- 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
这是一个更加符合真实世界的密集行人检测数据集，图像广泛选择自生活中的各种场景，共9000张标注图，用于训练和开发更加具有现实世界实用性的人物检测模型和算法。数据标签一共有五类，在评估时只考虑前三类，分别为行人，骑行的人和部分遮挡的人。其中训练集、验证集和测试集划分比例为6:2:2.
对应的标签数据说明：每行格式为 label, x_min, y_min, x_max, y_max.
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20%） |
所有人 |
根据基线得分与100分之间，分成5个奖金区间；不同得分区间获得相应的竞赛奖金。 |
| 突破奖（总奖金10%） |
所有人 |
更新排行榜最高分数，获得相应的竞赛奖金 |
| 排名奖（总奖金70%） |
月赛前5名 |
奖金发放最终以月为单位，前5名获奖占比以K系数表示，分别为：0.45，0.25，0.15，0.1，0.05 |
| 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 |
| img_path |
string |
不为空 |
图片的相对路径 |
| label_path |
string |
不为空 |
标签的相对路径 |
评审标准
算法输入输出格式
输入字段：
img_path,
输出字段：
label_path,
评审指标说明
- mAP: mean Average Precision, 即各类别AP的平均值
- AP: Precision-Recall曲线下的面积
- 其中在计算AP时，IOU阈值设置为0.5
- 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4，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52.20。
batch数据为5，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50.67。
batch数据为4，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50.47。
4
batch数据为4，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50.14。
5
batch数据为8，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49.78。
6
batch数据为4，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48.90。
7
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44.91。
8
batch数据为50，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44.91。
9
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44.91。
10
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44.91。
11
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44.91。
12
batch数据为4，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44.91。
13
batch数据为16，循环次数为4次，通过在线上环境完成训练，模型最优精度评分为44.91。
14
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44.91。
15
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44.91。
16
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44.91。
17
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44.91。
18
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44.91。
19
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44.91。
20
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44.91。
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44.91。
22
batch数据为500，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44.91。
23
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44.91。
24
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44.91。
25
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44.91。
26
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44.91。
27
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44.91。
28
batch数据为8，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为44.91。
29
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44.91。
30
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44.91。
31
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44.91。
32
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44.91。
33
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44.91。
34
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44.91。
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44.91。
36
batch数据为32，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44.91。
37
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44.91。
38
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44.91。
39
batch数据为5，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44.91。
40
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44.91。
41
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44.91。
42
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44.91。
43
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44.91。
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44.91。
45
batch数据为2，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44.91。
46
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44.91。
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44.91。
48
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44.91。
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44.91。
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44.91。
51
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44.91。
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44.91。
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44.91。
54
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44.91。
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44.91。
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44.91。
57
batch数据为2，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为44.91。
58
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44.91。
59
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44.91。
60
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44.91。
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44.91。
62
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44.91。
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44.91。
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44.91。
65
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44.91。
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44.91。
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44.91。
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44.91。
69
batch数据为6，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为44.91。
70
batch数据为24，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44.91。
71
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44.91。
72
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44.91。
73
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44.91。
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44.91。
75
batch数据为4，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44.91。
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44.91。
77
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44.91。
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44.91。
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44.91。
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44.91。
81
batch数据为4，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44.91。
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44.91。
83
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44.91。
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44.91。
85
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44.91。
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44.91。
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44.91。
88
batch数据为1，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44.91。
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44.91。
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44.91。
91
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44.91。
92
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42.24。
93
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40.08。
94
batch数据为5，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39.39。
95
batch数据为8，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34.06。
96
batch数据为6，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30.11。
97
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27.16。
98
batch数据为1，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23.71。
99
batch数据为8，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18.38。
100
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0.41。
101
batch数据为1，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为0.34。
102
batch数据为16，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0.08。
103
batch数据为16，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为0.00。
