Caltech256 图像分类竞赛

分享给好友

剩余奖金 ¥ 2,000

报名参赛

体验云端免费GPU极速训练,还能赢奖⾦!

报名参赛

大赛简介

Caltech-256 物品分类数据集由Caltech-101数据集演变而来,该数据集选自Google Image数据集,并手工去除了不符合其类别的图片。在该数据集中共有30,607张图片,256个图片类别,每个类别包括超过80张图片。

参赛须知

参赛时间: 本次竞赛无时间限制,长期有效开放

如何参赛?

  • 方式一:在线提交体验结果。FlyAI已提供了赛题的样例代码,点击【查看样例】可以直接使用样例代码提交到免费GPU进行模型训练体验。
  • 方式二:本地调试模型并提交训练。请在"在线提交页"点击【下载代码】按钮将包含项目样例的资料包下载到本地,并使用本地终端命令提交作品。本地调试和提交指南请查看[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,团队中成绩最高费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

  • 最终比赛成绩以排行榜显示排名为准
  • 根据作品提交时间先后顺序进行人工审核,审核合格后提交至排行榜
  • 禁止使用外部链接下载代码替换本项目代码
  • 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

备注:

  • 通过更新排行榜获取奖金,与原排行榜冠军得分差值越大,所获奖金比例越高
  • 按照所有挑战者提交作品时间先后,后台审核作品并更新到排行榜中, 【Score】未达奖金获取标准可显示在排行榜中,但无法获取奖金
  • 奖金额度获取评判指标说明:【BOUNS】表示奖金池总额度;【Score】表示模型得分;【BU_N】表示第n位达到奖金获取标准并更新排行榜后所获得的奖金总额度
  • 提交离线训练,系统自动评判模型Score。奖金获取额度计算公式如下:

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

Caltech256

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:

字段名 字段类型 取值区间 字段描述
image_path string 不为空 图片的相对路径
label int 大于等于 0, 小于等于 255 物体类别

输入字段: image_path,

输出字段: label,

参考文献:

[1]CNS-TR-2007-001

评审标准

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、PaddlePaddle等。

Q:怎么参加比赛,需不需要提交csv文件?

  • FlyAI竞赛平台无需提交csv文件,在网页上点击报名,下载项目,使用你熟练的框架,修改main.py中的网络结构,和processor.py中的数据处理。请仔细阅读右侧提交指南,使用FlyAI命令参与比赛。

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。

展开

  • 竞赛排行榜
  • 奖金记录
第三名

提供者:我吃定了这第一

10.00

batch数据为64,循环次数为500次,损失函数优化完,最终完成评分为94.12。

PyTorch

DenseNet121

2019-04-02 16:03:00

10.00

94.12

第三名

提供者:丶人狠话不多

10.00

batch数据为128,循环次数为1000次,损失函数优化完,最终完成评分为92.18。

PyTorch

DenseNet121

2019-03-31 19:57:44

10.00

92.18

第三名

提供者:玄学上分

329.00

batch数据为64,循环次数为3000次,损失函数优化完,最终完成评分为89.12。

PyTorch

resnet152

2019-03-31 04:38:53

329.00

89.12

4

提供者:gboy

batch数据为96,循环次数为5000次,损失函数优化完,最终完成评分为87.54。

PyTorch

DenseNet121

2019-06-19 06:35:37

87.54

5

提供者:天天向上

10.00

batch数据为32,循环次数为8000次,损失函数优化完,最终完成评分为86.82。

PyTorch

DenseNet121

2019-04-09 21:48:18

10.00

86.82

6

提供者:善假于物

10.00

batch数据为32,循环次数为2000次,损失函数优化完,最终完成评分为86.8。

PyTorch

ResNet101

2019-03-31 08:54:41

10.00

86.80

7

提供者:Mengcius

batch数据为64,循环次数为5000次,损失函数优化完,最终完成评分为86.79。

2019-09-30 19:47:40

86.79

8

提供者:Hallo

10.00

batch数据为128,循环次数为2222次,损失函数优化完,最终完成评分为86.53。

PyTorch

DenseNet121

2019-03-30 02:35:53

10.00

86.53

9

提供者:Teenage Dream

batch数据为32,循环次数为3000次,损失函数优化完,最终完成评分为86.17。

PyTorch

DenseNet121

2019-04-04 00:29:43

86.17

10

提供者:zhr

batch数据为64,循环次数为4000次,损失函数优化完,最终完成评分为85.75。

PyTorch

DenseNet121

2019-06-18 14:43:53

85.75

11

提供者:你猜猜我是谁

166.00

batch数据为256,循环次数为1000次,损失函数优化完,最终完成评分为85.68。

PyTorch

DenseNet121

2019-03-17 16:44:17

166.00

85.68

12

提供者:trick_or_treat

1312.00

batch数据为64,循环次数为12次,损失函数优化完,最终完成评分为85.44。

PyTorch

ResNet101

2019-03-20 19:14:56

1312.00

85.44

13

提供者:.co

batch数据为64,循环次数为800次,损失函数优化完,最终完成评分为85.43。

PyTorch

DenseNet121

2019-04-04 17:12:40

85.43

14

提供者:malena

batch数据为64,循环次数为4000次,损失函数优化完,最终完成评分为85.43。

PyTorch

DenseNet121

2019-05-23 14:14:35

85.43

15

提供者:zhiduanqingchang

10.00

batch数据为64,循环次数为1500次,损失函数优化完,最终完成评分为84.91。

PyTorch

DenseNet121

2019-04-04 16:43:31

10.00

84.91

16

提供者:ShadowFiend

batch数据为256,循环次数为1000次,损失函数优化完,最终完成评分为84.75。

2019-04-02 17:36:57

84.75

17

提供者:kongd

10.00

batch数据为1024,循环次数为3000次,损失函数优化完,最终完成评分为84.72。

PyTorch

DenseNet121

2019-04-12 16:10:53

10.00

84.72

18

提供者:Winfield

batch数据为256,循环次数为3000次,损失函数优化完,最终完成评分为84.7。

PyTorch

DenseNet121

2019-04-03 04:11:29

84.70

19

提供者:codePlay

batch数据为128,循环次数为5000次,损失函数优化完,最终完成评分为84.52。

PyTorch

DenseNet121

2019-04-05 04:33:51

84.52

20

提供者:红色的小蓝帽

10.00

batch数据为64,循环次数为5000次,损失函数优化完,最终完成评分为84.42。

PyTorch

resnet152

2019-04-03 00:33:41

10.00

84.42

21

提供者:丨breeze丨

batch数据为256,循环次数为500次,损失函数优化完,最终完成评分为84.32。

PyTorch

DenseNet121

2019-08-01 21:34:30

84.32

22

提供者:fly

10.00

batch数据为128,循环次数为10000次,损失函数优化完,最终完成评分为83.87。

PyTorch

DenseNet121

2019-04-13 22:20:02

10.00

83.87

23

提供者:汤大力

batch数据为500,循环次数为1000次,损失函数优化完,最终完成评分为83.75。

PyTorch

DenseNet121

2019-06-18 13:40:00

83.75

24

提供者:wcy1122

batch数据为128,循环次数为3000次,损失函数优化完,最终完成评分为83.46。

PyTorch

DenseNet264

2019-06-19 02:22:10

83.46

25

提供者:调参侠

batch数据为128,循环次数为350次,损失函数优化完,最终完成评分为83.11。

PyTorch

DenseNet121

2019-04-06 02:19:56

83.11

26

提供者:风雨兼程

10.00

batch数据为128,循环次数为2000次,损失函数优化完,最终完成评分为83.08。

PyTorch

DenseNet121

2019-03-18 12:26:23

10.00

83.08

27

提供者:wrzhenian

batch数据为64,循环次数为3000次,损失函数优化完,最终完成评分为83.03。

2019-07-12 14:20:30

83.03

28

提供者:zeng-_-|

10.00

batch数据为64,循环次数为2000次,损失函数优化完,最终完成评分为82.94。

2019-03-30 15:13:46

10.00

82.94

29

提供者:飓风神龙

batch数据为64,循环次数为3000次,损失函数优化完,最终完成评分为82.87。

2019-10-20 01:54:05

82.87

30

提供者:RandomYC

10.00

batch数据为64,循环次数为1500次,损失函数优化完,最终完成评分为82.86。

PyTorch

DenseNet121

2019-04-02 20:03:59

10.00

82.86

31

提供者:围生

10.00

batch数据为64,循环次数为1次,损失函数优化完,最终完成评分为82.72。

PyTorch

DenseNet121

2019-03-28 08:35:23

10.00

82.72

32

提供者:ChangeBio

batch数据为62,循环次数为2000次,损失函数优化完,最终完成评分为82.14。

2019-04-28 17:08:32

82.14

33

提供者:SHine

batch数据为64,循环次数为3000次,损失函数优化完,最终完成评分为82.1。

PyTorch

resnet101

2019-04-21 12:30:06

82.10

34

提供者:'code and paper'

10.00

batch数据为32,循环次数为1000次,损失函数优化完,最终完成评分为81.85。

PyTorch

DenseNet121

2019-04-01 20:39:04

10.00

81.85

35

提供者:NaCl

batch数据为128,循环次数为600次,损失函数优化完,最终完成评分为81.51。

PyTorch

DenseNet121

2019-07-01 14:06:41

81.51

36

提供者:周阳

batch数据为64,循环次数为10000次,损失函数优化完,最终完成评分为80.05。

PyTorch

inceptionv4

2019-04-03 08:48:37

80.05

37

提供者:AiFool

batch数据为512,循环次数为300次,损失函数优化完,最终完成评分为79.97。

PyTorch

DenseNet121

2019-06-15 12:56:42

79.97

38

提供者:RuntimeError

batch数据为128,循环次数为500次,损失函数优化完,最终完成评分为79.89。

PyTorch

RESNET 18

2019-04-09 21:06:40

79.89

39

提供者:火炎焱燚

10.00

batch数据为64,循环次数为400次,损失函数优化完,最终完成评分为79.38。

PyTorch

ResNet152

2019-03-28 10:51:17

10.00

79.38

40

提供者:亚豪

batch数据为64,循环次数为512次,损失函数优化完,最终完成评分为79.31。

PyTorch

DenseNet121

2019-05-28 14:57:50

79.31

41

提供者:Winteriscoming

batch数据为64,循环次数为2000次,损失函数优化完,最终完成评分为78.81。

PyTorch

DenseNet121

2019-04-14 17:32:15

78.81

42

提供者:就是很任性

10.00

batch数据为128,循环次数为1000次,损失函数优化完,最终完成评分为78.46。

PyTorch

DenseNet121

2019-04-09 16:09:14

10.00

78.46

43

提供者:小~蜉蝣

10.00

batch数据为64,循环次数为1000次,损失函数优化完,最终完成评分为78.17。

PyTorch

DenseNet121

2019-04-02 21:13:51

10.00

78.17

44

提供者:cv1557321940

batch数据为64,循环次数为50次,损失函数优化完,最终完成评分为78.07。

PyTorch

DenseNet121

2019-07-31 22:47:08

78.07

45

提供者:★八百标兵奔北坡

batch数据为48,循环次数为200次,损失函数优化完,最终完成评分为77.5。

PyTorch

DenseNet121

2019-07-14 03:24:41

77.50

46

提供者:sunset

10.00

batch数据为64,循环次数为1000次,损失函数优化完,最终完成评分为77.18。

PyTorch

DenseNet121

2019-04-01 18:51:38

10.00

77.18

47

提供者:Micoon

batch数据为64,循环次数为20次,损失函数优化完,最终完成评分为77.12。

2019-06-06 10:41:39

77.12

48

提供者:我的爱在西元前1554081999

10.00

batch数据为128,循环次数为1000次,损失函数优化完,最终完成评分为76.88。

PyTorch

DenseNet121

2019-04-02 23:23:58

10.00

76.88

49

提供者:Value_H

10.00

batch数据为64,循环次数为500次,损失函数优化完,最终完成评分为75.5。

PyTorch

DenseNet121

2019-04-03 13:36:41

10.00

75.50

50

提供者:DLin

batch数据为64,循环次数为500次,损失函数优化完,最终完成评分为75.47。

PyTorch

DenseNet121

2019-04-03 22:43:14

75.47

51

提供者:*FacePalm*

batch数据为64,循环次数为200次,损失函数优化完,最终完成评分为74.58。

PyTorch

ResidualAttentionNetwork

2019-04-03 18:17:19

74.58

52

提供者:興趣使然的吃瓜少年

10.00

batch数据为256,循环次数为3000次,损失函数优化完,最终完成评分为74.21。

PyTorch

DenseNet121

2019-04-01 17:42:19

10.00

74.21

53

提供者:lyming

10.00

batch数据为32,循环次数为2000次,损失函数优化完,最终完成评分为71.69。

PyTorch

DenseNet121

2019-03-31 11:32:58

10.00

71.69

54

提供者:ON-looker

batch数据为8,循环次数为10次,损失函数优化完,最终完成评分为69.21。

PyTorch

DenseNet121

2019-10-12 17:53:48

69.21

55

提供者:cclxx

10.00

batch数据为64,循环次数为3000次,损失函数优化完,最终完成评分为67.86。

PyTorch

DenseNet121

2019-04-01 10:17:34

10.00

67.86

56

提供者:Hnecl

10.00

batch数据为64,循环次数为100次,损失函数优化完,最终完成评分为66.44。

PyTorch

DenseNet121

2019-03-27 14:49:15

10.00

66.44

57

提供者:洋洋

batch数据为64,循环次数为3000次,损失函数优化完,最终完成评分为64.83。

PyTorch

DenseNet201

2019-08-28 22:20:01

64.83

58

提供者:唱跳RAP打篮球

batch数据为64,循环次数为3000次,损失函数优化完,最终完成评分为64.54。

PyTorch

DenseNet121

2019-04-02 20:30:28

64.54

59

提供者:淡淡的忧伤ing

batch数据为64,循环次数为1000次,损失函数优化完,最终完成评分为57.52。

PyTorch

DenseNet121

2019-04-03 20:05:53

57.52

60

提供者:啸宇

batch数据为64,循环次数为1000次,损失函数优化完,最终完成评分为55.93。

PyTorch

DenseNet121

2019-04-05 22:40:13

55.93

61

提供者:pprp

batch数据为500,循环次数为32次,损失函数优化完,最终完成评分为48.62。

PyTorch

DenseNet121

2019-08-12 18:36:11

48.62

62

提供者:Yolo大大

batch数据为32,循环次数为1000次,损失函数优化完,最终完成评分为47.46。

PyTorch

DenseNet121

2019-05-29 14:48:30

47.46

63

提供者:懒散小青年

batch数据为32,循环次数为100次,损失函数优化完,最终完成评分为45.87。

PyTorch

DenseNet121

2019-04-03 18:28:49

45.87

64

提供者:poplar

10.00

batch数据为32,循环次数为100次,损失函数优化完,最终完成评分为40.85。

PyTorch

DenseNet121

2019-03-19 15:44:35

10.00

40.85

65

提供者:Daiccccc

10.00

batch数据为32,循环次数为1500次,损失函数优化完,最终完成评分为38.03。

PyTorch

DenseNet201

2019-03-30 21:54:17

10.00

38.03

66

提供者:无......有

batch数据为64,循环次数为1000次,损失函数优化完,最终完成评分为33.01。

2019-04-11 06:04:30

33.01

67

提供者:lightning-zgc

batch数据为32,循环次数为10000次,损失函数优化完,最终完成评分为29.72。

2019-04-02 19:15:10

29.72

68

提供者:CHANGE

batch数据为32,循环次数为100次,损失函数优化完,最终完成评分为14.07。

PyTorch

DenseNet121

2019-04-05 16:34:50

14.07

69

提供者:哇咔咔

batch数据为64,循环次数为500次,损失函数优化完,最终完成评分为12.32。

PyTorch

DenseNet121

2019-04-04 13:32:42

12.32

70

提供者:孙文亮

10.00

batch数据为32,循环次数为100次,损失函数优化完,最终完成评分为9.79。

PyTorch

DenseNet121

2019-03-26 10:25:04

10.00

9.79

71

提供者:gezp

batch数据为32,循环次数为500次,损失函数优化完,最终完成评分为8.28。

PyTorch

ResNet50

2019-04-04 10:04:16

8.28

72

提供者:sytv587

10.00

batch数据为128,循环次数为50次,损失函数优化完,最终完成评分为7.09。

PyTorch

DenseNet121

2019-03-31 22:44:11

10.00

7.09

73

提供者:Seeney

10.00

batch数据为64,循环次数为9000次,损失函数优化完,最终完成评分为7.05。

PyTorch

DenseNet121

2019-03-28 02:23:57

10.00

7.05

74

提供者:KG

10.00

batch数据为64,循环次数为10000次,损失函数优化完,最终完成评分为5.37。

PyTorch

DenseNet121

2019-03-31 18:16:38

10.00

5.37

75

提供者:圣上

10.00

batch数据为64,循环次数为1000次,损失函数优化完,最终完成评分为4.68。

PyTorch

DenseNet121

2019-04-02 00:56:28

10.00

4.68

76

提供者:peterzhang

10.00

batch数据为32,循环次数为1000次,损失函数优化完,最终完成评分为4.67。

PyTorch

DenseNet121

2019-03-30 22:58:17

10.00

4.67

77

提供者:我是灞波儿奔

10.00

batch数据为32,循环次数为10次,损失函数优化完,最终完成评分为4.6。

PyTorch

DenseNet121

2019-03-29 22:01:43

10.00

4.60

78

提供者:y=f(x)

batch数据为32,循环次数为10次,损失函数优化完,最终完成评分为3.81。

PyTorch

DenseNet121

2019-04-06 12:42:03

3.81

79

提供者:在北等你

10.00

batch数据为4,循环次数为100次,损失函数优化完,最终完成评分为2.54。

PyTorch

DenseNet121

2019-03-29 08:01:04

10.00

2.54

80

提供者:小红帽

batch数据为32,循环次数为10次,损失函数优化完,最终完成评分为2.17。

PyTorch

DenseNet121

2019-04-04 17:08:00

2.17

81

提供者:jhp

batch数据为32,循环次数为100次,损失函数优化完,最终完成评分为1.86。

PyTorch

ResNet110

2019-05-01 12:01:06

1.86

82

提供者:DE Chen

10.00

batch数据为32,循环次数为10次,损失函数优化完,最终完成评分为1.8。

PyTorch

DenseNet121

2019-03-29 18:33:59

10.00

1.80

83

提供者:非我非非晓我

10.00

batch数据为32,循环次数为10次,损失函数优化完,最终完成评分为1.46。

PyTorch

DenseNet121

2019-03-31 14:06:31

10.00

1.46

84

提供者:reallocing

10.00

batch数据为64,循环次数为2000次,损失函数优化完,最终完成评分为0.34。

PyTorch

DenseNet121

2019-04-02 01:34:45

10.00

0.34

85

提供者:Xin Yao

batch数据为64,循环次数为2000次,损失函数优化完,最终完成评分为0.29。

PyTorch

resnext101

2019-07-09 11:50:30

0.29

2019-04-02
我的爱在西元前1554081999

模型得分为76.65,本次获得实时奖励奖金为10

2019-04-02 11:41:04

小~蜉蝣

模型得分为8.65,本次获得实时奖励奖金为10

2019-04-02 10:14:49

RandomYC

模型得分为8.55,本次获得实时奖励奖金为10

2019-04-02 08:55:50

2019-04-02
reallocing

模型得分为0.34,本次获得实时奖励奖金为10

2019-04-02 01:34:45

圣上

模型得分为4.68,本次获得实时奖励奖金为10

2019-04-02 00:56:28

'code and paper'

模型得分为79.82,本次获得实时奖励奖金为10

2019-04-01 19:15:44

sunset

模型得分为1.58,本次获得实时奖励奖金为10

2019-04-01 17:36:19

2019-04-01
Value_H

模型得分为27.22,本次获得实时奖励奖金为10

2019-04-01 15:29:12

2019-03-31
KG

模型得分为5.37,本次获得实时奖励奖金为10

2019-03-31 18:16:38

丶人狠话不多

模型得分为2.7,本次获得实时奖励奖金为10

2019-03-31 14:33:12

非我非非晓我

模型得分为1.46,本次获得实时奖励奖金为10

2019-03-31 14:06:31

lyming

模型得分为71.69,本次获得实时奖励奖金为10

2019-03-31 11:32:58

cclxx

模型得分为2.4,本次获得实时奖励奖金为10

2019-03-31 10:56:30

2019-03-31
zhiduanqingchang

模型得分为10.75,本次获得实时奖励奖金为10

2019-03-31 00:34:02

天天向上

模型得分为83.29,本次获得实时奖励奖金为10

2019-03-30 22:22:59

Daiccccc

模型得分为38.03,本次获得实时奖励奖金为10

2019-03-30 21:54:17

我吃定了这第一

模型得分为3.02,本次获得实时奖励奖金为10

2019-03-30 18:49:52

2019-03-30
就是很任性

模型得分为2.33,本次获得实时奖励奖金为10

2019-03-30 15:08:31

zeng-_-|

模型得分为80.78,本次获得实时奖励奖金为10

2019-03-30 13:52:23

2019-03-29
kongd

模型得分为79.35,本次获得实时奖励奖金为10

2019-03-29 23:47:56

我是灞波儿奔

模型得分为4.6,本次获得实时奖励奖金为10

2019-03-29 22:01:43

peterzhang

模型得分为3.84,本次获得实时奖励奖金为10

2019-03-29 21:24:35

DE Chen

模型得分为1.8,本次获得实时奖励奖金为10

2019-03-29 18:33:59

Hallo

模型得分为86.38,本次获得实时奖励奖金为10

2019-03-29 18:21:12

红色的小蓝帽

模型得分为79.6,本次获得实时奖励奖金为10

2019-03-29 16:54:17

2019-03-29
在北等你

模型得分为0.57,本次获得实时奖励奖金为10

2019-03-29 07:54:32

2019-03-28
興趣使然的吃瓜少年

模型得分为1.6,本次获得实时奖励奖金为10

2019-03-28 12:07:12

2019-03-27
Seeney

模型得分为4.33,本次获得实时奖励奖金为10

2019-03-27 23:58:35

玄学上分

模型得分为86.65,本次获得实时奖励奖金为319

2019-03-27 18:33:51

火炎焱燚

模型得分为3.07,本次获得实时奖励奖金为10

2019-03-27 16:24:56

2019-03-27
Hnecl

模型得分为66.44,本次获得实时奖励奖金为10

2019-03-27 14:49:15

2019-03-26
善假于物

模型得分为6.28,本次获得实时奖励奖金为10

2019-03-26 22:36:00

围生

模型得分为9.49,本次获得实时奖励奖金为10

2019-03-26 15:08:44

2019-03-26
孙文亮

模型得分为9.79,本次获得实时奖励奖金为10

2019-03-26 10:25:04

2019-03-26
玄学上分

模型得分为6.82,本次获得实时奖励奖金为10

2019-03-26 00:59:47

2019-03-22
sytv587

模型得分为4.05,本次获得实时奖励奖金为10

2019-03-22 05:47:46

2019-03-19
poplar

模型得分为40.85,本次获得实时奖励奖金为10

2019-03-19 15:44:35

2019-03-18
fly

模型得分为82.59,本次获得实时奖励奖金为10

2019-03-18 18:22:44

2019-03-18
风雨兼程

模型得分为79.7,本次获得实时奖励奖金为10

2019-03-18 10:13:06

你猜猜我是谁

模型得分为18.89,本次获得实时奖励奖金为10

2019-03-18 09:39:24

2019-03-17
你猜猜我是谁

模型得分为85.68,本次获得实时奖励奖金为156

2019-03-17 16:44:17

trick_or_treat

模型得分为85.19,本次获得实时奖励奖金为1302

2019-03-17 11:38:07

2019-03-16
trick_or_treat

模型得分为42.95,本次获得实时奖励奖金为10

2019-03-16 16:04:34

2019-03-15
影分身

模型得分为2.45,本次获得实时奖励奖金为10

2019-03-15 15:21:32

2019-02-21
FlyAI样例得分

模型得分为58.67,本次获得实时奖励奖金为10

2019-02-21 23:33:44

挑战者大赛 官方交流群

训练记录

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. 下载项目并解压
2.进入到项目目录下,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.本地开发调试

运行flyai.exe程序,点击"本地调试"按钮,输入循环次数和数据量,点击运行即可调用main.py

如果使用本地IDE开发,需要执行安装“flyai”依赖并导入项目,运行main.py

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"提交到GPU"按钮,输入循环次数和数据量,点击运行即可提交到GPU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

1. 下载项目并解压
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

首先进入到项目对应的磁盘中,然后执行

cd path\to\project

Windows用户使用 flyai.exe

4. 本地开发调试

执行下列命令本地安装环境并调试(第一次使用需要使用微信扫码登录)

flyai.exe test

执行test命令,会自动下载100条测试数据到项目下

安装项目所需依赖,并运行 main.py

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

项目中如有新的引用,需加入到 requirements.txt 文件中

在终端下执行

flyai.exe train

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

完整训练设置执行代码示例:

flyai.exe train -b=32 -e=100

通过执行训练命令,本次训练循环 100 次,每次训练读取的数据量为 32 。

1. 下载项目并解压
2. 使用终端进入到项目的根目录下

cd /path/to/project

Mac和Linux用户使用 ./flyai 脚本文件

3. 初始化环境并登录

授权flyai脚本

chmod +x ./flyai

4. 本地开发调试

执行下列命令本地安装环境并调试(第一次使用需要使用微信扫码登录)

./flyai test 注意:命令前面不要加sudo

执行test命令,会自动下载100条测试数据到项目下

安装项目所需依赖,并运行 main.py

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

项目中如有新的引用,需加入到 requirements.txt 文件中

在终端下执行

./flyai train 注意:命令前面不要加sudo

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

完整训练设置执行代码示例:

./flyai train -b=32 -e=100

通过执行训练命令,本次训练循环 100 次,每次训练读取的数据量为 32 。

$vue{ errorTip }

发送样例至我的邮箱

已发送

已发送成功

请查收FlyAI官方邮件查看详情 根据样例提高算法评分可以获得积分奖励 用来兑换GPU训练时长

确定

$vue{flag?'报名成功!':'参赛温馨提示'}

通过迭代赛题的样例代码提高模型准确率哦~
准确率越高,奖励越丰富!

查看样例代码

⼤神你好!当前能⼒值⽆法参加新⼿手赛

多给新手一些机会哦~

查看样例代码

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