很高兴与大家分享下比赛的过程，很久没有参加FlyAI平台的比赛了，上次还是去年的瑜伽分类比赛，刚好五一和端午放假有点时间就参加比赛玩玩。这一年平台改了很多规则，比赛过程中才慢慢发现。下面说下这个比赛吧，这个比赛本身比较简单，图像10分类，参加比赛的人应该都做的很好了，大家基本上都95分以上，应该都使用了合适的算法了。我也没啥比较好的算法，就在baseline基础上，多提交几次，然后后面就靠一些运气和技巧上分了吧，下面是比赛的一些分析、过程和总结，大家简单看看就好。 赛题简介:        本赛题主要进行典型场景智能识别，场景类型包括海滩、圆形农田、云、荒漠、林地、山脉、矩形农田、建筑区、河流和雪山共10类，在国土资源、海洋及海岸带、内陆水体、生态环境、农业、林业等各个领域具有重要的应用潜力。要求参赛选手利用机器学习等智

1. 赛题分析本赛题主要进行典型场景智能识别，场景类型包括海滩、圆形农田、云、荒漠、林地、山脉、矩形农田、建筑区、河流和雪山共10类，在国土资源、海洋及海岸带、内陆水体、生态环境、农业、林业等各个领域具有重要的应用潜力。要求参赛选手利用机器学习等智能算法自动识别出所规定的测试集图像对应的场景类型。因此，本次比赛的数据集一共包括了10个类别，其中训练集有14400张图片，测试集有3600张图片。由于参赛数据集并不对外开放，仅提供调试数据，因此，我们需要利用好这些调试数据。本地调试数据分布如图表所示，共计2880张，各类别数据量接近，因此无需考虑类别不平衡问题。此外，样例图像的尺寸大小为128×128.2. 基本解题思路首先,尝试多种不同的模型,我使用torchvision内置的模型结构进行模型选择,其中包括各种resnet,resnext模型,vgg16,vgg19模型,inception模

赛题背景:      本次赛题背景是瑜伽的动作类别太多，很难记住每个体式的名字，通过图像分类模型帮助我们识别各种瑜伽体式类别。    赛题分析：      数据集包含瑜伽体式共6大类、82小类（实际:线下49类，线上50类）  评价指标：准确率赛题难点： 1、类别较多，分布不平衡 2、背景干扰项较多，人物在图片中的比例范围比较大 3、存在错误的图片数据 4、存在一些抽象的线条等较难识别的样本解题过程：  思路一：多个Loss的分类网络 （没时间尝试，代码修改起来比较麻烦） 思路二：姿势识别+分类网络  （效率较低，姿势识别准确度不够，后续分类很难进行） 思路三：单个Loss的分类网络 （容易实现，直接用蘑菇分类的代码修改即

1.问题分析和总结   本次竞赛使用的数据集由北欧真菌学家协会（Mycologist‘sSociety of Northern Europe）提供的9 种常见北欧蘑菇属的图像组成。 总结：   1.1.图像9分类。   1.2.和imagenet相似度较低   1.3.评测指标为准确率   ## 数据集查看  可以查看本地目录中的数据集图片， 筛选出明显不符合对应类别的图片， 比如说有几张全黑的图，我们可以直接剔除此种明显是噪声的图片，当然这只是初步的观察。还有一些格式错误的图片，可以使用pil的内置功能忽略掉：  from PIL import Image,Im

一、赛题分析 本次竞赛使用的数据集由北欧真菌学家协会（Mycologist‘s Society of Northern Europe）提供的 9 种常见北欧蘑菇属的图像组成，从给的样例图片来看，图片比较清淅，尺寸很大，可以留给网络发挥的空间。       主要难点：       1、数据不平衡性。       2、图片大小不一。       3、蘑菇的形态各样。  二、网络介绍 对于该题，尝试过常规的几种网络，比如resnext、seresnext、resnest、efficientnet等系列，在当下网络中，最热的不过是注意力机制，每种网络的注意力机制又有各自的区别，经过测试，se

赛题背景:          本次赛题背景是日常生活中蘑菇类别较多，而其中包含了很多有毒蘑菇，人很难辨别，容易引起误食，该比赛想通过深度学习的方法帮助人们识别出毒蘑菇。本次竞赛使用的数据集由北欧真菌学家协会提供的9 种常见北欧蘑菇属的图像组成。  赛题分析：      这个题目就是一个图像分类问题，给定了6045张图片作为训练集，675张图片作为测试集，对于线下的10%数据。 实验过程：       1、5折交叉划分训练集和验证集，遍历每一个类别，训练与验证数据比例大致相同        2、试验了各种分类模型       3、预测的

比赛结束，第四名，97.6的准确率。虽然是个简单的图像分类比赛，但是想拿高分也是不容易的。下面分三个部分讲述下解决这个蘑菇分类问题的心路历程。1 问题分析与探索型数据分析        一是分析题目和测试数据集可知，这个问题是个多类别标签图像分类问题，第一直觉就是使用卷积神经网络CNN来解决这个问题；二是从测试数据集分析可知，标签总共有9类，这9类分别是什么，不知道哈；三是分析测试数据集，这些采集的照片都是通过拍照得到的，切照片的中心一般就是我们的蘑菇了；四是分析图像可知，蘑菇从外观、大小上看区别不打，主要从形状和颜色上进行区分，因此在数据扩增的时候要注意颜色抖动的设置；五是纠结于使用CNN还是现在比较火的vision transformer，考虑到平台要用认证过的模型，因此决定使用CNN；六是数据扩增的选择问题，考虑到类别不均衡问题，我这里用Yol

入门深度学习至今已经一年了，趁着这个暑假参加了FlyAI举办的蘑菇分类竞赛，并侥幸取得了第5名，因此本文算是第一次正式参加机器学习类竞赛的浅薄经验分享帖，不足之处，欢迎指正。 赛题介绍 这里就不复制官方大段的赛事介绍了，只讲一下重点部分：给定一批图片，其中共有9种不同品种的蘑菇，希望你用机器学习的方法训练一个分类器，使得该分类器能够将不同种类的蘑菇区分开来。 评估指标是准确率(Accuracy)，它定义为测试集中所有预测正确的样本数与实际总样本数之比。图片被划分为训练集和测试集两部分。和Kaggle等竞赛不同，这里我们是看不到测试数据的，并且只能看到训练集的很小部分数据。官方提供训练平台，并有免费算力发放，因此不需要担心显卡的问题。baseline搭建 官方已经定义好了数据的读取代码，并给出了基于PyTorch的baseline，所以并不需要我们从头

一、赛题分析该赛题需要对水表数字图片进行识别，得到水表的用水量读数，从题目上看，属于光学字符识别范畴，较为流行的做法是CNN+RNN，之前社区“手写字符识别赛”有的小伙伴用的就是这种方法，还有一种不流行的做法就是字符分类解法。通过观察本题图片，图片上只有5个数字，数字之间距离固定，可以很好的进行分割，且图片数量比较少，因此，我觉得该题用分类解法可能效果会好一点。       通过对图片进一步观察，发现存在以下难点：       1. 有的图片较为糊糊。       2. 有的数字残缺。       3. 数据不平衡

1、赛题分析   本次赛题的主题是识别水表上的数字编号。每一幅图片上有5个数字，需要全部识别正确。 本数据集分布情况：训练集4000张图片，测试集1000张图片。本数据集中，水表数字编号共有20类。   赛题的难点主要在于： （1）整体类别分布不平衡  （2）图片质量不高，数据存在较大噪声 （3）过渡类别与前后类别差别较小容易混淆 （4）训练集存在不少脏数据   2、解题思路    解题比较直接：考虑到5个数字在图片中的相对位置比较固定，因此将图片分割成5等份，分别预测其中的数字。   数据预处理: 无，这一步应该比较重要的，没时间处理了。数据增强：  开始尝试了随机切割，但是实际效果并不好，