- 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
Caltech-UCSD Birds 200 (CUB-200) 是一个图像数据集，包含200种鸟类（主要是北美洲）的照片。分类数量：200 图片数量：6,033 标注：边界框，分割，属性
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
数据来源
BirdClassification
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 |
file_path |
不为空 |
图片的相对路径 |
| label |
int |
大于等于 0, 小于等于 199 |
图片的标注标签 |
| name |
int |
不为空 |
图片的名字 |
参考文献：
[1]The Caltech-UCSD Birds-200-2011 Dataset
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 80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96.78。
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96.13。
batch数据为16，循环次数为80次，通过在线上环境完成训练，模型最优精度评分为89.57。
4
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80.96。
5
batch数据为512，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80.15。
6
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79.09。
7
batch数据为64，循环次数为1200次，通过在线上环境完成训练，模型最优精度评分为78.41。
8
batch数据为20，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77.27。
9
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77.14。
10
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77.01。
11
batch数据为64，循环次数为150次，通过在线上环境完成训练，模型最优精度评分为76.59。
12
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75.91。
13
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74.22。
14
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72.82。
15
batch数据为100，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71.37。
16
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68.36。
17
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67.30。
18
batch数据为160，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63.87。
19
batch数据为50，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62.38。
20
batch数据为32，循环次数为6000次，通过在线上环境完成训练，模型最优精度评分为60.60。
21
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59.08。
22
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54.88。
23
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53.94。
24
batch数据为512，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51.40。
25
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32.61。
26
batch数据为64，循环次数为1200次，通过在线上环境完成训练，模型最优精度评分为26.29。
27
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24.94。
28
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24.55。
29
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21.29。
30
batch数据为1000，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9.33。
31
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8.57。
32
batch数据为512，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6.45。
33
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5.94。
34
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5.89。
35
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3.90。
36
batch数据为128，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2.21。
37
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1.02。
38
batch数据为50，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0.93。
39
batch数据为521，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0.89。
40
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0.81。
41
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0.76。
42
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0.72。
43
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0.68。
44
batch数据为500，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0.68。
45
batch数据为128，循环次数为250次，通过在线上环境完成训练，模型最优精度评分为0.68。
46
batch数据为520，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0.64。
47
batch数据为500，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为0.64。
48
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0.64。
49
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0.64。
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0.64。
51
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0.64。
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0.64。
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0.64。
54
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0.64。
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0.64。
56
batch数据为256，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0.64。
57
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0.64。
58
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0.64。
59
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0.64。
60
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0.64。
61
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0.64。
62
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0.64。
63
batch数据为64，循环次数为80次，通过在线上环境完成训练，模型最优精度评分为0.64。
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0.64。
65
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0.64。
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0.64。
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0.64。
68
batch数据为128，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0.55。
69
batch数据为64，循环次数为80次，通过在线上环境完成训练，模型最优精度评分为0.51。
70
batch数据为100，循环次数为220次，通过在线上环境完成训练，模型最优精度评分为0.47。
71
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0.47。
72
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0.47。
73
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0.42。
74
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0.30。
- wvinzh
-
模型得分为89.57，本次获得实时奖励奖金为33.75元
2019-12-23 16:16:33
- 无名小辈
-
模型得分为87.68，本次获得排名奖奖金为150元
2019-05-15 15:00:02
- trick_or_treat
-
模型得分为96.13，本次获得排名奖奖金为225元
2019-05-15 15:00:02
- 唱跳RAP打篮球
-
模型得分为96.78，本次获得排名奖奖金为375元
2019-05-15 15:00:02
- hhy
-
模型得分为80.96，本次获得实时奖励奖金为4.5元
2019-04-25 13:44:06
- 无名小辈
-
模型得分为87.68，本次获得实时奖励奖金为36元
2019-04-23 12:51:06
- Winteriscoming
-
模型得分为80.15，本次获得实时奖励奖金为9元
2019-04-23 12:51:01
- trick_or_treat
-
模型得分为96.13，本次获得排名奖奖金为225元
2019-04-22 15:00:01
- trick_or_treat
-
模型得分为96.13，本次获得实时奖励奖金为112.5元
2019-04-17 20:48:15
- trick_or_treat
-
模型得分为92.04，本次获得实时奖励奖金为56.25元
2019-04-17 20:48:01
- 唱跳RAP打篮球
-
模型得分为96.78，本次获得实时奖励奖金为272元
2019-04-17 20:47:41
- 唱跳RAP打篮球
-
模型得分为95.5，本次获得实时奖励奖金为270.5元
2019-04-17 20:47:32
- 唱跳RAP打篮球
-
模型得分为89.95，本次获得实时奖励奖金为324.5元
2019-04-17 20:47:19
