Cinic-10图像分类

分享给好友

2019-09-18 15:00:00
开始提交

2019-10-18 15:00:00
最终提交结束

自由训练

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
  • 自由练习榜单
  • 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

CINIC-10由CIFAR和ImageNet的图像组成。来自这些的图像不一定是相同的分布,呈现出新的挑战。CINIC-10 中共有 270,000 张图像,将这些图像平均分割为三个子集:训练集、验证集和测试集。

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

Cinic-10_V1

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 string 不为空 图片路径
name string 不为空 图像类别
labels int 大于等于 0, 小于等于 9 分类标签

参考文献:

[1]CINIC-10 Is Not ImageNet or CIFAR-10

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:

$vue{item.rank_name}

超过 85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:horson

大神经验
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94.82。

2019-10-05 00:39:58

1742.00

大神经验
第三名

提供者:Wghost

大神经验
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93.76。

2019-10-11 23:46:34

893.75

大神经验
第三名

提供者:一口大怪兽

大神经验
batch数据为64,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93.73。

2019-10-12 12:44:25

554.38

大神经验
4

提供者:龙龙

暂未公开
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93.33。

torch

CNN

2019-10-11 05:23:30

482.00

暂未公开
5

提供者:invisprints

暂未公开
batch数据为128,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93.20。

2019-10-02 15:27:45

187.69

暂未公开
6

提供者:我是小倩倪啊

暂未公开
batch数据为500,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92.69。

2019-10-16 02:40:38

12.34

暂未公开
7

提供者:马上就有人鱼线的骨折君

暂未公开
batch数据为64,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91.94。

2019-09-30 00:58:21

37.50

暂未公开
8

提供者:CongBig

暂未公开
batch数据为500,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91.63。

2019-10-19 04:47:13

1.17

暂未公开
9

提供者:钟方方

暂未公开
batch数据为128,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90.87。

2019-10-09 23:21:56

10.00

暂未公开
10

提供者:风1567927103

暂未公开
batch数据为16,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90.32。

2019-10-01 07:28:52

124.00

暂未公开
11

提供者:流年相摧

暂未公开
batch数据为32,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90.10。

2019-10-21 01:49:49

10.00

暂未公开
12

提供者:Monica

暂未公开
batch数据为128,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89.37。

2019-10-07 10:06:05

10.00

暂未公开
13

提供者:bit_byte

暂未公开
batch数据为32,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87.37。

2019-10-01 15:48:46

1.25

暂未公开
14

提供者:fitz

暂未公开
batch数据为128,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86.84。

2019-10-01 01:26:32

2.50

暂未公开
15

提供者:chenfengshf

暂未公开
batch数据为128,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85.86。

2019-09-25 09:53:34

5.00

暂未公开
16

提供者:宇宙

暂未公开
batch数据为256,循环次数为54次,通过在线上环境完成训练,模型最优精度评分为85.01。

2019-09-22 14:03:28

146.00

暂未公开
17

提供者:true up

暂未公开
batch数据为100,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82.30。

2019-10-11 10:31:27

暂未公开
18

提供者:Victor Hong

暂未公开
batch数据为128,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82.01。

MXNet

ResNet56_v2

2019-09-25 07:20:15

暂未公开
19

提供者:Sunny^_^Today

暂未公开
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79.01。

2019-09-24 16:12:34

暂未公开
20

提供者:搬砖的长工

暂未公开
batch数据为128,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77.89。

2019-10-16 21:22:19

暂未公开
21

提供者:sigmoid

暂未公开
batch数据为256,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77.06。

PyTorch

vgg16

2019-10-16 15:09:06

暂未公开
22

提供者:比如说

暂未公开
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75.11。

2019-10-16 01:36:48

暂未公开
23

提供者:overture

暂未公开
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74.36。

2019-09-21 15:38:28

暂未公开
24

提供者:PH

暂未公开
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65.08。

2019-10-19 08:36:59

暂未公开
25

提供者:zozo

暂未公开
batch数据为512,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61.66。

2019-11-15 07:24:53

暂未公开
26

提供者:Mengcius

暂未公开
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41.78。

2019-09-30 16:19:06

暂未公开
27

提供者:cneday

暂未公开
batch数据为200,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39.99。

2019-09-21 22:49:11

暂未公开
28

提供者:cyf

暂未公开
batch数据为30,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32.92。

2019-10-16 15:01:18

暂未公开
29

提供者:泽然

暂未公开
batch数据为128,循环次数为24次,通过在线上环境完成训练,模型最优精度评分为13.28。

2019-09-21 19:31:04

暂未公开
30

提供者:resistence

暂未公开
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10.04。

2019-10-08 01:02:56

暂未公开
第一名
AHU张雨 2020-06-29 20:14:51
2020-06-29 20:14:51
93.16
第二名
希楠 2020-05-02 18:43:44
2020-05-02 18:43:44
60.6
第三名
变向怪杰 2020-02-27 16:52:50
2020-02-27 16:52:50
36.93
4
ITBill 2020-03-19 11:16:54
2020-03-19 11:16:54
36.93
5
Champon 2020-03-24 15:18:44
2020-03-24 15:18:44
36.93
6
nice1576844076 2020-03-29 09:21:01
2020-03-29 09:21:01
36.93
7
沧海一粟1581748903 2020-03-31 21:00:22
2020-03-31 21:00:22
36.93
8
默语清风 2020-04-13 17:19:53
2020-04-13 17:19:53
36.93
9
conan1412 2020-04-16 21:04:57
2020-04-16 21:04:57
36.93
10
Feng1583890403 2020-04-24 22:27:02
2020-04-24 22:27:02
36.93
11
bingxl 2020-04-28 18:00:24
2020-04-28 18:00:24
36.93
12
鑫1589968284 2020-05-27 16:17:37
2020-05-27 16:17:37
36.93
13
韩天啸 2020-06-11 22:11:58
2020-06-11 22:11:58
36.93
14
flyai会员1594015984 2020-07-06 14:19:40
2020-07-06 14:19:40
36.93
15
flyai会员1601788996 2020-10-05 09:50:57
2020-10-05 09:50:57
36.93
16
是阿正 2020-12-14 09:42:22
2020-12-14 09:42:22
36.93
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