Caltech256 图像分类竞赛

分享给好友

2018-12-11 12:08:56
开始提交

2019-01-10 12:08:56
最终提交结束

自由训练

剩余奖金 ¥ 1,450
参赛权限提示

当前赛题需能力值达到 $vue{itemranking} 才可以正常提交训练哦~

当前赛题仅允许 600 能力值以下的新手可以正常提交训练哦~

报名参赛

绑定你的微信账号

用于本地环境登录和实时接收训练通知

打开微信,使用扫一扫功能分享给好友

绑定你的微信账号

用于本地环境登录和实时接收训练通知

温馨提示

$vue{csv_msg}

知道了
提交结果文件

$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

提交成功

系统正在测评您的结果文件,

您可通过右侧【我的提交-查看记录详情】进行查看

知道了
  • 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

Caltech256

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:

[1]CNS-TR-2007-001

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!
第三名

BOE_AIoT_CTO

550.00

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94.53。

PyTorch

DenseNet121

2020-11-03 18:49:02

550.00

94.53

第三名

trickornot

10.00

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

第三名

丶人狠话不多

10.00

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

4

王瑞豪杜喆的团队

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90.75。

2020-04-22 06:20:14

90.75

5

玄学上分

329.00

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

6

gboy

batch数据为96,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87.54。

PyTorch

DenseNet121

2019-06-19 06:35:37

87.54

7

天天向上

10.00

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

善假于物

10.00

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

9

Mengcius

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86.79。

2019-09-30 19:47:40

86.79

10

Hallo

10.00

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

11

Teenage Dream

batch数据为32,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86.17。

PyTorch

DenseNet121

2019-04-04 00:29:43

86.17

12

快来追我呀

batch数据为64,循环次数为4000次,通过在线上环境完成训练,模型最优精度评分为85.75。

PyTorch

DenseNet121

2019-06-18 14:43:53

85.75

13

你猜猜我是谁

166.00

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

trick_or_treat

1312.00

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

15

.co

batch数据为64,循环次数为800次,通过在线上环境完成训练,模型最优精度评分为85.43。

PyTorch

DenseNet121

2019-04-04 17:12:40

85.43

16

大木淡漠

batch数据为64,循环次数为4000次,通过在线上环境完成训练,模型最优精度评分为85.43。

PyTorch

DenseNet121

2019-05-23 14:14:35

85.43

17

zhiduanqingchang

10.00

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

18

ShadowFiend

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84.75。

2019-04-02 17:36:57

84.75

19

kongd

10.00

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

20

Winfield

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84.70。

PyTorch

DenseNet121

2019-04-03 04:11:29

84.70

21

codePlay

batch数据为128,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84.52。

PyTorch

DenseNet121

2019-04-05 04:33:51

84.52

22

红色的小蓝帽

10.00

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

23

丨breeze丨

batch数据为256,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84.32。

PyTorch

DenseNet121

2019-08-01 21:34:30

84.32

24

DM_NUDT_2019_庞巧遇

batch数据为500,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84.13。

2019-12-20 09:50:07

84.13

25

有啥tricks

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83.98。

2020-12-03 17:13:49

83.98

26

fly

10.00

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

27

汤大力

batch数据为500,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83.75。

PyTorch

DenseNet121

2019-06-18 13:40:00

83.75

28

MXR

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83.55。

PyTorch

DenseNet121

2019-12-22 14:21:35

83.55

29

L&&R

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83.51。

2019-12-16 00:33:58

83.51

30

wcy1122

batch数据为128,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83.46。

PyTorch

DenseNet264

2019-06-19 02:22:10

83.46

31

dark-ai

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83.19。

PyTorch

DenseNet121

2019-09-09 22:36:49

83.19

32

戴威

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83.19。

2019-09-11 14:44:41

83.19

33

飓风神龙

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83.19。

2019-10-19 11:37:41

83.19

34

信息-杨波

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83.19。

2019-10-28 15:33:19

83.19

35

Nannn

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83.19。

2019-11-04 16:12:25

83.19

36

顺子

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83.19。

2019-11-15 21:39:39

83.19

37

赤赤

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83.19。

2019-11-22 08:34:14

83.19

38

Amy611

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83.19。

2019-12-02 08:03:54

83.19

39

孤独剑

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83.19。

2019-12-06 17:49:30

83.19

40

defense

batch数据为48,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83.19。

2019-12-06 23:02:04

83.19

41

Zoeywhyutry

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83.19。

2019-12-08 08:52:23

83.19

42

×无法显示

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83.19。

2019-12-08 12:59:59

83.19

43

慧1575891276

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83.19。

2019-12-09 19:37:25

83.19

44

棉花糖

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83.19。

2019-12-12 10:56:11

83.19

45

好名字1575645226

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83.19。

2019-12-13 23:14:54

83.19

46

王吉川

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83.19。

2019-12-15 15:39:52

83.19

47

rrrrrrinbo

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83.19。

2019-12-16 17:46:37

83.19

48

飞起的小皮卡

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83.19。

2019-12-16 23:43:28

83.19

49

周仕扬

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83.19。

2019-12-17 09:00:08

83.19

50

NUDT_JK_Atong

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83.19。

2019-12-17 13:04:16

83.19

51

小郭

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83.19。

2019-12-18 22:03:32

83.19

52

yyyyh

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83.19。

2019-12-25 10:31:59

83.19

53

葭卅

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83.19。

2019-12-27 15:26:25

83.19

54

Aries

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83.19。

2019-12-28 23:47:02

83.19

55

你细品

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83.19。

2020-01-04 12:20:01

83.19

56

flyai会员1578144479

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83.19。

2020-01-04 21:30:43

83.19

57

啦啦啦1577192662

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83.19。

2020-01-05 09:53:05

83.19

58

flyai会员1578190766

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83.19。

2020-01-05 10:31:56

83.19

59

好好学习伦仔

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83.19。

2020-01-07 23:59:36

83.19

60

bidong

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83.19。

2020-01-08 08:15:22

83.19

61

soaring

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83.19。

2020-01-08 16:49:09

83.19

62

newbee

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83.19。

2020-02-20 13:01:23

83.19

63

肖鑫

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83.19。

2020-03-03 10:57:44

83.19

64

闻韶

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83.19。

2020-03-11 23:50:48

83.19

65

乐乐1582460073

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83.19。

2020-03-16 20:45:51

83.19

66

守望

batch数据为32,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83.19。

2020-04-15 15:51:50

83.19

67

flyai会员1587558397

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83.19。

2020-04-22 21:44:35

83.19

68

Canwefly

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83.19。

2020-08-27 11:33:30

83.19

69

flyai会员1599737289

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83.19。

2020-09-10 20:02:18

83.19

70

flyai会员1602318650

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83.19。

2020-10-10 16:33:31

83.19

71

zhengcong

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83.19。

2020-10-10 17:22:48

83.19

72

莫恒辉

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83.19。

2020-10-20 10:04:56

83.19

73

胡晋武

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83.19。

2020-11-05 20:00:15

83.19

74

Blue1605427035

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83.19。

2020-11-15 15:59:50

83.19

75

flyai会员1607074282

batch数据为64,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83.19。

2020-12-07 13:04:13

83.19

76

jay1607918647

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83.19。

2020-12-14 12:07:37

83.19

77

flyai会员1608001426

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83.19。

2020-12-15 11:06:38

83.19

78

flyai会员1608544526

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83.19。

2020-12-21 18:11:47

83.19

79

人生は夢だらけ

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83.19。

2021-02-18 09:23:28

83.19

80

flyai会员1613741290

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83.19。

2021-02-19 21:31:27

83.19

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83.19。

2021-02-19 21:46:40

83.19

82

玄同无为

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83.19。

2021-02-21 15:24:03

83.19

83

flyai会员1614001881

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83.19。

2021-02-22 22:00:54

83.19

84

flyai会员1614432468

batch数据为256,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83.19。

2021-02-27 21:53:37

83.19

85

调参侠

batch数据为128,循环次数为350次,通过在线上环境完成训练,模型最优精度评分为83.11。

PyTorch

DenseNet121

2019-04-06 02:19:56

83.11

86

风雨兼程

10.00

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

87

wrzhenian

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83.03。

2019-07-12 14:20:30

83.03

88

zeng-_-|

10.00

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82.94。

PyTorch

Resnet

2019-03-30 15:13:46

10.00

82.94

89

RandomYC

10.00

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

90

围生

10.00

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

91

ChangeBio

batch数据为62,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82.14。

2019-04-28 17:08:32

82.14

92

SHine

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82.10。

PyTorch

resnet101

2019-04-21 12:30:06

82.10

93

'code and paper'

10.00

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

94

NaCl

batch数据为128,循环次数为600次,通过在线上环境完成训练,模型最优精度评分为81.51。

PyTorch

DenseNet121

2019-07-01 14:06:41

81.51

95

BrightBin

batch数据为256,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81.30。

2020-01-08 11:20:53

81.30

96

周阳

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80.05。

PyTorch

inceptionv4

2019-04-03 08:48:37

80.05

97

AiFool

batch数据为512,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79.97。

PyTorch

DenseNet121

2019-06-15 12:56:42

79.97

98

RuntimeError

batch数据为128,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79.89。

PyTorch

RESNET 18

2019-04-09 21:06:40

79.89

99

火炎焱燚

10.00

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

100

亚豪

batch数据为64,循环次数为512次,通过在线上环境完成训练,模型最优精度评分为79.31。

PyTorch

DenseNet121

2019-05-28 14:57:50

79.31

101

Winteriscoming

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78.81。

PyTorch

DenseNet121

2019-04-14 17:32:15

78.81

102

就是很任性

10.00

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

103

小~蜉蝣

10.00

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

104

cv1557321940

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78.07。

PyTorch

DenseNet121

2019-07-31 22:47:08

78.07

105

★八百标兵奔北坡

batch数据为48,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77.50。

PyTorch

DenseNet121

2019-07-14 03:24:41

77.50

106

sunset

10.00

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

107

Micoon

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77.12。

2019-06-06 10:41:39

77.12

108

我的爱在西元前1554081999

10.00

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

109

Value_H

10.00

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

110

DLin

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75.47。

PyTorch

DenseNet121

2019-04-03 22:43:14

75.47

111

*FacePalm*

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

112

興趣使然的吃瓜少年

10.00

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

113

lyming

10.00

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

114

ON-looker

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69.21。

PyTorch

DenseNet121

2019-10-12 17:53:48

69.21

115

cclxx

10.00

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

116

Hnecl

10.00

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

117

洋洋

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64.83。

PyTorch

DenseNet201

2019-08-28 22:20:01

64.83

118

唱跳RAP打篮球

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64.54。

PyTorch

DenseNet121

2019-04-02 20:30:28

64.54

119

淡淡的忧伤ing

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57.52。

PyTorch

DenseNet121

2019-04-03 20:05:53

57.52

120

啸宇

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55.93。

PyTorch

DenseNet121

2019-04-05 22:40:13

55.93

121

pprp

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48.62。

PyTorch

DenseNet121

2019-08-12 18:36:11

48.62

122

Yolo大大

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47.46。

PyTorch

DenseNet121

2019-05-29 14:48:30

47.46

123

懒散小青年

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45.87。

PyTorch

DenseNet121

2019-04-03 18:28:49

45.87

124

poplar

10.00

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

125

Daiccccc

10.00

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

126

无......有

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33.01。

2019-04-11 06:04:30

33.01

127

lightning-zgc

batch数据为32,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29.72。

2019-04-02 19:15:10

29.72

128

CHANGE

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14.07。

PyTorch

DenseNet121

2019-04-05 16:34:50

14.07

129

哇咔咔

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12.32。

PyTorch

DenseNet121

2019-04-04 13:32:42

12.32

130

孙文亮

10.00

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

131

gezp

batch数据为32,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8.28。

PyTorch

ResNet50

2019-04-04 10:04:16

8.28

132

sytv587

10.00

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

133

Seeney

10.00

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

134

KG

10.00

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

135

圣上

10.00

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

136

peterzhang

10.00

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

137

我是灞波儿奔

10.00

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

138

z

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4.10。

2020-04-12 15:37:21

4.10

139

y=f(x)

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3.81。

PyTorch

DenseNet121

2019-04-06 12:42:03

3.81

140

guoguo

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2.87。

PyTorch

DenseNet121

2019-08-03 15:44:08

2.87

141

在北等你

10.00

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

142

小红帽

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2.17。

PyTorch

DenseNet121

2019-04-04 17:08:00

2.17

143

jhp

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1.86。

PyTorch

ResNet110

2019-05-01 12:01:06

1.86

144

DE Chen

10.00

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

145

非我非非晓我

10.00

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

146

reallocing

10.00

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

147

Xin Yao

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0.29。

PyTorch

resnext101

2019-07-09 11:50:30

0.29

2020-11-09
BOE_AIoT_CTO

模型得分为94.53,本次获得实时奖励奖金为550

2020-11-09 11:06:45

2019-04-02
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

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

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

2019-04-02 08:55:50

2019-04-02
reallocing

模型得分为0.34,本次获得实时奖励奖金为10

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

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

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

2019-04-01 17:36:19

2019-04-01
Value_H

模型得分为27.22,本次获得实时奖励奖金为10

2019-04-01 15:29:12

2019-03-31
KG

模型得分为5.37,本次获得实时奖励奖金为10

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

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

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

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

2019-03-31 10:56:30

2019-03-31
zhiduanqingchang

模型得分为10.75,本次获得实时奖励奖金为10

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

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

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

2019-03-30 18:49:52

2019-03-30
就是很任性

模型得分为2.33,本次获得实时奖励奖金为10

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

2019-03-30 13:52:23

2019-03-29
kongd

模型得分为79.35,本次获得实时奖励奖金为10

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

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

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

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

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

2019-03-29 16:54:17

2019-03-29
在北等你

模型得分为0.57,本次获得实时奖励奖金为10

2019-03-29 07:54:32

2019-03-28
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

2019-03-28 12:07:12

2019-03-27
Seeney

模型得分为4.33,本次获得实时奖励奖金为10

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

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

2019-03-27 16:24:56

2019-03-27
Hnecl

模型得分为66.44,本次获得实时奖励奖金为10

2019-03-27 14:49:15

2019-03-26
善假于物

模型得分为6.28,本次获得实时奖励奖金为10

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

2019-03-26 15:08:44

2019-03-26
孙文亮

模型得分为9.79,本次获得实时奖励奖金为10

2019-03-26 10:25:04

2019-03-26
玄学上分

模型得分为6.82,本次获得实时奖励奖金为10

2019-03-26 00:59:47

2019-03-22
sytv587

模型得分为4.05,本次获得实时奖励奖金为10

2019-03-22 05:47:46

2019-03-19
poplar

模型得分为40.85,本次获得实时奖励奖金为10

2019-03-19 15:44:35

2019-03-18
fly

模型得分为82.59,本次获得实时奖励奖金为10

2019-03-18 18:22:44

2019-03-18
风雨兼程

模型得分为79.7,本次获得实时奖励奖金为10

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

2019-03-18 09:39:24

2019-03-17
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

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

2019-03-17 11:38:07

2019-03-16
trick_or_treat

模型得分为42.95,本次获得实时奖励奖金为10

2019-03-16 16:04:34

2019-03-15
影分身

模型得分为2.45,本次获得实时奖励奖金为10

2019-03-15 15:21:32

2019-02-21
FlyAI小助手

模型得分为58.67,本次获得实时奖励奖金为10

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
$vue{item.user_name}

$vue{item.title} $vue{item.title}

$vue{items}
$vue{item.like_count}
$vue{item.comment_counts}
$vue{item.comment_counts}
阅读 $vue{item.views}

这里还没有内容哦

挑战者大赛 官方交流群

我的记录

你还没有任何提交记录喔...

使用指南

  • windows客户端
  • windows命令行
  • Mac/Linux

1.进入代码编辑页下载当前代码

2.本地解压缩代码包文件,双击执行 flyai.exe 程序

第一次使用需要使用微信扫码登录 杀毒软件可能会误报,点击信任该程序即可

3.开启 FlyAI-Jupyter 代码调试环境

运行flyai.exe程序,点击"使用jupyter调试"按钮自动打开jupyter lab 操作界面

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

4.下载本地测试数据

运行flyai.exe程序,点击"下载数据"按钮,程序会下载100条调试数据

5.提交训练到GPU

运行flyai.exe程序,点击"提交GPU训练"按钮,代码将自动提交到云端GPU进行训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.打开运行,输入cmd,打开终端

Win+R 输入 cmd

3.使用终端进入到项目的根目录下

cd path\to\project

4.开启 FlyAI-Jupyter 代码调试环境

在终端执行命令 flyai.exe ide 打开调试环境(第一次使用需要使用微信扫码登录)

操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !flyai.exe train 将代码提交到云端GPU免费训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

flyai.exe path=xxx 可以设置自己的Python路径

flyai.exe path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.使用终端进入到项目的根目录下

cd path\to\project

3.初始化环境登录

使用如下命令授权 flyai 脚本: chmod +x ./flyai

4.开启 Jupyter 代码调试环境

在终端执行命令 ./flyai ide 打开调试环境(第一次使用需要使用微信扫码登录) 操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

或使用终端

执行下列命令本地安装环境并调试

./flyai test 注意:如果出现 permission denied 错误,需使用sudo运行

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

执行test命令,会自动下载100条测试数据到项目下

如果使用本地IDE开发,可以自行安装 requirements.txt 中的依赖,运行 main.py 即可

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !./flyai train 将代码提交到云端GPU免费训练 返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

或者在终端下使用 ./flyai train -b=32 -e=10

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

./flyai path=xxx 可以设置自己的Python路径

./flyai path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心