- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
该数据集包含5种不同种类的花的彩色图片，类别包括玫瑰，向日葵，雏菊，蒲公英和郁金香。使用该数据集对5种花进行分类。
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
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) |
| 参与奖（总奖金30%） |
所有人 |
不同得分区间获得相应的竞赛奖金 |
| 突破奖（总奖金20%） |
所有人 |
更新排行榜得分，获取相应竞赛奖金 |
| 排名奖（总奖金50%） |
第一周/月前3名（冠、亚、季军） |
项目上线第一周、第一个月; Time_P(周) = 0.5，Time_P(月) = 0.5；K1=0.5，K2=0.3，K3=0.2； |
| 不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
赛题描述
通过实现算法并提交训练，获取奖金池奖金。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 |
| type |
int |
不为空 |
图片上对应花的名字 |
| label |
float |
大于等于 0, 小于等于 4 |
图片的标注标签 |
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 90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100.00。
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98.91。
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95.50。
4
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94.69。
5
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94.69。
6
batch数据为32，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94.14。
7
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93.60。
8
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93.05。
9
batch数据为32，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92.51。
10
batch数据为1000，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91.01。
11
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90.19。
12
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88.56。
13
batch数据为512，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87.47。
14
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86.92。
15
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84.33。
16
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82.29。
17
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81.47。
18
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80.25。
19
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79.16。
20
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76.29。
21
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75.61。
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68.12。
23
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68.12。
24
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67.44。
25
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65.26。
26
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64.44。
27
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63.62。
28
batch数据为32，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63.22。
29
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61.99。
30
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61.99。
31
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61.85。
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61.04。
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60.35。
34
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59.67。
35
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58.72。
36
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57.90。
37
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57.90。
38
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57.77。
39
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57.63。
40
batch数据为32，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56.13。
41
batch数据为512，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56.13。
42
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55.86。
43
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53.27。
44
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53.27。
45
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53.27。
46
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53.27。
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53.27。
48
batch数据为256，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53.27。
49
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53.27。
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53.27。
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53.27。
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53.27。
53
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53.27。
54
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53.27。
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53.27。
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53.27。
57
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53.27。
58
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53.27。
59
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53.27。
60
batch数据为64，循环次数为900次，通过在线上环境完成训练，模型最优精度评分为53.27。
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53.27。
62
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53.27。
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53.27。
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53.27。
65
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53.27。
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53.27。
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53.27。
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53.27。
69
batch数据为64，循环次数为25次，通过在线上环境完成训练，模型最优精度评分为53.27。
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53.27。
71
batch数据为1000，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53.27。
72
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53.27。
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53.27。
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53.27。
75
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53.27。
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53.27。
77
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53.27。
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53.27。
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53.27。
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53.27。
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53.27。
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53.27。
83
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53.27。
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53.27。
85
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53.27。
86
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53.27。
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53.27。
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53.27。
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53.27。
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53.27。
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53.27。
92
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53.27。
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53.27。
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53.27。
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53.27。
96
batch数据为1000，循环次数为36次，通过在线上环境完成训练，模型最优精度评分为53.27。
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53.27。
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53.27。
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53.27。
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53.27。
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53.27。
102
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51.50。
103
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48.50。
104
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48.37。
105
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47.14。
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47.14。
107
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40.46。
108
batch数据为128，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38.28。
109
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36.65。
110
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34.33。
111
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34.06。
112
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33.65。
113
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27.79。
114
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23.84。
115
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23.57。
116
batch数据为500，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23.43。
117
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23.43。
118
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22.75。
- 木森
-
模型得分为94.55，本次获得实时奖励奖金为2.25元
2020-01-10 14:15:00
- 看你很6哦
-
模型得分为98.91，本次获得排名奖奖金为60元
2019-05-30 15:00:02
- xeoner
-
模型得分为95.5，本次获得排名奖奖金为40元
2019-05-30 15:00:02
- =
-
模型得分为100，本次获得排名奖奖金为100元
2019-05-30 15:00:02
- =
-
模型得分为100，本次获得实时奖励奖金为43元
2019-05-14 14:04:43
- xeoner
-
模型得分为94.28，本次获得实时奖励奖金为4.5元
2019-05-13 10:57:18
- xeoner
-
模型得分为90.74，本次获得实时奖励奖金为1.2元
2019-05-13 10:57:09
- gboy
-
模型得分为94.69，本次获得排名奖奖金为60元
2019-05-07 15:00:01
- 看你很6哦
-
模型得分为98.91，本次获得排名奖奖金为100元
2019-05-07 15:00:01
- gezp
-
模型得分为94.14，本次获得排名奖奖金为40元
2019-05-07 15:00:01
- gboy
-
模型得分为94.69，本次获得实时奖励奖金为9元
2019-05-04 11:07:06
- 看你很6哦
-
模型得分为98.91，本次获得实时奖励奖金为108元
2019-05-01 12:25:02
- gezp
-
模型得分为94.14，本次获得实时奖励奖金为25元
2019-05-01 11:03:24
- 兔子是菜鸟
-
模型得分为93.32，本次获得实时奖励奖金为1.6元
2019-05-01 11:03:14
- gezp
-
模型得分为93.19，本次获得实时奖励奖金为1元
2019-05-01 11:03:00
- gboy
-
模型得分为91.14，本次获得实时奖励奖金为2.4元
2019-05-01 11:02:51
- gezp
-
模型得分为93.05，本次获得实时奖励奖金为2元
2019-05-01 11:02:42
- yangsmile
-
模型得分为92.78，本次获得实时奖励奖金为5.8元
2019-05-01 11:02:33
- gezp
-
模型得分为92.64，本次获得实时奖励奖金为96.6元
2019-05-01 11:02:29
