哥伦比亚大学公众人物五官定位

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 ¥ 2,737
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

哥伦比亚大学公众人物数据集是一个包含大量人脸标签的数据集,包含超过20万张名人照片,每张照片包含40个属性标签。此数据集中的图片包含多种人体姿势与背景干扰。 该数据集具有丰富的多样性,大量的样本以及多种标注,包括: 10177名个体,202599张面部图片,以及每张图片中5个位置标注和40种二元属性标注(如是否戴帽子等),该数据集可以用来做人脸五官定位

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
  • 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!

数据来源

CelebaLandmarks

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 file_path 不为空 图片的相对路径
lefteye_x int 不为空 左眼睛x坐标
lefteye_y int 不为空 左眼睛y坐标
righteye_x int 不为空 右眼睛x坐标
righteye_y int 不为空 右眼睛y坐标
nose_x int 不为空 鼻子x坐标
nose_y int 不为空 鼻子y坐标
leftmouth_x int 不为空 嘴唇左边x坐标
leftmouth_y int 不为空 嘴唇左边y坐标
rightmouth_x int 不为空 嘴唇右边x坐标
rightmouth_y int 不为空 嘴唇右边y坐标

参考文献:

[1]

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: lefteye_x, lefteye_y, righteye_x, righteye_y, nose_x, nose_y, leftmouth_x, leftmouth_y, rightmouth_x, rightmouth_y,

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:
  • 评审计算公式

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 80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:trick_or_treat

1582.00

batch数据为64,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85.00。

2019-05-05 16:12:22

1582.00

85.00

第三名

提供者:看你很6哦

420.00

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84.46。

2019-05-09 12:44:36

420.00

84.46

第三名

提供者:大木淡漠

3.75

batch数据为96,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82.76。

2019-05-30 19:30:16

3.75

82.76

4

提供者:ChangeBio

257.50

batch数据为32,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82.54。

PyTorch

VGG19

2019-05-09 21:03:11

257.50

82.54

5

提供者:天涯·明月·刀

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78.04。

2019-07-17 05:34:20

78.04

6

提供者:无......有

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77.32。

2019-05-30 00:02:21

77.32

7

提供者:lyming

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76.47。

PyTorch

VGG16

2019-05-06 21:53:29

76.47

8

提供者:汐炎

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74.85。

2019-05-12 16:32:21

74.85

9

提供者:trickornot

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74.10。

2019-05-31 00:03:38

74.10

10

提供者:斩于刃

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69.98。

2019-06-03 04:12:58

69.98

11

提供者:于颖奇

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69.52。

2019-05-31 21:39:30

69.52

12

提供者:mukali

batch数据为100,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69.10。

2019-06-02 23:49:43

69.10

13

提供者:Lalala

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68.90。

2019-05-31 14:38:06

68.90

14

提供者:gboy

batch数据为256,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68.42。

2019-05-24 19:00:38

68.42

15

提供者:gezp

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66.56。

2019-05-08 07:49:21

66.56

16

提供者:元气少女

batch数据为32,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65.93。

2019-06-03 15:58:38

65.93

17

提供者:天天向上

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65.83。

PyTorch

VGG16

2019-05-13 09:10:16

65.83

18

提供者:smooklazz

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65.15。

2019-05-05 18:27:46

65.15

19

提供者:nice

batch数据为128,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64.78。

2019-08-04 04:13:35

64.78

20

提供者:长弓PAN

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64.64。

2019-05-07 00:51:52

64.64

21

提供者:火炎焱燚

batch数据为256,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64.64。

2019-05-09 06:02:36

64.64

22

提供者:Xin Yao

batch数据为64,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64.29。

PyTorch

VGG16

2019-07-11 12:28:22

64.29

23

提供者:sw2009

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63.70。

2019-05-12 16:58:29

63.70

24

提供者:Mario

batch数据为64,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31.85。

2019-05-11 22:59:59

31.85

25

提供者:喵喵

batch数据为1,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28.12。

PyTorch

VGG16

2019-05-05 11:38:56

28.12

26

提供者:cnn

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26.45。

2019-10-09 15:19:07

26.45

27

提供者:曲华

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26.45。

2019-11-19 15:15:30

26.45

28

提供者:会员1577332883

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26.45。

2019-12-26 12:44:44

26.45

29

提供者:luckynote

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26.45。

2020-03-25 10:36:03

26.45

30

提供者:来打我呀

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26.45。

2020-07-21 14:36:36

26.45

31

提供者:Feng1583890403

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26.45。

2020-07-23 10:58:38

26.45

32

提供者:whykifan

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24.42。

2019-05-05 21:10:46

24.42

33

提供者:优雅一只猫

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24.42。

2019-05-06 20:06:04

24.42

34

提供者:Olivia

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24.42。

2019-05-09 20:31:13

24.42

35

提供者:就是很任性

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24.42。

2019-05-17 06:09:39

24.42

36

提供者:五月^V^

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24.42。

2019-12-24 19:56:42

24.42

37

提供者:tik_boa

batch数据为32,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23.40。

2019-05-02 21:32:39

23.40

38

提供者:zhiduanqingchang

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19.74。

2019-05-02 04:29:32

19.74

39

提供者:丶人狠话不多

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0.66。

2019-05-01 16:15:16

0.66

40

提供者:兔子是菜鸟

batch数据为1,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0.23。

2019-05-02 00:42:06

0.23

2019-05-30
trick_or_treat

模型得分为85,本次获得排名奖奖金为625

2019-05-30 15:00:02

看你很6哦

模型得分为84.46,本次获得排名奖奖金为375

2019-05-30 15:00:02

ChangeBio

模型得分为82.54,本次获得排名奖奖金为250

2019-05-30 15:00:02

大木淡漠

模型得分为81.98,本次获得实时奖励奖金为3.75

2019-05-30 10:53:12

2019-05-13
ChangeBio

模型得分为82.54,本次获得实时奖励奖金为7.5

2019-05-13 10:56:32

看你很6哦

模型得分为84.46,本次获得实时奖励奖金为30

2019-05-13 10:44:08

2019-05-09
看你很6哦

模型得分为80.91,本次获得实时奖励奖金为15

2019-05-09 11:16:59

2019-05-07
trick_or_treat

模型得分为85,本次获得排名奖奖金为625

2019-05-07 15:00:01

trick_or_treat

模型得分为85,本次获得实时奖励奖金为332

2019-05-07 12:49:51

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