大赛简介
此刻,武汉疫情还在持续,为战斗在疫情一线的所有医护人员祈福、加油!在家关心疫情的同时,可以通过参加算法竞赛提升自己的算法能力和赢取高额奖金
武汉肺炎主要发病情况为新型冠状病毒(2019-nCoV)感染肺部导致人体呼吸衰竭。基于对肺部感染检测的技术研究,可通过人工智能技术对医学影像-X光片进行患病情况检测,有效提升确诊准确率和效率
本赛题主要是对肺部X光片患病结果进行分类,共4个患病类别,数据集划分比例为6:2:2,可使用CSV文件和FlyAI框架两种提交方式参赛。参赛者需要通过优化模型来对肺部X光片进行精确的分类
参赛须知
参赛时间:2020.02.05 12:00:00-2020.03.06 20:00:00
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) |
冠军奖 |
1人 |
奖金1,500元 + 1000分钟Tesla-GPU训练时长 |
亚军奖 |
1人 |
奖金800元 + 1000分钟Tesla-GPU训练时长 |
季军奖 |
1人 |
奖金500元 + 1000分钟Tesla-GPU训练时长 |
参与奖 |
第4-5名参赛者 |
参与奖金100元 + 500分钟Tesla-GPU训练时长 |
奖励获取要求:
- 比赛结束后如未能达到奖金/奖励获取要求,所获奖品将按照排名顺延至下一位参赛选手
- 比赛结束后前10名参赛者需提供文档格式赛题解决思路和10分钟以上的PPT答辩视频(FlyAI将提供参考模版)
- 如果比赛使用CSV方式评测并进入前10名,最终需使用FlyAI模版进行代码复现;复现结果低于CSV评测结果并且误差超过1.0以上无法获得奖金!!
赛事主题和数据说明
赛题描述
武汉肺炎主要发病情况为新型冠状病毒(2019-nCoV)感染肺部导致人体呼吸衰竭。基于对肺部感染检测的技术研究,可通过人工智能技术对医学影像-X光片进行患病情况检测,有效提升确诊准确率和效率。本赛题可使用CSV文件和FlyAI框架两种提交方式参赛,参赛者需要通过优化模型来对肺部X光片进行精确的分类。
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 |
labels |
int |
大于等于 0, 小于等于 3 |
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:
labels,
评审指标说明
- 奖金获取标准:60<Score
- 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 60分 的成绩会在48小时内更新到排行榜,不要着急哦!
通过在本地训练模型并对提交文件的实时评测,最终完成评分为68.37。
通过在本地训练模型并对提交文件的实时评测,最终完成评分为65.80。
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65.43。
4
通过在本地训练模型并对提交文件的实时评测,最终完成评分为65.10。
5
通过在本地训练模型并对提交文件的实时评测,最终完成评分为64.81。
6
通过在本地训练模型并对提交文件的实时评测,最终完成评分为64.58。
7
通过在本地训练模型并对提交文件的实时评测,最终完成评分为64.27。
8
通过在本地训练模型并对提交文件的实时评测,最终完成评分为63.53。
9
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63.20。
10
通过在本地训练模型并对提交文件的实时评测,最终完成评分为63.12。
11
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62.99。
12
通过在本地训练模型并对提交文件的实时评测,最终完成评分为62.97。
13
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62.45。
14
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61.98。
15
通过在本地训练模型并对提交文件的实时评测,最终完成评分为61.98。
16
通过在本地训练模型并对提交文件的实时评测,最终完成评分为61.79。
17
通过在本地训练模型并对提交文件的实时评测,最终完成评分为61.71。
18
通过在本地训练模型并对提交文件的实时评测,最终完成评分为61.63。
19
batch数据为32,循环次数为38次,通过在线上环境完成训练,模型最优精度评分为61.63。
20
通过在本地训练模型并对提交文件的实时评测,最终完成评分为61.48。
21
batch数据为10,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61.46。
22
通过在本地训练模型并对提交文件的实时评测,最终完成评分为61.46。
23
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61.42。
24
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61.38。
25
batch数据为15,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61.29。
26
batch数据为30,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61.19。
27
通过在本地训练模型并对提交文件的实时评测,最终完成评分为61.17。
28
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61.11。
29
通过在本地训练模型并对提交文件的实时评测,最终完成评分为60.94。
30
通过在本地训练模型并对提交文件的实时评测,最终完成评分为60.92。
31
通过在本地训练模型并对提交文件的实时评测,最终完成评分为60.92。
32
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60.90。
33
通过在本地训练模型并对提交文件的实时评测,最终完成评分为60.82。
34
batch数据为64,循环次数为13次,通过在线上环境完成训练,模型最优精度评分为60.80。
35
通过在本地训练模型并对提交文件的实时评测,最终完成评分为60.78。
36
通过在本地训练模型并对提交文件的实时评测,最终完成评分为60.65。
37
通过在本地训练模型并对提交文件的实时评测,最终完成评分为60.41。
38
通过在本地训练模型并对提交文件的实时评测,最终完成评分为60.30。
39
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60.28。
40
batch数据为64,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60.10。
41
通过在本地训练模型并对提交文件的实时评测,最终完成评分为60.01。
42
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.93。
43
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.85。
44
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.81。
45
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.76。
46
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.72。
47
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.64。
48
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.54。
49
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.45。
50
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.43。
51
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.31。
52
batch数据为64,循环次数为80次,通过在线上环境完成训练,模型最优精度评分为59.14。
53
通过在本地训练模型并对提交文件的实时评测,最终完成评分为59.08。
54
通过在本地训练模型并对提交文件的实时评测,最终完成评分为58.85。
55
batch数据为64,循环次数为13次,通过在线上环境完成训练,模型最优精度评分为58.83。
56
通过在本地训练模型并对提交文件的实时评测,最终完成评分为58.69。
57
通过在本地训练模型并对提交文件的实时评测,最终完成评分为58.69。
58
通过在本地训练模型并对提交文件的实时评测,最终完成评分为58.65。
59
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58.54。
60
通过在本地训练模型并对提交文件的实时评测,最终完成评分为58.40。
61
通过在本地训练模型并对提交文件的实时评测,最终完成评分为57.92。
62
通过在本地训练模型并对提交文件的实时评测,最终完成评分为57.84。
63
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57.24。
64
batch数据为48,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57.14。
65
batch数据为8,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56.95。
66
通过在本地训练模型并对提交文件的实时评测,最终完成评分为56.58。
67
通过在本地训练模型并对提交文件的实时评测,最终完成评分为56.16。
68
batch数据为64,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56.08。
69
通过在本地训练模型并对提交文件的实时评测,最终完成评分为56.02。
70
通过在本地训练模型并对提交文件的实时评测,最终完成评分为55.83。
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55.75。
72
通过在本地训练模型并对提交文件的实时评测,最终完成评分为55.50。
73
通过在本地训练模型并对提交文件的实时评测,最终完成评分为55.46。
74
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55.30。
75
batch数据为64,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55.28。
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55.23。
77
通过在本地训练模型并对提交文件的实时评测,最终完成评分为55.17。
78
通过在本地训练模型并对提交文件的实时评测,最终完成评分为55.15。
79
通过在本地训练模型并对提交文件的实时评测,最终完成评分为55.13。
80
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54.86。
81
通过在本地训练模型并对提交文件的实时评测,最终完成评分为54.63。
82
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54.61。
83
通过在本地训练模型并对提交文件的实时评测,最终完成评分为54.34。
84
通过在本地训练模型并对提交文件的实时评测,最终完成评分为54.05。
85
通过在本地训练模型并对提交文件的实时评测,最终完成评分为53.85。
86
通过在本地训练模型并对提交文件的实时评测,最终完成评分为53.14。
87
通过在本地训练模型并对提交文件的实时评测,最终完成评分为52.67。
88
通过在本地训练模型并对提交文件的实时评测,最终完成评分为52.61。
89
通过在本地训练模型并对提交文件的实时评测,最终完成评分为52.32。
90
batch数据为64,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52.05。
91
batch数据为50,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51.01。
92
batch数据为64,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50.79。
93
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50.62。
94
通过在本地训练模型并对提交文件的实时评测,最终完成评分为50.52。
95
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50.41。
96
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50.19。
97
通过在本地训练模型并对提交文件的实时评测,最终完成评分为49.98。
98
通过在本地训练模型并对提交文件的实时评测,最终完成评分为49.88。
99
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49.79。
100
batch数据为200,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49.21。
101
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48.86。
102
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48.51。
103
通过在本地训练模型并对提交文件的实时评测,最终完成评分为48.41。
104
通过在本地训练模型并对提交文件的实时评测,最终完成评分为48.16。
105
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47.91。
106
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47.85。
107
通过在本地训练模型并对提交文件的实时评测,最终完成评分为47.85。
108
batch数据为64,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47.39。
109
通过在本地训练模型并对提交文件的实时评测,最终完成评分为47.35。
110
batch数据为96,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47.31。
111
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46.96。
112
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46.75。
113
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46.57。
114
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46.07。
115
batch数据为64,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46.07。
116
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45.92。
117
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45.53。
118
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45.45。
119
batch数据为64,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45.10。
120
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45.04。
121
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44.99。
122
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44.37。
123
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44.31。
124
通过在本地训练模型并对提交文件的实时评测,最终完成评分为44.31。
125
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44.19。
126
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43.94。
127
batch数据为15,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43.79。
128
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43.75。
129
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43.46。
130
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43.44。
131
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43.15。
132
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42.68。
133
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42.47。
134
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42.28。
135
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42.16。
136
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42.08。
137
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41.91。
138
batch数据为10,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41.79。
139
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41.10。
140
batch数据为32,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40.82。
141
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40.69。
142
通过在本地训练模型并对提交文件的实时评测,最终完成评分为40.24。
143
batch数据为512,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39.68。
144
batch数据为50,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34.80。
145
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33.88。
146
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33.51。
147
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33.51。
148
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33.51。
149
通过在本地训练模型并对提交文件的实时评测,最终完成评分为32.93。
150
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32.81。
151
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32.75。
152
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32.75。
153
batch数据为84,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32.75。
154
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32.75。
155
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32.75。
156
通过在本地训练模型并对提交文件的实时评测,最终完成评分为32.75。
157
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32.75。
158
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32.75。
159
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32.75。
160
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32.75。
161
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32.75。
162
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32.75。
163
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32.75。
164
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32.75。
165
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32.75。
166
batch数据为10,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32.75。
167
通过在本地训练模型并对提交文件的实时评测,最终完成评分为32.73。
168
通过在本地训练模型并对提交文件的实时评测,最终完成评分为29.50。
169
通过在本地训练模型并对提交文件的实时评测,最终完成评分为19.55。
170
通过在本地训练模型并对提交文件的实时评测,最终完成评分为3.93。
171
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0.00。