$vue{csvName == '' ? '仅支持上传 CSV 格式的文件' : csvName+' 上传中...'}
$vue{csvName}上传成功
取消
确认提交
- 赛事介绍
- 竞赛排行榜
- 讨论($vue{comment_count})
- 学习资源
$vue{item.rank_name}
大赛简介
结核病（Tuberculosis，TB)是由结核分枝杆菌（Mycobacterium tuberculosis) 引起的一种慢性人畜共患病，它不受年龄、性别、种族、职业、地区的影响，人体许多器官、系统均可患结核病，其中以肺结核最为常见。结核病既是一个公共卫生问题，也是一个社会经济问题，对人类的公共健康构成很大威胁，因此对其快速诊断检测就至关重要。
染色处理可以使得结核杆菌在显微镜拍摄的医学图像中显现，医生则可以通过检测图像中的结核杆菌辅助诊断患者是否有结核病。
通过构建准确率的目标检测模型可实现由智能系统辅助医生进行检测工作，应用于目前的医疗检测产品中能够满足真实的结核病检测需求。
参赛须知
参赛时间：2020.09.20 12:00:00-2020.10.20 20:00:00
参赛方式
- 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。
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) |
|---|---|---|
| 冠军奖 | 1人 | 1500元奖金 + 1000分钟Tesla-GPU云端训练时长 |
| 亚军奖 | 1人 | 800元奖金 + 500分钟Tesla-GPU云端训练时长 |
| 季军奖 | 1人 | 400元奖金 + 500分钟Tesla-GPU云端训练时长 |
| 第四名 | 1人 | 200元奖金 |
| 第五名 | 1人 | 100元奖金 |
奖励获取要求:
- 上线时间：2020-07-17
- 组队时间：2020年09月20日12点至2020年10月05日12点
- 月排名奖结算时间：2020-10-20 20:00:00
- 奖金获取标准：45<Score 根据排名获得奖金
- 比赛结束两周时间内，前5名参赛者需提供文档格式赛题解决思路和15分钟以上的PPT答辩视频（FlyAI提供模版）；
- 温馨提示：未在有效时间内提供答辩经验的参赛者，视为放弃奖励资格哦！
赛事主题和数据说明
赛题描述
通过构建准确率的目标检测模型可实现由智能系统辅助医生进行检测工作，应用于目前的医疗检测产品中能够满足真实的结核病检测需求。
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 | 样例 |
|---|---|---|---|---|
| train.csv | image_path | str | 图片的相对路径 | image/0.jpg |
| xml_path | str | 标注文件的相对路径 | xml/0.xml |
评审标准
算法输入输出格式
系统评估时，要求参赛者必须在predict方法中接收到输入和评估返回的结果输出，格式如下所示。
输入字段：
{
"image_path": "image\/0.jpg"
}输出字段：
{
"image_name": "0.jpg",
"label_name": "TBbacillus",
"confidence": 0.0001,
"bbox": "[xmin,ymin,width,height]"
}温馨提示：评估输出格式要求请参考样例prediction.py文件中已实现的代码。
评审指标说明
- 采用COCO mAP[@0.5:0.05:0.95] 指标（mean Average Precision) 进行计算，即将10个不同IOU阈值下的mAP取平均值作为最终结果。其中每张图片最多取80个预测框。
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prediction.py中的load_model和predict方法。系统使用这些方法评估模型算出评分。
超过 45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49.84。
2020-10-20 17:51:36
49.84
大神经验
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44.83。
2020-10-19 23:19:54
44.83
batch数据为3，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44.38。
2020-08-23 21:52:17
44.38
4
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44.29。
2020-08-25 05:02:22
44.29
5
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44.17。
2020-10-19 06:34:38
44.17
6
batch数据为10，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43.78。
2020-08-29 23:23:55
43.78
7
batch数据为6，循环次数为11次，通过在线上环境完成训练，模型最优精度评分为42.90。
2020-08-18 21:08:10
42.90
8
batch数据为2，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42.76。
2020-07-31 22:38:27
42.76
9
batch数据为8，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42.45。
2020-08-04 19:52:23
42.45
10
batch数据为8，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为42.43。
2020-10-15 01:42:57
42.43
11
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42.32。
2020-08-08 02:15:40
42.32
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41.74。
2020-07-30 15:21:57
41.74
13
batch数据为16，循环次数为35次，通过在线上环境完成训练，模型最优精度评分为41.29。
2020-07-28 19:06:33
41.29
14
batch数据为16，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41.28。
2020-08-18 01:44:15
41.28
15
batch数据为2，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41.22。
2020-10-20 03:44:58
41.22
16
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41.17。
2020-07-20 18:12:00
41.17
17
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41.03。
2020-07-20 13:38:38
41.03
18
batch数据为8，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40.83。
2020-07-17 22:32:57
40.83
19
batch数据为5，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40.79。
2020-07-21 22:19:27
40.79
20
batch数据为16，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40.71。
2020-07-23 20:45:23
40.71
21
batch数据为10，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40.70。
2020-08-23 12:27:42
40.70
22
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40.67。
2020-08-18 21:53:24
40.67
23
batch数据为2，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40.50。
2020-08-08 21:41:33
40.50
24
batch数据为8，循环次数为12次，通过在线上环境完成训练，模型最优精度评分为40.23。
2020-08-07 16:07:29
40.23
25
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40.16。
2020-07-22 11:57:33
40.16
26
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39.37。
2020-10-18 12:17:29
39.37
27
batch数据为1，循环次数为9次，通过在线上环境完成训练，模型最优精度评分为39.31。
2020-07-24 18:00:18
39.31
28
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39.13。
2020-07-17 12:10:22
39.13
29
batch数据为20，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38.90。
2020-07-19 19:41:10
38.90
30
batch数据为8，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38.07。
2020-10-18 11:46:50
38.07
31
batch数据为6，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38.01。
2020-08-19 12:59:39
38.01
32
batch数据为16，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36.79。
2020-07-17 23:18:26
36.79
33
batch数据为4，循环次数为11次，通过在线上环境完成训练，模型最优精度评分为36.12。
2020-07-23 16:09:19
36.12
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36.00。
2020-07-17 19:27:57
36.00
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36.00。
2020-07-17 21:44:54
36.00
36
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36.00。
2020-07-17 21:53:50
36.00
37
batch数据为16，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36.00。
2020-07-18 14:38:48
36.00
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36.00。
2020-07-19 02:06:45
36.00
39
batch数据为64，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36.00。
2020-07-20 09:12:36
36.00
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36.00。
2020-07-20 10:07:12
36.00
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36.00。
2020-07-20 16:07:19
36.00
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36.00。
2020-07-20 17:31:15
36.00
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36.00。
2020-07-22 17:21:43
36.00
44
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36.00。
2020-07-23 20:41:20
36.00
45
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36.00。
2020-07-23 22:11:48
36.00
46
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36.00。
2020-07-24 16:56:28
36.00
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36.00。
2020-07-25 20:20:28
36.00
48
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36.00。
2020-07-25 22:30:07
36.00
49
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36.00。
2020-07-27 12:58:55
36.00
50
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36.00。
2020-07-31 21:07:06
36.00
51
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36.00。
2020-08-01 13:21:59
36.00
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36.00。
2020-08-01 15:16:47
36.00
53
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36.00。
2020-08-02 22:41:37
36.00
54
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36.00。
2020-08-03 10:24:40
36.00
55
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36.00。
2020-08-03 11:40:56
36.00
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36.00。
2020-08-03 21:02:28
36.00
57
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36.00。
2020-08-05 22:40:02
36.00
58
batch数据为16，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36.00。
2020-08-18 21:25:43
36.00
59
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36.00。
2020-08-18 22:24:05
36.00
60
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36.00。
2020-08-21 14:56:22
36.00
61
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36.00。
2020-08-21 23:16:44
36.00
62
batch数据为8，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36.00。
2020-08-25 09:45:35
36.00
63
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36.00。
2020-08-26 11:47:09
36.00
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36.00。
2020-09-21 15:41:43
36.00
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36.00。
2020-09-22 15:31:13
36.00
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36.00。
2020-09-29 09:55:30
36.00
67
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36.00。
2020-09-30 14:35:43
36.00
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36.00。
2020-10-05 16:31:04
36.00
69
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36.00。
2020-10-09 18:54:07
36.00
70
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36.00。
2020-10-10 21:32:24
36.00
71
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36.00。
2020-10-15 09:04:40
36.00
72
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36.00。
2020-10-16 14:43:11
36.00
73
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36.00。
2020-10-18 19:16:11
36.00
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36.00。
2020-10-21 14:43:53
36.00
75
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35.70。
2020-07-17 17:23:52
35.70
76
batch数据为12，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35.57。
2020-07-18 01:28:33
35.57
77
batch数据为8，循环次数为90次，通过在线上环境完成训练，模型最优精度评分为35.06。
2020-08-04 18:55:29
35.06
78
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8.33。
2020-10-19 12:13:01
8.33
79
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0.93。
2020-07-28 00:56:00
0.93
80
batch数据为8，循环次数为80次，通过在线上环境完成训练，模型最优精度评分为0.61。
2020-08-14 18:30:32
0.61
81
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0.12。
2020-10-19 14:41:07
0.12
讨论
500字
表情
删除确认
是否删除该条评论？
取消
删除
这里还没有内容哦