- 赛事介绍
- 竞赛排行榜
- 讨论($vue{comment_count})
- 学习资源
大赛简介
蘑菇中富含多种呈味氨基酸、核苷酸和糖类，这些物质造就了极其鲜美的味道，使得被端上餐桌上的它们深受人们喜爱。特别是在野生菌种类繁多的云南，夏天的几场雨便能开启人们的吃菌盛宴。蘑菇虽然味美，但也不能随便食用，我国存在的有毒蘑菇就近 200 种，食用后轻则恶心呕吐、致晕致幻、看到七彩的开花藤蔓和会飞的小人绕圈跳舞，重则生命垂危、一顿送走。
本次竞赛使用的数据集由北欧真菌学家协会（Mycologist's Society of Northern Europe）提供的 9 种常见北欧蘑菇属的图像组成，FlyAI 平台旨在就相关趣味话题举办图像分类的练习赛事，让大家能够在多种场景下提升算法能力，而不对数据集中所包含蘑菇分类的生物学正确性及可食用性做出任何保证。请勿食用种类不明的蘑菇，严禁使用该竞赛数据集训练得到的模型鉴别食用蘑菇。
参赛须知
报名时间
2021-06-28 12:00:00 - 2021-08-20 12:00:00
提交时间
2021-06-28 12:00:00-2021-08-20 12:00:00
参赛时间：2021.06.28 12:00:00-2021.08.20 12:00:00
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) |
| 冠军奖 |
1人 |
1500元奖金 |
| 亚军奖 |
1人 |
800元奖金 |
| 季军奖 |
1人 |
400元奖金 |
| 第四名 |
1人 |
200元奖金 |
| 第五名 |
1人 |
100元奖金 |
奖励获取要求:
- 奖金获取标准：95<Score 根据排名获得奖金
- 比赛结束两周时间内，获得奖金的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）；
- 温馨提示：未在有效时间内提供答辩经验的参赛者，视为放弃奖励资格哦！
赛事主题和数据说明
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 |
样例 |
| train.csv |
image_path |
str |
图片的相对路径 |
./image/000_ePQknW8cTp8.jpg |
| label |
str |
标签 |
0 |
本数据集分布情况：训练集 6045 张图片，测试集 675 张图片。本数据集中蘑菇共有 9 类。
评审标准
算法输入输出格式
系统评估时，要求参赛者必须在predict方法中接收到输入和评估返回的结果输出，格式如下所示。
输入字段：
{
"image_path": ".\/image\/000_ePQknW8cTp8.jpg"
}
输出字段：
评审指标说明
排行榜精度评估说明
- 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prediction.py中的load_model和predict方法。系统使用这些方法评估模型算出评分。
超过 95 分的成绩将会在24小时内展示在排行榜上哦!
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98.71。
batch数据为64，循环次数为33次，通过在线上环境完成训练，模型最优精度评分为97.94。
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97.68。
4
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97.60。
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96.48。
6
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96.14。
7
batch数据为8，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95.88。
8
batch数据为16，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95.54。
9
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94.68。
10
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94.25。
11
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94.16。
12
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93.82。
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93.65。
14
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92.88。
15
batch数据为16，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92.53。
16
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92.36。
17
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91.93。
18
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91.85。
19
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91.59。
20
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91.24。
21
batch数据为16，循环次数为130次，通过在线上环境完成训练，模型最优精度评分为90.99。
22
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90.47。
23
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90.39。
24
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90.13。
25
batch数据为32，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89.01。
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87.81。
27
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87.55。
28
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86.70。
29
batch数据为10，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85.75。
30
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85.49。
31
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85.41。
32
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83.86。
33
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83.35。
34
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82.75。
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79.48。
36
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77.94。
37
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75.36。
38
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71.50。
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67.98。
40
batch数据为16，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66.70。
41
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64.81。
42
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64.46。
43
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63.09。
44
batch数据为64，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62.15。
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61.29。
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57.94。
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56.57。
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56.22。
49
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55.71。
50
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55.54。
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53.82。
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37.94。
53
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37.94。
54
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35.88。
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32.36。
56
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26.87。
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26.87。
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26.87。
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26.87。
60
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26.87。
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26.87。
62
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26.87。
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26.87。
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26.87。
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26.87。
66
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26.87。
67
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26.87。
68
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26.87。
69
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26.87。
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26.87。
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26.87。
72
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26.87。
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26.87。
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26.87。
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26.87。
76
batch数据为16，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26.87。
77
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26.87。
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26.87。
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26.87。
80
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26.87。
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26.87。
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26.87。
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26.87。
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26.87。
85
batch数据为100，循环次数为256次，通过在线上环境完成训练，模型最优精度评分为26.87。
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26.87。
87
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26.87。
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26.87。
89
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26.87。
90
batch数据为32，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26.87。
91
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26.87。
92
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26.87。
93
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26.87。
94
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26.87。
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26.87。
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26.87。
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26.87。
98
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26.87。
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26.87。
100
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0.00。
101
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0.00。
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0.00。
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0.00。
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0.00。
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0.00。
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0.00。
107
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0.00。
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0.00。
