5种花分类

分享给好友

2019-04-30 15:00:00
开始提交

2019-05-30 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 98
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
  • 赛事介绍
  • 竞赛排行榜
  • 奖金记录
  • 讨论($vue{comment_count})

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

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

  • 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)
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,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
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。

$vue{item.rank_name}

超过 90分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

提供者:=

143.00

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100.00。

2019-05-13 17:42:27

143.00

100.00

第三名

提供者:看你很6哦

268.00

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。

2019-05-01 11:10:36

268.00

98.91

第三名

提供者:xeoner

45.70

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。

2019-05-12 19:47:38

45.70

95.50

4

提供者:gboy

71.40

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。

2019-05-03 00:04:30

71.40

94.69

5

提供者:木森善哉

2.25

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。

2020-01-10 10:50:53

2.25

94.69

6

提供者:gezp

164.60

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。

2019-05-01 10:53:25

164.60

94.14

7

提供者:兔子是菜鸟

1.60

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。

2019-05-01 16:10:41

1.60

93.60

8

提供者:yangsmile

5.80

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。

2019-05-05 15:11:32

5.80

93.05

9

提供者:rhapsody

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。

2019-12-02 14:27:13

92.51

10

提供者:saber666

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。

2019-11-15 16:34:56

91.01

11

提供者:y轴

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。

2019-06-08 16:36:30

90.19

12

提供者:jianbin.xu

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。

2019-05-18 07:06:49

88.56

13

提供者:weiliming

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。

Keras

ResNet50

2019-06-19 15:48:15

87.47

14

提供者:淋雨

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。

2019-05-01 10:37:26

86.92

15

提供者:纶巾

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。

2019-06-13 08:34:17

84.33

16

提供者:myue

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。

2019-12-03 16:40:03

82.29

17

提供者:jhp

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。

2019-05-02 19:56:08

81.47

18

提供者:sunset

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。

2019-05-03 18:27:27

80.25

19

提供者:ChangeBio

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。

2019-05-07 08:07:29

79.16

20

提供者:xuejiabin

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。

2019-11-23 08:05:16

76.29

21

提供者:clayne

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。

2019-11-22 06:12:08

75.61

22

提供者:惊鸿飞雪

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。

2019-05-05 20:53:50

68.12

23

提供者:五

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。

2019-05-07 09:03:00

68.12

24

提供者:Seeney

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。

2019-05-11 00:37:00

67.44

25

提供者:Silence

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。

2019-05-02 23:03:18

65.26

26

提供者:kongd

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。

2019-05-01 04:48:52

64.44

27

提供者:zhiduanqingchang

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。

2019-05-02 06:16:27

63.62

28

提供者:李渊

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。

2019-12-19 16:36:47

63.22

29

提供者:GodLovesJonny

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。

2019-05-06 04:52:36

61.99

30

提供者:paul1558836028

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。

2019-05-27 11:07:27

61.99

31

提供者:听雪夜阁

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。

2019-11-19 23:00:52

61.85

32

提供者:xaioqiang

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。

2019-08-23 21:21:53

61.04

33

提供者:Secbone

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。

2019-08-05 19:24:13

60.35

34

提供者:我爱吃西瓜

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。

2019-05-14 19:26:14

59.67

35

提供者:王璐

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。

2019-05-21 23:14:52

58.72

36

提供者:clover1557021516

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。

2019-05-06 20:11:30

57.90

37

提供者:DDBG

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。

2019-05-25 23:17:41

57.90

38

提供者:命运.

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。

2019-08-02 22:50:12

57.77

39

提供者:R.Lee

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。

2019-05-16 11:30:36

57.63

40

提供者:Gifford

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。

2019-05-02 12:43:05

56.13

41

提供者:wbxing

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。

2019-05-04 17:20:40

56.13

42

提供者:韩天啸

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。

2019-09-24 02:49:01

55.86

43

提供者:ROC

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。

2019-05-01 13:29:45

51.50

44

提供者:flyai会员1576345548

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51.09。

2019-12-15 12:43:24

51.09

45

提供者:星光与默示

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。

2019-05-04 18:09:17

48.50

46

提供者:hiccup

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。

2020-03-19 09:10:44

48.37

47

提供者:梦穸风呓

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。

2019-05-09 10:08:15

47.14

48

提供者:清道夫

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41.96。

2019-08-30 22:36:43

41.96

49

提供者:may831day

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41.69。

2019-11-20 21:06:32

41.69

50

提供者:jky

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。

2019-05-01 12:01:21

40.46

51

提供者:Reluminia

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。

2019-05-15 12:02:15

38.28

52

提供者:Keven Ge

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。

2020-02-29 16:43:12

36.65

53

提供者:我是特种兵1557281850

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。

2019-05-16 20:52:55

34.33

54

提供者:玻璃窗上的苍蝇

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。

2019-05-16 00:37:21

34.06

55

提供者:哇咔咔

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。

2019-05-01 11:24:48

33.65

56

提供者:老杜.

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33.65。

2019-12-05 17:18:29

33.65

57

提供者:个丝得啊~

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。

2019-10-15 05:13:33

27.79

58

提供者:Yvette

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24.11。

2020-02-14 09:27:47

24.11

59

提供者:chyang

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。

2019-05-01 17:22:37

23.84

60

提供者:嘿嘿

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。

2019-05-03 16:37:33

23.57

61

提供者:刘俊

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。

2019-09-09 20:36:34

23.43

62

提供者:五月^V^

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。

2019-12-24 18:46:30

23.43

63

提供者:大山1563190752

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。

2020-02-25 00:07:13

22.75

2020-01-10
木森善哉

模型得分为94.55,本次获得实时奖励奖金为2.25

2020-01-10 14:15:00

2019-05-30
xeoner

模型得分为95.5,本次获得排名奖奖金为40

2019-05-30 15:00:02

看你很6哦

模型得分为98.91,本次获得排名奖奖金为60

2019-05-30 15:00:02

=

模型得分为100,本次获得排名奖奖金为100

2019-05-30 15:00:02

2019-05-14
=

模型得分为100,本次获得实时奖励奖金为43

2019-05-14 14:04:43

2019-05-13
xeoner

模型得分为94.28,本次获得实时奖励奖金为4.5

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

2019-05-13 10:57:09

2019-05-07
gezp

模型得分为94.14,本次获得排名奖奖金为40

2019-05-07 15:00:01

gboy

模型得分为94.69,本次获得排名奖奖金为60

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

2019-05-07 15:00:01

2019-05-04
gboy

模型得分为94.69,本次获得实时奖励奖金为9

2019-05-04 11:07:06

2019-05-01
看你很6哦

模型得分为98.91,本次获得实时奖励奖金为108

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

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

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

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

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

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

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

2019-05-01 11:02:29

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

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