- 赛事介绍
- 竞赛排行榜
- 讨论($vue{comment_count})
- 学习资源
大赛简介
国家卫生健康委疾控局近日发布了《预防新型冠状病毒感染的肺炎口罩使用指南》，指南中明确指出口罩是预防呼吸道传染病的重要防线，可以降低新型冠状病毒感染风险。口罩不仅可以防止病人喷射飞沫，降低飞沫量和喷射速度，还可以阻挡含病毒的飞沫核，防止佩戴者吸入。因此在全民抗疫时期，在公共场所佩戴口罩等防护装备已成为防疫常识。
为了更加有效的监督大家佩戴口罩，我们开展了这次口罩佩戴检测的比赛。本赛题数据训练集、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 x_min, y_min, x_max, y_max, label。其中label为0表示没有佩戴口罩，label为1表示有佩戴口罩。
参赛须知
参赛时间：2020.02.19 12:00:00-2020.03.19 20:00:00
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) |
| 第一名 |
1人 |
1000元奖金 + 2000分钟Tesla-GPU云端训练时长 |
| 第二名 |
1人 |
600元奖金 + 1000分钟Tesla-GPU云端训练时长 |
| 第三名 |
1人 |
400元奖金 + 500分钟Tesla-GPU云端训练时长 |
| 参与奖 |
排行4-10名 |
500分钟Tesla-GPU云端训练时长 |
奖励获取要求:
- 上线时间：2020-02-19
- 月排名奖结算时间：2020-03-19 20:00:00
- 奖金获取标准：60<Score 按照得分比例获取奖金
- 排名奖发放完毕前5名参赛者需提供文档格式赛题解决思路和15分钟以上的PPT答辩视频（FlyAI提供模版）
赛事主题和数据说明
赛题描述
国家卫生健康委疾控局近日发布了《预防新型冠状病毒感染的肺炎口罩使用指南》，指南中明确指出口罩是预防呼吸道传染病的重要防线，可以降低新型冠状病毒感染风险。为了更加有效的监督大家佩戴口罩，我们开展了这次口罩佩戴检测的比赛，要求参赛者建立准确的目标检测模型，用于检测是否佩戴口罩。
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 |
| image_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：
image_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：
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！
batch数据为1，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97.95。
batch数据为1，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为97.82。
batch数据为1，循环次数为9次，通过在线上环境完成训练，模型最优精度评分为97.62。
4
batch数据为2，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97.49。
5
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97.47。
6
batch数据为2，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为97.06。
7
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97.00。
8
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96.84。
9
batch数据为1，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为96.62。
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96.32。
11
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95.84。
12
batch数据为1，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95.31。
13
batch数据为1，循环次数为11次，通过在线上环境完成训练，模型最优精度评分为94.94。
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94.64。
15
batch数据为2，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94.53。
16
batch数据为1，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94.43。
17
batch数据为2，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93.04。
18
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92.17。
19
batch数据为3，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92.10。
20
batch数据为8，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92.03。
21
batch数据为2，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91.69。
22
batch数据为8，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90.60。
23
batch数据为2，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89.78。
24
batch数据为2，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89.55。
25
batch数据为1，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85.91。
26
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85.79。
27
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85.15。
28
batch数据为8，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80.84。
29
batch数据为10，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66.22。
30
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22.65。
31
batch数据为8，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17.12。
32
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13.75。
33
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11.73。
34
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10.36。
35
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3.97。
36
batch数据为5，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3.22。
37
batch数据为1，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1.99。
38
batch数据为12，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1.60。
39
batch数据为6，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1.41。
40
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0.95。
41
batch数据为1，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0.50。
42
batch数据为2，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0.42。
43
batch数据为2，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0.30。
44
batch数据为8，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0.16。
45
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0.15。
46
batch数据为8，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0.12。
47
batch数据为10，循环次数为22次，通过在线上环境完成训练，模型最优精度评分为0.04。
48
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0.03。
49
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0.03。
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0.03。
51
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0.03。
52
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0.03。
53
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0.03。
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0.03。
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0.03。
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0.03。
57
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0.03。
58
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0.03。
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0.03。
60
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0.03。
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0.03。
62
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0.03。
63
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0.03。
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0.03。
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0.03。
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0.03。
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0.03。
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0.03。
69
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0.03。
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0.03。
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0.03。
72
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0.03。
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0.03。
74
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0.03。
75
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0.03。
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0.03。
77
batch数据为100，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0.03。
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0.03。
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0.03。
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0.03。
81
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0.03。
82
batch数据为1，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0.03。
83
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0.03。
84
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0.03。
85
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0.03。
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0.03。
87
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0.03。
88
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0.03。
89
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0.03。
90
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0.03。
91
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0.03。
92
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0.03。
93
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0.03。
94
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0.03。
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0.03。
96
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0.03。
97
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0.03。
98
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0.03。
99
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0.03。
100
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0.03。
101
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0.03。
102
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0.03。
103
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0.03。
104
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0.03。
105
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0.03。
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0.03。
107
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0.03。
108
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0.03。
109
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0.03。
110
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0.03。
111
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0.03。
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0.03。
113
batch数据为15，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0.03。
114
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0.03。
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0.03。
116
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0.03。
117
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0.03。
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0.03。
119
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0.03。
120
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0.03。
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0.03。
122
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0.03。
123
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0.03。
124
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0.03。
125
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0.03。
126
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0.03。
127
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0.03。
128
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0.03。
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0.03。
130
batch数据为1，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0.03。
131
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0.03。
132
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0.03。
133
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0.03。
134
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0.03。
135
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0.03。
136
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0.03。
137
batch数据为4，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0.03。
138
batch数据为1，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0.03。
139
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0.03。
140
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0.03。
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0.03。
142
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0.03。
143
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0.03。
144
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0.03。
145
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0.03。
146
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0.03。
147
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0.03。
148
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0.03。
149
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0.03。
150
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0.03。
151
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0.03。
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0.03。
153
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0.03。
154
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0.03。
155
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0.03。
156
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0.03。
157
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0.03。
158
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0.03。
159
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0.03。
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0.03。
161
batch数据为15，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0.03。
162
batch数据为8，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0.03。
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0.03。
164
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0.03。
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0.03。
166
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0.03。
167
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0.03。
168
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0.03。
169
batch数据为2，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0.03。
170
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0.03。
171
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0.03。
172
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0.03。
173
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0.03。
174
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0.03。
175
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0.03。
176
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0.03。
177
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0.03。
178
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0.03。
179
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0.03。
180
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0.03。
181
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0.03。
182
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0.03。
183
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0.03。
184
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0.03。
185
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0.03。
186
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0.03。
187
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0.00。
188
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0.00。
