$vue{csvName == '' ? '仅支持上传 CSV 格式的文件' : csvName+' 上传中...'}
$vue{csvName}上传成功
取消
确认提交
- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
$vue{item.rank_name}
大赛简介
Caltech-256 物品分类数据集由Caltech-101数据集演变而来，该数据集选自Google Image数据集，并手工去除了不符合其类别的图片。在该数据集中共有30,607张图片，256个图片类别，每个类别包括超过80张图片。
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) |
|---|---|---|
| FlyAI挑战奖 | 所有挑战者 | 奖金获取标准：60<Score<=100 按照得分比例获取奖金池金额 |
| 新框架奖励 | 所有人 | 项目中首次使用排行榜中未出现的新框架搭建模型，可获得60FAI币额外积分奖励 |
赛事主题和数据说明
赛题描述
通过迭代自己的算法模型并提交训练，获取奖金池高额奖金。小提示：抢先更新算法排行榜，有更大机会获取高额奖金哦
数据来源
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 |
| label | int | 大于等于 0, 小于等于 255 | 物体类别 |
参考文献：
评审标准
算法输入输出格式
输入字段： image_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 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64，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94.12。
PyTorch
DenseNet121
2019-04-02 16:03:00
10.00
94.12
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为92.18。
PyTorch
DenseNet121
2019-03-31 19:57:44
10.00
92.18
5
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为89.12。
PyTorch
resnet152
2019-03-31 04:38:53
329.00
89.12
7
batch数据为32，循环次数为8000次，通过在线上环境完成训练，模型最优精度评分为86.82。
PyTorch
DenseNet121
2019-04-09 21:48:18
10.00
86.82
8
batch数据为32，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为86.80。
PyTorch
ResNet101
2019-03-31 08:54:41
10.00
86.80
10
batch数据为128，循环次数为2222次，通过在线上环境完成训练，模型最优精度评分为86.53。
PyTorch
DenseNet121
2019-03-30 02:35:53
10.00
86.53
13
batch数据为256，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为85.68。
PyTorch
DenseNet121
2019-03-17 16:44:17
166.00
85.68
14
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85.44。
PyTorch
ResNet101
2019-03-20 19:14:56
1312.00
85.44
17
batch数据为64，循环次数为1500次，通过在线上环境完成训练，模型最优精度评分为84.91。
PyTorch
DenseNet121
2019-04-04 16:43:31
10.00
84.91
19
batch数据为1024，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为84.72。
PyTorch
DenseNet121
2019-04-12 16:10:53
10.00
84.72
22
batch数据为64，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为84.42。
PyTorch
resnet152
2019-04-03 00:33:41
10.00
84.42
26
batch数据为128，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为83.87。
PyTorch
DenseNet121
2019-04-13 22:20:02
10.00
83.87
88
batch数据为128，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为83.08。
PyTorch
DenseNet121
2019-03-18 12:26:23
10.00
83.08
91
batch数据为64，循环次数为1500次，通过在线上环境完成训练，模型最优精度评分为82.86。
PyTorch
DenseNet121
2019-04-02 20:03:59
10.00
82.86
92
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82.72。
PyTorch
DenseNet121
2019-03-28 08:35:23
10.00
82.72
95
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为81.85。
PyTorch
DenseNet121
2019-04-01 20:39:04
10.00
81.85
101
batch数据为64，循环次数为400次，通过在线上环境完成训练，模型最优精度评分为79.38。
PyTorch
ResNet152
2019-03-28 10:51:17
10.00
79.38
104
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为78.46。
PyTorch
DenseNet121
2019-04-09 16:09:14
10.00
78.46
105
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为78.17。
PyTorch
DenseNet121
2019-04-02 21:13:51
10.00
78.17
108
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为77.18。
PyTorch
DenseNet121
2019-04-01 18:51:38
10.00
77.18
110
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为76.88。
PyTorch
DenseNet121
2019-04-02 23:23:58
10.00
76.88
111
batch数据为64，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75.50。
PyTorch
DenseNet121
2019-04-03 13:36:41
10.00
75.50
113
batch数据为64，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74.58。
PyTorch
ResidualAttentionNetwork
2019-04-03 18:17:19
74.58
114
batch数据为256，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为74.21。
PyTorch
DenseNet121
2019-04-01 17:42:19
10.00
74.21
115
batch数据为32，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为71.69。
PyTorch
DenseNet121
2019-03-31 11:32:58
10.00
71.69
117
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为67.86。
PyTorch
DenseNet121
2019-04-01 10:17:34
10.00
67.86
118
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66.44。
PyTorch
DenseNet121
2019-03-27 14:49:15
10.00
66.44
126
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40.85。
PyTorch
DenseNet121
2019-03-19 15:44:35
10.00
40.85
127
batch数据为32，循环次数为1500次，通过在线上环境完成训练，模型最优精度评分为38.03。
PyTorch
DenseNet201
2019-03-30 21:54:17
10.00
38.03
132
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9.79。
PyTorch
DenseNet121
2019-03-26 10:25:04
10.00
9.79
134
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7.09。
PyTorch
DenseNet121
2019-03-31 22:44:11
10.00
7.09
135
batch数据为64，循环次数为9000次，通过在线上环境完成训练，模型最优精度评分为7.05。
PyTorch
DenseNet121
2019-03-28 02:23:57
10.00
7.05
136
batch数据为64，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为5.37。
PyTorch
DenseNet121
2019-03-31 18:16:38
10.00
5.37
137
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为4.68。
PyTorch
DenseNet121
2019-04-02 00:56:28
10.00
4.68
138
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为4.67。
PyTorch
DenseNet121
2019-03-30 22:58:17
10.00
4.67
139
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4.60。
PyTorch
DenseNet121
2019-03-29 22:01:43
10.00
4.60
143
batch数据为4，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2.54。
PyTorch
DenseNet121
2019-03-29 08:01:04
10.00
2.54
146
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1.80。
PyTorch
DenseNet121
2019-03-29 18:33:59
10.00
1.80
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1.46。
PyTorch
DenseNet121
2019-03-31 14:06:31
10.00
1.46
148
batch数据为64，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为0.34。
PyTorch
DenseNet121
2019-04-02 01:34:45
10.00
0.34
- BOE_AIoT_CTO
-
模型得分为94.53，本次获得实时奖励奖金为550元
2020-11-09 11:06:45
- 我的爱在西元前1554081999
-
模型得分为76.65，本次获得实时奖励奖金为10元
2019-04-02 11:41:04
- 小～蜉蝣
-
模型得分为8.65，本次获得实时奖励奖金为10元
2019-04-02 10:14:49
- RandomYC
-
模型得分为8.55，本次获得实时奖励奖金为10元
2019-04-02 08:55:50
- reallocing
-
模型得分为0.34，本次获得实时奖励奖金为10元
2019-04-02 01:34:45
- 圣上
-
模型得分为4.68，本次获得实时奖励奖金为10元
2019-04-02 00:56:28
- 'code and paper'
-
模型得分为79.82，本次获得实时奖励奖金为10元
2019-04-01 19:15:44
- sunset
-
模型得分为1.58，本次获得实时奖励奖金为10元
2019-04-01 17:36:19
- Value_H
-
模型得分为27.22，本次获得实时奖励奖金为10元
2019-04-01 15:29:12
- KG
-
模型得分为5.37，本次获得实时奖励奖金为10元
2019-03-31 18:16:38
- 丶人狠话不多
-
模型得分为2.7，本次获得实时奖励奖金为10元
2019-03-31 14:33:12
- 非我非非晓我
-
模型得分为1.46，本次获得实时奖励奖金为10元
2019-03-31 14:06:31
- lyming
-
模型得分为71.69，本次获得实时奖励奖金为10元
2019-03-31 11:32:58
- cclxx
-
模型得分为2.4，本次获得实时奖励奖金为10元
2019-03-31 10:56:30
- zhiduanqingchang
-
模型得分为10.75，本次获得实时奖励奖金为10元
2019-03-31 00:34:02
- 天天向上
-
模型得分为83.29，本次获得实时奖励奖金为10元
2019-03-30 22:22:59
- Daiccccc
-
模型得分为38.03，本次获得实时奖励奖金为10元
2019-03-30 21:54:17
- trickornot
-
模型得分为3.02，本次获得实时奖励奖金为10元
2019-03-30 18:49:52
- 就是很任性
-
模型得分为2.33，本次获得实时奖励奖金为10元
2019-03-30 15:08:31
- zeng-_-|
-
模型得分为80.78，本次获得实时奖励奖金为10元
2019-03-30 13:52:23
- kongd
-
模型得分为79.35，本次获得实时奖励奖金为10元
2019-03-29 23:47:56
- 我是灞波儿奔
-
模型得分为4.6，本次获得实时奖励奖金为10元
2019-03-29 22:01:43
- peterzhang
-
模型得分为3.84，本次获得实时奖励奖金为10元
2019-03-29 21:24:35
- DE Chen
-
模型得分为1.8，本次获得实时奖励奖金为10元
2019-03-29 18:33:59
- Hallo
-
模型得分为86.38，本次获得实时奖励奖金为10元
2019-03-29 18:21:12
- 红色的小蓝帽
-
模型得分为79.6，本次获得实时奖励奖金为10元
2019-03-29 16:54:17
- 在北等你
-
模型得分为0.57，本次获得实时奖励奖金为10元
2019-03-29 07:54:32
- 興趣使然的吃瓜少年
-
模型得分为1.6，本次获得实时奖励奖金为10元
2019-03-28 12:07:12
- Seeney
-
模型得分为4.33，本次获得实时奖励奖金为10元
2019-03-27 23:58:35
- 玄学上分
-
模型得分为86.65，本次获得实时奖励奖金为319元
2019-03-27 18:33:51
- 火炎焱燚
-
模型得分为3.07，本次获得实时奖励奖金为10元
2019-03-27 16:24:56
- Hnecl
-
模型得分为66.44，本次获得实时奖励奖金为10元
2019-03-27 14:49:15
- 善假于物
-
模型得分为6.28，本次获得实时奖励奖金为10元
2019-03-26 22:36:00
- 围生
-
模型得分为9.49，本次获得实时奖励奖金为10元
2019-03-26 15:08:44
- 孙文亮
-
模型得分为9.79，本次获得实时奖励奖金为10元
2019-03-26 10:25:04
- 玄学上分
-
模型得分为6.82，本次获得实时奖励奖金为10元
2019-03-26 00:59:47
- sytv587
-
模型得分为4.05，本次获得实时奖励奖金为10元
2019-03-22 05:47:46
- poplar
-
模型得分为40.85，本次获得实时奖励奖金为10元
2019-03-19 15:44:35
- fly
-
模型得分为82.59，本次获得实时奖励奖金为10元
2019-03-18 18:22:44
- 风雨兼程
-
模型得分为79.7，本次获得实时奖励奖金为10元
2019-03-18 10:13:06
- 你猜猜我是谁
-
模型得分为18.89，本次获得实时奖励奖金为10元
2019-03-18 09:39:24
- 你猜猜我是谁
-
模型得分为85.68，本次获得实时奖励奖金为156元
2019-03-17 16:44:17
- trick_or_treat
-
模型得分为85.19，本次获得实时奖励奖金为1302元
2019-03-17 11:38:07
- trick_or_treat
-
模型得分为42.95，本次获得实时奖励奖金为10元
2019-03-16 16:04:34
- 影分身
-
模型得分为2.45，本次获得实时奖励奖金为10元
2019-03-15 15:21:32
- FlyAI小助手
-
模型得分为58.67，本次获得实时奖励奖金为10元
2019-02-21 23:33:44
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
这里还没有内容哦