CIFAR100种图片分类练习赛

分享给好友

2019-01-01 15:00:00
开始提交

2019-01-31 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 1,500
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

此数据集与CIFAR-10类似,不同之处在于它有100个类型,每类包含600个图像。每个类有500个训练图像和100个测试图像。CIFAR-100中的100个小类分为20个大类,每张图片包含其所属的小类和大类标签。

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)
FlyAI挑战奖 所有挑战者 奖金获取标准:60<Score<=100 按照得分比例获取奖金池金额
新框架奖励 所有人 项目中首次使用排行榜中未出现的新框架搭建模型,可获得60FAI币额外积分奖励

赛事主题和数据说明

赛题描述

通过迭代自己的算法模型并提交训练,获取奖金池高额奖金。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

CIFAR100

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 图片的相对路径
label float 大于等于 0, 小于等于 99 图片的标注标签
name int 不为空 图片上对应的类别

参考文献:

[1]Learning Multiple Layers of Features from Tiny Images, Alex Krizhevsky, 2009.

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: label,

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:

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 60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

131.00

batch数据为64,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99.02。

2019-04-10 10:26:43

131.00

99.02

第三名

提供者:Teenage Dream

39.00

batch数据为64,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95.47。

2019-04-08 00:19:44

39.00

95.47

第三名

提供者:AHU张雨

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86.85。

2020-07-03 18:29:51

86.85

4

提供者:你猜猜我是谁

325.00

batch数据为100,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83.12。

2019-03-20 12:49:41

325.00

83.12

5

提供者:玄学上分

10.00

batch数据为64,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82.09。

2019-03-31 00:03:17

10.00

82.09

6

提供者:ON-looker

batch数据为200,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78.52。

2019-10-28 01:55:28

78.52

7

提供者:Victor Hong

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77.58。

MXNet

AlexNet

2019-09-22 05:11:04

77.58

8

提供者:trickornot

batch数据为256,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75.78。

2019-04-04 01:48:03

75.78

9

提供者:善假于物

batch数据为512,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73.32。

2019-04-03 13:49:14

73.32

10

提供者:五叶草

batch数据为36000,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69.07。

2019-04-09 05:35:53

69.07

11

提供者:火炎焱燚

10.00

batch数据为256,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63.38。

2019-04-14 19:56:02

10.00

63.38

12

提供者:gboy

batch数据为1024,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60.80。

2019-06-19 21:09:12

60.80

13

提供者:cnn

batch数据为100,循环次数为320次,通过在线上环境完成训练,模型最优精度评分为59.02。

2019-06-19 19:00:54

59.02

14

提供者:加勒比

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56.53。

2019-05-18 11:41:52

56.53

15

提供者:纶巾

batch数据为256,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52.23。

2019-06-07 22:07:04

52.23

16

提供者:cclxx

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50.86。

2019-04-08 00:05:52

50.86

17

提供者:kongd

10.00

batch数据为1024,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50.32。

2019-04-05 05:37:52

10.00

50.32

18

提供者:看你很6哦

10.00

batch数据为128,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49.86。

2019-04-02 18:02:34

10.00

49.86

19

提供者:人间正道是沧桑

batch数据为256,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49.40。

2019-06-07 22:59:15

49.40

20

提供者:就是很任性

10.00

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49.12。

2019-03-24 13:39:32

10.00

49.12

21

提供者:zhiduanqingchang

10.00

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47.73。

2019-04-03 23:20:29

10.00

47.73

22

提供者:大木淡漠

batch数据为128,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43.89。

2019-04-04 09:53:16

43.89

23

提供者:Hw丶

10.00

batch数据为256,循环次数为1500次,通过在线上环境完成训练,模型最优精度评分为43.40。

2019-04-03 13:18:55

10.00

43.40

24

提供者:cookie

10.00

batch数据为256,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41.90。

2019-03-20 16:01:32

10.00

41.90

25

提供者:杰

10.00

batch数据为256,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40.01。

2019-03-30 20:46:49

10.00

40.01

26

提供者:风雨兼程

10.00

batch数据为512,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39.07。

2019-03-17 22:34:24

10.00

39.07

27

提供者:李小白

10.00

batch数据为128,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38.19。

2019-03-24 12:56:57

10.00

38.19

28

提供者:Rank

10.00

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37.91。

2019-03-29 10:28:30

10.00

37.91

29

提供者:CodeBear

batch数据为64,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37.44。

2020-06-06 22:07:28

37.44

30

提供者:政1562827733

batch数据为128,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35.61。

2019-07-12 14:08:01

35.61

31

提供者:fan wu

batch数据为128,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35.16。

2019-04-03 08:07:33

35.16

32

提供者:uuuuu

batch数据为256,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34.23。

2019-04-03 21:06:48

34.23

33

提供者:风林火山

batch数据为512,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34.14。

2019-04-07 17:17:25

34.14

34

提供者:顺子

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33.78。

2019-11-30 09:21:23

33.78

35

提供者:Winteriscoming

batch数据为256,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32.43。

PyTorch

Resnet101

2019-04-09 06:20:53

32.43

36

提供者:Swaggy

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30.31。

2019-12-21 21:33:24

30.31

37

提供者:lyming

10.00

batch数据为256,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29.73。

2019-03-21 08:07:12

10.00

29.73

38

提供者:本凡

batch数据为256,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29.46。

2020-06-11 14:32:27

29.46

39

提供者:Xin Yao

batch数据为64,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27.82。

2019-07-04 15:50:17

27.82

40

提供者:lightning-zgc

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26.11。

2019-04-02 14:25:38

26.11

41

提供者:bestfitting

batch数据为256,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26.02。

PyTorch

Resnet101

2019-04-09 11:31:18

26.02

42

提供者:小北

10.00

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24.03。

2019-03-29 18:32:00

10.00

24.03

43

提供者:Hnecl

10.00

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20.97。

2019-03-27 22:01:19

10.00

20.97

44

提供者:cactus_6

10.00

batch数据为32,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20.93。

2019-04-01 23:46:25

10.00

20.93

45

提供者:wrzhenian

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20.07。

2019-07-14 00:23:49

20.07

46

提供者:Zongshen

batch数据为128,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17.75。

PyTorch

DPN92

2019-04-03 09:05:07

17.75

47

提供者:ziz

10.00

batch数据为256,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16.25。

2019-03-26 17:13:45

10.00

16.25

48

提供者:WayPlus

batch数据为128,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14.52。

2019-04-03 22:05:15

14.52

49

提供者:NOBUG_W

batch数据为128,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13.82。

2019-11-22 22:32:24

13.82

50

提供者:Jeremy

batch数据为128,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13.32。

2019-09-16 20:04:21

13.32

51

提供者:lemonade

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12.54。

2019-04-08 11:38:22

12.54

52

提供者:codePlay

10.00

batch数据为128,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10.26。

2019-04-01 00:47:06

10.00

10.26

53

提供者:Chk

batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为8.62。

2019-12-23 14:15:35

8.62

54

提供者:Rechardgu

batch数据为128,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8.47。

2019-06-04 21:52:42

8.47

55

提供者:普六茹那罗延

batch数据为32,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7.69。

2019-05-02 18:26:38

7.69

56

提供者:decoo

batch数据为512,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7.16。

2019-04-04 01:59:38

7.16

57

提供者:探索者1553567528

10.00

batch数据为32,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6.59。

2019-03-31 18:33:15

10.00

6.59

58

提供者:Again

batch数据为128,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5.65。

2019-06-08 14:05:25

5.65

59

提供者:哇咔咔

10.00

batch数据为128,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5.04。

2019-03-31 01:05:57

10.00

5.04

60

提供者:Carol

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4.67。

2019-05-12 22:45:35

4.67

61

提供者:第五轻柔

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4.29。

2019-07-17 22:24:41

4.29

62

提供者:小瓶盖子

10.00

batch数据为64,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3.66。

2019-04-01 21:47:56

10.00

3.66

63

提供者:Nauxnewnah

batch数据为100,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3.60。

2019-04-03 19:59:45

3.60

64

提供者:CooKo1552966657

10.00

batch数据为128,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2.57。

2019-03-22 19:28:36

10.00

2.57

65

提供者:NaCl

batch数据为500,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2.34。

2019-06-07 18:33:53

2.34

66

提供者:sdamu

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2.01。

2019-04-04 11:00:33

2.01

67

提供者:沉迷于深度学习不见消瘦无法自拔

10.00

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1.96。

2019-03-29 22:08:36

10.00

1.96

68

提供者:第七秒的鱼

batch数据为256,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1.77。

2020-06-13 22:31:08

1.77

69

提供者:(ಡωಡ)

batch数据为256,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1.47。

2019-08-16 05:53:30

1.47

70

提供者:Value_H

10.00

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1.32。

2019-03-23 01:36:47

10.00

1.32

71

提供者:Inés莹

batch数据为64,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1.32。

2020-02-28 02:29:40

1.32

72

提供者:十九公

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1.17。

2019-07-09 07:46:39

1.17

73

提供者:赦聚

batch数据为256,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1.11。

2020-03-08 15:52:11

1.11

74

提供者:嗨你的益达

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1.04。

2019-04-18 18:19:49

1.04

75

提供者:k一起旅行

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1.03。

2019-04-02 14:30:30

1.03

76

提供者:Hallo

10.00

batch数据为128,循环次数为3333次,通过在线上环境完成训练,模型最优精度评分为1.01。

2019-03-23 00:24:38

10.00

1.01

77

提供者:ChangeBio

batch数据为64,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1.01。

2019-04-29 20:01:01

1.01

78

提供者:LALALALALALA

10.00

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0.96。

2019-03-29 21:31:45

10.00

0.96

79

提供者:CHANGE

batch数据为64,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0.87。

2019-04-04 21:33:28

0.87

80

提供者:'code and paper'

10.00

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0.84。

2019-04-01 23:16:56

10.00

0.84

81

提供者:汐炎

batch数据为64,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0.83。

2019-04-28 16:20:48

0.83

82

提供者:零露

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0.81。

2019-04-05 04:23:54

0.81

2019-04-09
唱跳RAP打篮球

模型得分为99.64,本次获得实时奖励奖金为5

2019-04-09 08:51:48

2019-04-08
Teenage Dream

模型得分为95.47,本次获得实时奖励奖金为39

2019-04-08 00:19:44

2019-04-01
cactus_6

模型得分为20.93,本次获得实时奖励奖金为10

2019-04-01 23:46:25

kongd

模型得分为12.95,本次获得实时奖励奖金为10

2019-04-01 23:27:15

'code and paper'

模型得分为0.84,本次获得实时奖励奖金为10

2019-04-01 23:16:56

小瓶盖子

模型得分为2.15,本次获得实时奖励奖金为10

2019-04-01 20:27:08

2019-04-01
看你很6哦

模型得分为2.28,本次获得实时奖励奖金为10

2019-04-01 11:45:31

2019-04-01
zhiduanqingchang

模型得分为26.59,本次获得实时奖励奖金为10

2019-04-01 02:59:41

codePlay

模型得分为10.26,本次获得实时奖励奖金为10

2019-04-01 00:47:06

2019-03-31
哇咔咔

模型得分为5.04,本次获得实时奖励奖金为10

2019-03-31 01:05:57

无名小辈

模型得分为48.23,本次获得实时奖励奖金为10

2019-03-31 00:12:58

模型得分为40.01,本次获得实时奖励奖金为10

2019-03-30 20:46:49

2019-03-29
沉迷于深度学习不见消瘦无法自拔

模型得分为0.96,本次获得实时奖励奖金为10

2019-03-29 21:50:08

LALALALALALA

模型得分为0.96,本次获得实时奖励奖金为10

2019-03-29 21:31:45

火炎焱燚

模型得分为0.96,本次获得实时奖励奖金为10

2019-03-29 16:58:06

2019-03-29
小北

模型得分为15.68,本次获得实时奖励奖金为10

2019-03-29 11:57:33

2019-03-29
Hw丶

模型得分为5.27,本次获得实时奖励奖金为10

2019-03-29 02:51:42

2019-03-28
探索者1553567528

模型得分为5.08,本次获得实时奖励奖金为10

2019-03-28 17:30:20

Rank

模型得分为37.57,本次获得实时奖励奖金为10

2019-03-28 14:17:40

2019-03-27
玄学上分

模型得分为76.17,本次获得实时奖励奖金为10

2019-03-27 21:21:12

Hnecl

模型得分为14.94,本次获得实时奖励奖金为10

2019-03-27 17:12:58

2019-03-26
ziz

模型得分为1.19,本次获得实时奖励奖金为10

2019-03-26 09:31:50

2019-03-23
Value_H

模型得分为1.32,本次获得实时奖励奖金为10

2019-03-23 01:36:47

Hallo

模型得分为1.01,本次获得实时奖励奖金为10

2019-03-23 00:24:38

李小白

模型得分为32.55,本次获得实时奖励奖金为10

2019-03-22 20:07:48

CooKo1552966657

模型得分为2.57,本次获得实时奖励奖金为10

2019-03-22 19:28:36

2019-03-21
就是很任性

模型得分为4.42,本次获得实时奖励奖金为10

2019-03-21 18:03:32

2019-03-21
trick_or_treat

模型得分为71.12,本次获得实时奖励奖金为131

2019-03-21 09:47:52

lyming

模型得分为5.97,本次获得实时奖励奖金为10

2019-03-21 07:37:34

2019-03-20
cookie

模型得分为38.05,本次获得实时奖励奖金为10

2019-03-20 13:01:39

你猜猜我是谁

模型得分为83.12,本次获得实时奖励奖金为325

2019-03-20 12:49:41

2019-03-17
风雨兼程

模型得分为38.12,本次获得实时奖励奖金为10

2019-03-17 22:05:43

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