.91

40

Fly嘉

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44.91。

2020-02-16 21:06:22

44.91

41

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44.91。

2020-02-17 23:41:11

44.91

42

¥你好胸 我没胸¥

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44.91。

2020-02-22 11:03:24

44.91

43

途中

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44.91。

2020-02-22 14:48:47

44.91

44

咕噜1562043011

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44.91。

2020-02-22 23:54:11

44.91

45

trickornot

batch数据为2,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44.91。

2020-02-23 10:06:43

44.91

46

♂坐云看天♀

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44.91。

2020-02-23 22:34:17

44.91

47

Liao

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44.91。

2020-02-25 12:42:06

44.91

48

三月沐风

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44.91。

2020-03-09 16:39:12

44.91

49

codingCV

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44.91。

2020-03-14 17:34:12

44.91

50

乐乐1582460073

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44.91。

2020-03-16 20:57:32

44.91

51

chenyouxin113

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44.91。

PyTorch

FasterRcnn

2020-03-17 18:27:56

44.91

52

cyh12315

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44.91。

2020-03-17 22:08:58

44.91

53

Pengf

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44.91。

2020-03-19 09:56:56

44.91

54

张忠河

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44.91。

Keras

YoloV3

2020-03-29 02:50:02

44.91

55

zh1585360348

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44.91。

2020-03-29 16:43:29

44.91

56

蓝云风翼

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44.91。

2020-03-30 20:35:49

44.91

57

CUPRK

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44.91。

2020-04-07 08:37:52

44.91

58

郭玉彬

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44.91。

2020-04-10 07:06:19

44.91

59

cloudshen

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44.91。

2020-04-20 20:02:21

44.91

60

风1567927103

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44.91。

2020-04-29 13:05:38

44.91

61

伞兵一号准备就绪

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44.91。

2020-04-30 01:09:41

44.91

62

韩天啸

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44.91。

2020-06-01 17:41:39

44.91

63

臭蛋

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44.91。

2020-06-14 21:50:26

44.91

64

zombie

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44.91。

2020-06-28 11:18:34

44.91

65

Feng1583890403

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44.91。

2020-06-29 09:15:55

44.91

66

Luo丶Z

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44.91。

2020-06-29 11:17:54

44.91

67

upc_zmj

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44.91。

2020-07-02 22:08:30

44.91

68

非黑即白

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44.91。

2020-07-03 08:30:29

44.91

69

W1564807845

batch数据为6,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44.91。

2020-07-03 17:47:09

44.91

70

upc_wy

batch数据为24,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44.91。

2020-07-05 20:38:55

44.91

71

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44.91。

2020-07-08 12:37:32

44.91

72

1289766752

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44.91。

2020-07-10 19:14:55

44.91

73

徐哈哈

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44.91。

PyTorch

FasterRcnn

2020-07-30 21:06:37

44.91

74

张晓彬

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44.91。

2020-09-14 15:55:26

44.91

75

云亦来

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44.91。

2020-09-16 13:59:43

44.91

76

荆城

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44.91。

2020-09-25 22:35:46

44.91

77

zs_0520

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44.91。

2020-09-29 09:19:55

44.91

78

下一站、幸福

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44.91。

2020-10-18 10:50:17

44.91

79

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44.91。

2020-10-23 17:43:17

44.91

80

温柔的包子

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44.91。

2020-10-30 12:56:07

44.91

81

小豆

batch数据为4,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44.91。

2020-11-12 15:54:52

44.91

82

purple sun

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44.91。

2020-11-15 15:27:55

44.91

83

MK1600594158

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44.91。

2020-11-18 19:23:30

44.91

84

Crazon

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44.91。

2020-11-30 15:22:38

44.91

85

Lucky1608477541

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44.91。

2020-12-20 23:29:13

44.91

86

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44.91。

2021-03-04 08:51:22

44.91

87

快来追我呀

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42.24。

2020-01-18 20:24:36

42.24

88

大木淡漠

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40.08。

2020-01-18 20:15:34

40.08

89

chenfengshf

batch数据为5,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39.39。

PyTorch

FasterRcnn

2020-01-22 17:29:19

39.39

90

sigmoid

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34.06。

PyTorch

FasterRcnn

2020-01-19 16:52:24

34.06

91

江水

batch数据为6,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30.11。

2020-01-19 17:36:13

30.11

92

WYC

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27.16。

2020-02-13 17:48:18

27.16

93

天涯·明月·刀

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23.71。

2020-01-20 15:39:44

23.71

94

黃彥儒

batch数据为8,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18.38。

PyTorch

FasterRcnn

2020-04-22 21:42:31

18.38

95

闻韶

batch数据为8,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0.41。

2020-02-27 09:26:52

0.41

96

Skip2my lou

batch数据为16,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0.08。

2020-07-21 14:44:58

0.08

97

市长先生

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0.00。

2020-04-07 16:38:58

0.00

还没有奖金记录哦~ 快去参赛吧!

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