- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
为了增强人工智能的趣味性,我们开展了你画我猜这一竞赛。你画我猜数据集中包括了40种生活中常见的类别如飞机、苹果、篮球等。图片信息以json格式存储,在每个json中记录了用户每一笔简笔画对应的横坐标集合和纵坐标集合。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
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。
字段说明:
文件名 |
字段名称 |
字段类型 |
备注 |
json_path |
string |
不为空 |
json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:
json_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!
batch数据为30,循环次数为24次,通过在线上环境完成训练,模型最优精度评分为92.07。
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91.92。
batch数据为1,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91.68。
4
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91.57。
5
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91.06。
6
batch数据为1,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90.97。
7
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90.88。
8
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90.85。
9
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90.55。
10
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90.44。
11
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89.20。
12
batch数据为64,循环次数为24次,通过在线上环境完成训练,模型最优精度评分为88.55。
13
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87.25。
14
batch数据为2000,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86.26。
15
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85.62。
16
batch数据为512,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85.52。
17
batch数据为20,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85.04。
18
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83.02。
19
batch数据为80,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74.79。
20
batch数据为64,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74.71。
21
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67.02。
22
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66.55。
23
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64.06。
24
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57.49。
25
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40.95。
26
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10.89。
27
batch数据为500,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4.44。
28
batch数据为320,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4.19。
29
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3.19。
30
batch数据为500,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2.63。
31
batch数据为512,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2.52。
32
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2.52。
33
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2.52。
34
batch数据为16,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2.52。
35
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2.52。
36
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2.52。
37
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2.52。
38
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2.52。
39
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2.52。
40
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2.52。
41
batch数据为256,循环次数为36次,通过在线上环境完成训练,模型最优精度评分为2.52。
42
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2.52。
43
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2.52。
44
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2.52。
45
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2.52。
46
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2.52。
47
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2.52。
48
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2.52。
49
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2.52。
50
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2.52。
51
batch数据为30,循环次数为24次,通过在线上环境完成训练,模型最优精度评分为2.52。
52
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2.52。
53
batch数据为128,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2.52。
54
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2.52。
55
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2.52。
56
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2.52。
57
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2.52。
58
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2.52。
59
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2.52。
60
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2.52。
61
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2.52。
62
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2.52。
63
batch数据为16,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2.52。
64
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2.52。
65
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2.52。
66
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2.52。
67
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2.52。
68
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2.52。
69
batch数据为24,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2.52。
70
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2.52。
71
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2.52。
72
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2.52。
73
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2.52。
74
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2.52。
75
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2.52。
76
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2.52。
77
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2.52。
78
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2.52。
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2.52。
80
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2.52。
81
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2.52。
82
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2.52。
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2.52。
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2.52。
85
batch数据为1,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2.52。
86
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2.52。
87
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2.37。
2020-03-23
- cyh12315
-
模型得分为85.62,本次获得实时奖励奖金为10元
2020-03-23 19:32:37
2020-03-16
- likyoo
-
模型得分为85.77,本次获得实时奖励奖金为10元
2020-03-16 14:13:04
2020-02-21
- trickornot
-
模型得分为91.36,本次获得排名奖奖金为350元
2020-02-21 15:00:02
- 快来追我呀
-
模型得分为91.06,本次获得排名奖奖金为175元
2020-02-21 15:00:02
- 小林子
-
模型得分为91.92,本次获得排名奖奖金为875元
2020-02-21 15:00:02
- 前排板凳瓜子
-
模型得分为91.54,本次获得排名奖奖金为525元
2020-02-21 15:00:02
- 鹏1577582907
-
模型得分为92.07,本次获得排名奖奖金为1575元
2020-02-21 15:00:02
2020-02-18
- 鹏1577582907
-
模型得分为92.07,本次获得实时奖励奖金为6元
2020-02-18 11:39:37
- 鹏1577582907
-
模型得分为91.79,本次获得实时奖励奖金为8元
2020-02-18 11:37:17
- 前排板凳瓜子
-
模型得分为91.3,本次获得实时奖励奖金为2.34元
2020-02-18 11:37:09
- 快来追我呀
-
模型得分为91.06,本次获得实时奖励奖金为4.69元
2020-02-18 11:35:43
- 小林子
-
模型得分为91.42,本次获得实时奖励奖金为11.38元
2020-02-18 11:33:54
- 鹏1577582907
-
模型得分为91.34,本次获得实时奖励奖金为1元
2020-02-18 11:31:31
2020-02-10
- 小林子
-
模型得分为86.29,本次获得实时奖励奖金为10元
2020-02-10 18:36:19
- 鹏1577582907
-
模型得分为91.28,本次获得实时奖励奖金为5元
2020-02-10 18:28:42
- 鹏1577582907
-
模型得分为91.02,本次获得实时奖励奖金为81元
2020-02-10 18:28:37
- 天涯·明月·刀
-
模型得分为88.15,本次获得实时奖励奖金为1.25元
2020-02-10 18:08:19
- 天涯·明月·刀
-
模型得分为87.97,本次获得实时奖励奖金为10元
2020-02-10 18:08:12
2020-02-04
- haha-go
-
模型得分为88.83,本次获得实时奖励奖金为2.5元
2020-02-04 14:53:01
- 弱鸡瑟瑟发抖
-
模型得分为86.95,本次获得实时奖励奖金为10元
2020-02-04 14:52:36
- 宇宙
-
模型得分为85.1,本次获得实时奖励奖金为10元
2020-02-04 14:19:18
2020-01-31
- ashora(啊瘦了)
-
模型得分为85.09,本次获得实时奖励奖金为10元
2020-01-31 13:47:34
- 一口大怪兽
-
模型得分为85.06,本次获得实时奖励奖金为10元
2020-01-31 13:46:52
2020-01-28
- alwaysbetter
-
模型得分为85.04,本次获得实时奖励奖金为10元
2020-01-28 13:40:33
- gboy
-
模型得分为88.92,本次获得实时奖励奖金为5元
2020-01-28 13:39:01
- 前排板凳瓜子
-
模型得分为90.76,本次获得实时奖励奖金为3元
2020-01-28 13:38:19
- 鹏1577582907
-
模型得分为89.05,本次获得实时奖励奖金为20元
2020-01-28 13:38:09
- 前排板凳瓜子
-
模型得分为90.62,本次获得实时奖励奖金为267元
2020-01-28 13:36:44