- 赛事介绍
- 竞赛排行榜
- 讨论($vue{comment_count})
- 学习资源
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
报名时间
2019-09-20 12:00:00 - 2023-06-10 12:00:00
参赛时间：2019.09.20 12:00:00-2022.10.10 12:00:00
参赛方式
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) |
| 第一阶段突破奖 |
1人 |
第一个突破到95-96分数的选手，可获1000元奖金 |
| 第二阶段突破奖 |
1人 |
第一个突破到97-98分数的选手，可获3500元奖金 |
| 第三阶段突破奖 |
1人 |
第一个突破到99-100分数的选手，可获5500元奖金 |
| 鼓励奖 |
不限 |
10000元奖金(详见奖励获取要求) |
奖励获取要求:
- 鼓励奖：从2022年6月16日开始计算，当您的提交结果大于80分时，即可获得鼓励奖！快快行动起来吧！
- 突破奖：长期有效，当前比赛已解锁，根据突破分数排行可获得对应奖金！
- 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 |
string |
图片的相对路径 |
image/0.jpg |
| label |
int |
物体类别 |
range:[0,255] |
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 60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96.84。
batch数据为32，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95.18。
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94.53。
4
batch数据为64，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94.12。
5
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92.18。
6
batch数据为32，循环次数为8000次，通过在线上环境完成训练，模型最优精度评分为90.75。
7
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89.12。
8
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88.94。
9
batch数据为96，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87.54。
10
batch数据为32，循环次数为8000次，通过在线上环境完成训练，模型最优精度评分为86.82。
11
batch数据为32，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86.80。
12
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86.79。
13
batch数据为128，循环次数为2222次，通过在线上环境完成训练，模型最优精度评分为86.53。
14
batch数据为32，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86.17。
15
batch数据为64，循环次数为4000次，通过在线上环境完成训练，模型最优精度评分为85.75。
16
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85.68。
17
batch数据为64，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85.44。
18
batch数据为64，循环次数为800次，通过在线上环境完成训练，模型最优精度评分为85.43。
19
batch数据为64，循环次数为4000次，通过在线上环境完成训练，模型最优精度评分为85.43。
20
batch数据为64，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84.91。
21
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84.75。
22
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84.72。
23
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84.70。
24
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84.52。
25
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84.42。
26
batch数据为256，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84.32。
27
batch数据为500，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84.13。
28
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83.98。
29
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83.87。
30
batch数据为500，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83.75。
31
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83.55。
32
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83.51。
33
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83.46。
34
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83.19。
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83.19。
36
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83.19。
37
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83.19。
38
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83.19。
39
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83.19。
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83.19。
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83.19。
42
batch数据为64，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83.19。
43
batch数据为48，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83.19。
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83.19。
45
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83.19。
46
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83.19。
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83.19。
48
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83.19。
49
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83.19。
50
batch数据为64，循环次数为400次，通过在线上环境完成训练，模型最优精度评分为83.19。
51
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83.19。
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83.19。
53
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83.19。
54
batch数据为64，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83.19。
55
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83.19。
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83.19。
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83.19。
58
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83.19。
59
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83.19。
60
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83.19。
61
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83.19。
62
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83.19。
63
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83.19。
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83.19。
65
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83.19。
66
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83.19。
67
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83.19。
68
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83.19。
69
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83.19。
70
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83.19。
71
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83.19。
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83.19。
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83.19。
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83.19。
75
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83.19。
76
batch数据为128，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83.19。
77
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83.19。
78
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83.19。
79
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83.19。
80
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83.19。
81
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83.19。
82
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83.19。
83
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83.19。
84
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83.19。
85
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83.19。
86
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83.19。
87
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83.19。
88
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83.19。
89
batch数据为82，循环次数为66次，通过在线上环境完成训练，模型最优精度评分为83.19。
90
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83.19。
91
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83.19。
92
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83.19。
93
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83.19。
94
batch数据为128，循环次数为350次，通过在线上环境完成训练，模型最优精度评分为83.11。
95
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83.08。
96
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83.03。
97
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82.94。
98
batch数据为64，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82.86。
99
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82.72。
100
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82.44。
101
batch数据为62，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82.14。
102
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82.10。
103
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81.85。
104
batch数据为128，循环次数为600次，通过在线上环境完成训练，模型最优精度评分为81.51。
105
batch数据为256，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81.30。
106
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80.05。
107
batch数据为512，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79.97。
108
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79.89。
109
batch数据为64，循环次数为400次，通过在线上环境完成训练，模型最优精度评分为79.38。
110
batch数据为64，循环次数为512次，通过在线上环境完成训练，模型最优精度评分为79.31。
111
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78.81。
112
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78.46。
113
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78.17。
114
batch数据为64，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78.07。
115
batch数据为48，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77.50。
116
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77.18。
117
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77.12。
118
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76.88。
119
batch数据为64，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75.50。
120
batch数据为64，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75.47。
121
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74.58。
122
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74.21。
123
batch数据为32，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71.69。
124
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69.21。
125
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67.86。
126
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66.44。
127
batch数据为32，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65.28。
128
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64.83。
129
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64.54。
130
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57.52。
131
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55.93。
132
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48.62。
133
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47.46。
134
batch数据为32，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45.87。
135
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43.49。
136
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43.33。
137
batch数据为32，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40.85。
138
batch数据为32，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38.03。
139
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33.01。
140
batch数据为32，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29.72。
141
batch数据为32，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14.07。
142
batch数据为64，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12.32。
143
batch数据为32，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9.79。
144
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8.28。
145
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7.09。
146
batch数据为64，循环次数为9000次，通过在线上环境完成训练，模型最优精度评分为7.05。
147
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6.41。
148
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5.37。
149
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4.68。
150
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4.67。
151
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4.60。
152
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4.10。
153
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3.81。
154
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2.87。
155
batch数据为4，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2.54。
156
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2.17。
157
batch数据为32，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1.86。
158
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1.80。
159
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1.46。
160
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0.34。
161
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0.29。
