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

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

  • 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。

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:DM_NUDT_2019_庞巧遇

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83.66。

2019-12-02 21:46:05

83.66

25

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

26

提供者:顺子

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83.16。

2019-11-27 02:07:43

83.16

27

提供者:defense

batch数据为512,循环次数为5000次,损失函数优化完,最终完成评分为83.14。

2019-12-10 23:16:33

83.14

28

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

29

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

30

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

31

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

32

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

33

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

34

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

35

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

36

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

37

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

38

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

39

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

40

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

41

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

42

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

43

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

44

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

45

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

46

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

47

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

48

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

49

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

50

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

51

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

52

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

53

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

54

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

55

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

56

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

57

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

58

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

59

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

60

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

61

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

62

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

63

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

64

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

65

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

66

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

67

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

68

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

69

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

70

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

71

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

72

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

73

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

74

提供者:Zoeywhyutry

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8.45。

2019-12-10 18:39:51

8.45

75

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

76

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

77

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

78

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

79

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

80

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

81

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

82

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

83

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

84

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

85

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

86

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

87

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

88

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

89

提供者:Nannn

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0.32。

2019-11-04 20:54:27

0.32

90

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.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

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

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

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

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.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 notebook 操作界面

运行 run main.py 命令即可在本地训练调试代码

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

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 FlyAI-Jupyter 代码调试环境

在终端执行命令 ./flyai ide 打开调试环境 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

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

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

更多参赛帮助请查看文档中心

$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
参赛提示


申请参赛资格请扫描上方二维码联系FlyAI客服

当前赛题您未在 24小时内 报名参加
参赛资格已失效,如有疑问请联系FlyAI客服

当前赛题您未在 48小时内 提交有效成绩
参赛资格已失效,如有疑问请联系FlyAI客服

参加其他比赛
提交结果文件
提示:每次提交需消耗 100 FAI

仅支持上传 CSV 格式的文件

$vue{csvName}上传成功
取消 确认提交

评估成绩得分

$vue{csv_data.score}
$vue{csv_data.lable}
关闭结果