- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论(0)
- 学习资源
大赛简介
该数据集包含了101个食品类别,其中包含101,000个图像。对于每个类别。注意,训练图像没有清理,因此仍然包含一些噪音。这主要是以强烈的色彩和有时错误的标签形式出现的。所有图像都重新缩放,最大边长为512像素。
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) |
FlyAI挑战奖 | 所有挑战者 | 奖金获取标准:30<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
Food
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 |
labels | int | 大于等于 0, 小于等于 100 | 图片的标注 |
name | string | 不为空 | 图片对应的类别 |
参考文献:
[1]bossard_eccv14_food-101
评审标准
算法输入输出格式
输入字段:
image_path,
输出字段:
labels,
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 30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350次,通过在线上环境完成训练,模型最优精度评分为83.71。
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83.48。
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78.25。
4
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77.95。
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75.89。
6
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75.36。
7
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75.28。
8
batch数据为64,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74.77。
9
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73.97。
10
batch数据为32,循环次数为7000次,通过在线上环境完成训练,模型最优精度评分为72.26。
11
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71.55。
12
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71.06。
13
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70.26。
14
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68.87。
15
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68.26。
16
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62.42。
17
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60.09。
18
batch数据为65,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57.16。
19
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56.24。
20
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55.87。
21
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54.53。
22
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52.89。
23
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52.54。
24
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51.45。
25
batch数据为100,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49.83。
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48.74。
27
batch数据为10000,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46.61。
28
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45.36。
29
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43.60。
30
batch数据为300,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41.67。
31
batch数据为128,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37.12。
32
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36.89。
33
batch数据为128,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36.42。
34
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34.47。
35
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25.55。
36
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24.85。
37
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24.34。
38
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21.17。
39
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20.75。
40
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20.51。
41
batch数据为32,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18.09。
42
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16.91。
43
batch数据为512,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16.91。
44
batch数据为2048,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16.51。
45
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15.85。
46
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12.88。
47
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12.58。
48
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12.49。
49
batch数据为256,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11.66。
50
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10.98。
51
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10.50。
52
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10.39。
53
batch数据为96,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7.54。
54
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7.14。
55
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6.38。
56
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6.33。
57
batch数据为128,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6.18。
58
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5.98。
59
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5.66。
60
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5.02。
61
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4.85。
62
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3.79。
63
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3.54。
64
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2.76。
65
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2.67。
66
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2.56。
67
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2.28。
68
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1.68。
69
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1.55。
70
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1.54。
71
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1.39。
72
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1.37。
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1.34。
74
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1.21。
75
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1.19。
76
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1.17。
77
batch数据为32,循环次数为120次,通过在线上环境完成训练,模型最优精度评分为1.13。
78
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1.08。
79
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1.07。
80
batch数据为12,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1.07。
81
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1.05。
82
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1.05。
83
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1.01。
84
batch数据为10000,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1.01。
85
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1.00。
86
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1.00。
87
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1.00。
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1.00。
89
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1.00。
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1.00。
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1.00。
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1.00。
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1.00。
94
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1.00。
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1.00。
96
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1.00。
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1.00。
98
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1.00。
99
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0.97。
100
batch数据为22,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0.97。
101
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0.95。
102
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0.92。
103
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0.91。
104
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0.91。
105
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0.88。
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0.88。
107
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0.85。
108
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0.84。
109
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0.79。
2019-04-02
- 围生
模型得分为5.98,本次获得实时奖励奖金为10元
2019-04-02 10:04:23
2019-04-02
- kongd
模型得分为0.88,本次获得实时奖励奖金为10元
2019-04-02 01:58:32
- 麦田
模型得分为2.28,本次获得实时奖励奖金为10元
2019-04-02 00:16:36
- 圣上
模型得分为2.76,本次获得实时奖励奖金为10元
2019-04-01 23:14:33
- BATIGOL
模型得分为0.89,本次获得实时奖励奖金为10元
2019-04-01 20:50:36
2019-04-01
- 看你很6哦
模型得分为0.97,本次获得实时奖励奖金为10元
2019-04-01 02:18:15
2019-03-30
- 'code and paper'
模型得分为0.97,本次获得实时奖励奖金为10元
2019-03-30 19:32:31
- 八哥
模型得分为0.79,本次获得实时奖励奖金为10元
2019-03-30 18:14:04
2019-03-29
- 薇
模型得分为1.05,本次获得实时奖励奖金为10元
2019-03-29 22:18:29
- 沐阳听风
模型得分为1.25,本次获得实时奖励奖金为10元
2019-03-29 18:38:00
- 小北
模型得分为8.63,本次获得实时奖励奖金为10元
2019-03-29 17:17:58
- ()
模型得分为4.02,本次获得实时奖励奖金为10元
2019-03-29 15:35:59
2019-03-29
- Rank
模型得分为1.01,本次获得实时奖励奖金为10元
2019-03-29 09:37:17
- 在北等你
模型得分为0.95,本次获得实时奖励奖金为10元
2019-03-29 08:10:55
2019-03-28
- cclxx
模型得分为52.89,本次获得实时奖励奖金为10元
2019-03-28 21:19:37
- 天天向上
模型得分为0.92,本次获得实时奖励奖金为10元
2019-03-28 18:23:42
- 探索者1553567528
模型得分为1.7,本次获得实时奖励奖金为10元
2019-03-28 17:38:54
- Joker Song
模型得分为1.01,本次获得实时奖励奖金为10元
2019-03-28 15:54:21
- 玄学上分
模型得分为75.32,本次获得实时奖励奖金为10元
2019-03-28 13:52:33
2019-03-28
- willer
模型得分为2.58,本次获得实时奖励奖金为10元
2019-03-28 12:38:48
- 月之涯
模型得分为1.85,本次获得实时奖励奖金为10元
2019-03-28 09:03:58
2019-03-27
- Island
模型得分为1.17,本次获得实时奖励奖金为10元
2019-03-27 22:24:19
- 興趣使然的吃瓜少年
模型得分为58.51,本次获得实时奖励奖金为10元
2019-03-27 15:46:21
2019-03-27
- 萌萌
模型得分为0.91,本次获得实时奖励奖金为10元
2019-03-27 08:48:42
- 善假于物
模型得分为43.14,本次获得实时奖励奖金为10元
2019-03-27 03:03:42
- 析构
模型得分为0.92,本次获得实时奖励奖金为10元
2019-03-27 02:43:53
2019-03-26
- Hnecl
模型得分为6.33,本次获得实时奖励奖金为10元
2019-03-26 22:32:06
- Hlic
模型得分为68.87,本次获得实时奖励奖金为10元
2019-03-26 19:06:46
- mingda
模型得分为8.7,本次获得实时奖励奖金为10元
2019-03-26 15:23:43
2019-03-26
- JUSTDOIT
模型得分为1.25,本次获得实时奖励奖金为10元
2019-03-26 00:49:17
- 不形于色
模型得分为0.94,本次获得实时奖励奖金为10元
2019-03-25 21:47:41
2019-03-25
- deepGreeBear
模型得分为1,本次获得实时奖励奖金为10元
2019-03-25 02:09:07
2019-03-22
- 李小白
模型得分为20.75,本次获得实时奖励奖金为10元
2019-03-22 23:35:26
- Hallo
模型得分为1.29,本次获得实时奖励奖金为10元
2019-03-22 22:02:26
2019-03-21
- 風
模型得分为1.04,本次获得实时奖励奖金为10元
2019-03-21 11:50:39
2019-03-20
- Seeney
模型得分为1.07,本次获得实时奖励奖金为10元
2019-03-20 23:53:56
- cookie
模型得分为0.97,本次获得实时奖励奖金为10元
2019-03-20 16:18:30
2019-03-19
- CooKo1552966657
模型得分为2.98,本次获得实时奖励奖金为10元
2019-03-19 20:02:48
- L
模型得分为1.05,本次获得实时奖励奖金为10元
2019-03-19 19:47:11
- Value_H
模型得分为1.39,本次获得实时奖励奖金为10元
2019-03-19 17:21:56
- silen
模型得分为45.36,本次获得实时奖励奖金为10元
2019-03-19 16:24:37
2019-03-19
- CSRookie
模型得分为10.91,本次获得实时奖励奖金为10元
2019-03-19 01:30:20
2019-03-18
- Jackko
模型得分为13.5,本次获得实时奖励奖金为10元
2019-03-18 00:25:14
2019-03-17
- 你猜猜我是谁
模型得分为18.61,本次获得实时奖励奖金为10元
2019-03-17 15:15:50
- sytv587
模型得分为1.08,本次获得实时奖励奖金为10元
2019-03-17 13:25:53
- trick_or_treat
模型得分为77.68,本次获得实时奖励奖金为2441元
2019-03-17 09:16:54
2019-03-09
- 笑尘
模型得分为55.53,本次获得实时奖励奖金为170元
2019-03-09 22:26:37
- 梯度下降
模型得分为39.31,本次获得实时奖励奖金为11元
2019-03-09 17:24:34
2019-03-08
- S1NH.org
模型得分为25,本次获得实时奖励奖金为10元
2019-03-08 16:44:54
2019-03-01
- mac
模型得分为0.9,本次获得实时奖励奖金为10元
2019-03-01 13:35:35