农作物病虫害检测

分享给好友

2019-05-16 15:00:00
开始提交

2019-06-15 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 15
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

下载当前代码

您可使用自己熟悉的编辑器实现算法并通过命令行
提交任务到FlyAI云端训练。确认下载体验吗?

$vue{upDataType ? '上传样例压缩包' : '上传代码压缩包' }

请将代码文件压缩为zip格式,文件大小不超过10M 提示:请确认删除"data"⽂件夹后进行上传操作

将文件拖拽至此处或点击此处选择文件

$vue{complete < 99 ? '上传中' : '上传完成'} $vue{complete}

$vue{fileName}
线上GPU运行环境:
FlyAl推荐如下配置,如有问题可手动添加或修改!

GPU环境

深度学习框架

其它依赖

提交
提交

提交确认

设置好参数后点击“确定“发布GPU训练任务

EPOCHS

BATCH SIZE

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
  • 赛事介绍
  • 竞赛排行榜
  • 奖金记录
  • 讨论($vue{comment_count})
  • 学习资源

$vue{item.rank_name}

大赛简介

病虫害的诊断对于农业生产来说至关重要。本次农作物病虫害识别比赛邀请参赛者设计算法与模型,对图像中的农作物叶子进行病虫害识别。

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

  • 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)
参与奖(总奖金30%) 所有人 不同得分区间获得相应的竞赛奖金
突破奖(总奖金20%) 所有人 更新排行榜得分,获取相应竞赛奖金
排名奖(总奖金50%) 第一周/月前3名(冠、亚、季军) 项目上线第一周、第一个月; Time_P(周) = 0.5,Time_P(月) = 0.5;K1=0.5,K2=0.3,K3=0.2;
不同框架奖励 所有人 获得60FAI币用于GPU训练资源消耗

赛事主题和数据说明

赛题描述

通过实现算法并提交训练,获取奖金池奖金。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
image_path file_path 不为空 图片的相对路径
name int 不为空 图片的名称
labels int 大于等于 0, 小于等于 14 图片的标注标签

参考文献:

[1]

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: labels,

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。
超过 80分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

快来追我呀

253.00

batch数据为120,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99.90。

2019-06-14 10:01:56

253.00

99.90

第三名

交差墒

467.75

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99.81。

2019-05-17 10:59:17

467.75

99.81

第三名

来追我咿呀哟

251.50

batch数据为32,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99.81。

2019-05-21 06:46:17

251.50

99.81

4

加勒比

146.88

batch数据为32,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99.73。

2019-05-26 04:57:45

146.88

99.73

5

Micoon

2.34

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99.59。

2019-05-17 10:25:29

2.34

99.59

6

jianbin.xu

157.00

batch数据为128,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99.56。

2019-05-20 22:30:57

157.00

99.56

7

stawary

9.38

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99.42。

2019-05-25 02:23:28

9.38

99.42

8

xeoner

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99.35。

2019-05-17 20:58:14

99.35

9

fsencen

batch数据为64,循环次数为70次,通过在线上环境完成训练,模型最优精度评分为99.35。

2019-05-18 02:00:57

99.35

10

gboy

batch数据为32,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99.30。

2019-05-18 03:42:25

99.30

11

大博

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98.74。

2019-06-18 03:13:37

98.74

12

前排板凳瓜子

37.50

batch数据为128,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98.06。

2019-05-17 02:37:44

37.50

98.06

13

就是很任性

488.00

batch数据为16,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97.92。

2019-05-16 22:35:08

488.00

97.92

14

ChangeBio

27.19

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97.09。

2019-05-17 10:14:44

27.19

97.09

15

weiliming

4.69

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96.95。

2019-06-25 19:47:35

4.69

96.95

16

Jason4521

18.75

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93.82。

2019-05-17 02:02:22

18.75

93.82

17

pprp

2.34

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93.53。

2019-07-07 14:19:50

2.34

93.53

18

Bluove

11.25

batch数据为64,循环次数为6000次,通过在线上环境完成训练,模型最优精度评分为91.84。

2019-05-17 07:43:12

11.25

91.84

19

nihaoshitx

batch数据为50,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90.79。

2022-03-09 21:14:06

90.79

20

chyang

17.63

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89.68。

2019-05-17 20:17:01

17.63

89.68

21

hiccup

45.00

batch数据为16,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89.15。

2019-05-17 06:50:38

45.00

89.15

22

binghang

2.81

batch数据为32,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为88.71。

2019-05-24 10:43:03

2.81

88.71

23

空格键

1.41

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88.47。

2019-06-11 21:14:43

1.41

88.47

24

machinelearning小学生

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87.96。

2019-06-26 15:38:20

87.96

25

Olivia

3.00

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86.89。

2019-05-17 21:19:30

3.00

86.89

26

skyofunknow

batch数据为512,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86.89。

2019-06-09 12:04:29

86.89

27

优雅一只猫

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86.26。

2019-05-18 18:50:51

86.26

28

Joshua

6.00

batch数据为4500,循环次数为128次,通过在线上环境完成训练,模型最优精度评分为86.09。

2019-05-18 00:07:12

6.00

86.09

29

deepdeep

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85.61。

2019-08-27 12:17:13

85.61

30

神莱

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85.39。

2019-07-16 19:55:58

85.39

31

begins

24.00

batch数据为128,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85.03。

2019-05-16 23:37:39

24.00

85.03

32

INSH

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84.76。

2019-07-07 05:15:57

84.76

33

markov_future

3.00

batch数据为512,循环次数为1200次,通过在线上环境完成训练,模型最优精度评分为84.62。

2019-05-22 17:46:59

3.00

84.62

34

寞朝

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84.59。

2019-05-22 17:06:02

84.59

35

有分儿就行

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84.52。

2019-05-20 00:18:23

84.52

36

Student_HXJ

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84.13。

2019-05-25 21:38:24

84.13

37

colorLess

batch数据为128,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84.04。

2019-12-15 20:51:51

84.04

38

君成

1.50

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83.31。

2019-05-24 20:40:02

1.50

83.31

39

kongd

6.00

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82.58。

2019-05-17 09:43:23

6.00

82.58

40

Yvette

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81.54。

2020-02-14 18:00:18

81.54

41

heihei

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74.83。

2019-05-28 22:55:19

74.83

42

clare

batch数据为16,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48.74。

2019-05-16 22:44:55

48.74

43

心若为城

batch数据为64,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为44.84。

2020-04-30 20:23:40

44.84

44

Nightingale

batch数据为32,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40.14。

2019-05-23 22:16:16

40.14

45

第五轻柔

batch数据为128,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35.97。

2019-07-22 21:17:35

35.97

46

Dannnn

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15.96。

2019-07-13 17:54:17

15.96

47

无念

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15.87。

2019-06-19 03:04:57

15.87

48

blight19

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15.87。

2019-08-08 10:51:24

15.87

49

zero

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15.87。

2019-08-23 14:26:35

15.87

50

Mr01101001

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15.87。

2019-08-30 11:01:47

15.87

51

Details

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15.87。

2019-10-08 11:12:46

15.87

52

谢朝锋

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15.87。

2019-10-11 22:16:55

15.87

53

陳泽桐.

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15.87。

2019-10-21 17:29:48

15.87

54

sombra

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15.87。

2019-10-23 19:29:39

15.87

55

ZhiZ

batch数据为128,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15.87。

2019-11-18 10:31:52

15.87

56

Mical_liu

通过在线上环境完成训练,模型最优精度评分为15.87。

2019-11-21 11:10:47

15.87

57

蚂蚁战

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15.87。

2019-11-22 11:10:14

15.87

58

ViviTsai

batch数据为120,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15.87。

2019-12-21 15:07:45

15.87

59

。1577103723

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15.87。

2019-12-25 22:56:33

15.87

60

岁月长

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15.87。

2020-01-13 14:33:47

15.87

61

王者勇胜

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15.87。

2020-03-08 23:57:08

15.87

62

Elon Musk

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15.87。

2020-06-22 21:33:34

15.87

63

flyai会员1588307882

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15.87。

2020-06-28 08:43:36

15.87

64

从前慢

batch数据为3000,循环次数为120次,通过在线上环境完成训练,模型最优精度评分为15.87。

2020-07-11 16:12:00

15.87

65

慎言

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15.87。

2020-08-06 12:03:58

15.87

66

天灏

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15.87。

2020-11-17 09:11:36

15.87

67

flyai会员1618370490

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15.87。

2021-04-14 11:25:59

15.87

68

华水视觉萌新

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15.87。

2021-08-11 10:47:50

15.87

69

flyai会员1634000634

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15.87。

2021-10-12 09:11:59

15.87

2019-07-08
pprp

模型得分为93.53,本次获得实时奖励奖金为2.34

2019-07-08 12:39:47

2019-06-20
weiliming

模型得分为95.57,本次获得实时奖励奖金为4.69

2019-06-20 18:12:36

2019-06-16
快来追我呀

模型得分为99.9,本次获得排名奖奖金为250

2019-06-16 15:00:01

来追我咿呀哟

模型得分为99.81,本次获得排名奖奖金为100

2019-06-16 15:00:01

交差墒

模型得分为99.81,本次获得排名奖奖金为150

2019-06-16 15:00:01

2019-06-14
快来追我呀

模型得分为99.9,本次获得实时奖励奖金为3

2019-06-14 14:11:31

2019-06-12
空格键

模型得分为88.47,本次获得实时奖励奖金为1.41

2019-06-12 10:24:50

2019-05-27
君成

模型得分为83.31,本次获得实时奖励奖金为1.5

2019-05-27 10:30:40

binghang

模型得分为88.71,本次获得实时奖励奖金为2.81

2019-05-27 10:28:38

2019-05-23
交差墒

模型得分为99.81,本次获得排名奖奖金为250

2019-05-23 15:00:01

来追我咿呀哟

模型得分为99.81,本次获得排名奖奖金为150

2019-05-23 15:00:01

加勒比

模型得分为99.61,本次获得排名奖奖金为100

2019-05-23 15:00:01

2019-05-22
markov_future

模型得分为82.58,本次获得实时奖励奖金为3

2019-05-22 13:45:11

2019-05-20
stawary

模型得分为95.08,本次获得实时奖励奖金为9.38

2019-05-20 11:26:06

来追我咿呀哟

模型得分为86.7,本次获得实时奖励奖金为1.5

2019-05-20 11:22:24

Olivia

模型得分为86.89,本次获得实时奖励奖金为3

2019-05-20 11:13:45

chyang

模型得分为89.68,本次获得实时奖励奖金为5.63

2019-05-20 11:13:26

2019-05-17
交差墒

模型得分为99.81,本次获得实时奖励奖金为6

2019-05-17 12:36:06

Micoon

模型得分为99.59,本次获得实时奖励奖金为2.34

2019-05-17 12:35:00

ChangeBio

模型得分为97.09,本次获得实时奖励奖金为4.69

2019-05-17 12:34:57

kongd

模型得分为80.64,本次获得实时奖励奖金为6

2019-05-17 12:28:34

Bluove

模型得分为91.84,本次获得实时奖励奖金为11.25

2019-05-17 12:28:17

ChangeBio

模型得分为91.86,本次获得实时奖励奖金为22.5

2019-05-17 12:28:14

Joshua

模型得分为85.39,本次获得实时奖励奖金为6

2019-05-17 12:28:05

加勒比

模型得分为98.72,本次获得实时奖励奖金为9.38

2019-05-17 12:28:01

hiccup

模型得分为89.15,本次获得实时奖励奖金为45

2019-05-17 12:27:52

交差墒

模型得分为99.61,本次获得实时奖励奖金为61.75

2019-05-17 12:27:41

前排板凳瓜子

模型得分为98.06,本次获得实时奖励奖金为37.5

2019-05-17 12:27:28

chyang

模型得分为85.25,本次获得实时奖励奖金为12

2019-05-17 12:27:20

Jason4521

模型得分为93.82,本次获得实时奖励奖金为18.75

2019-05-17 12:26:58

加勒比

模型得分为93.92,本次获得实时奖励奖金为37.5

2019-05-17 12:26:48

jianbin.xu

模型得分为98.16,本次获得实时奖励奖金为82

2019-05-17 12:26:14

begins

模型得分为85.03,本次获得实时奖励奖金为24

2019-05-17 12:26:11

jianbin.xu

模型得分为94.36,本次获得实时奖励奖金为75

2019-05-17 12:25:42

就是很任性

模型得分为97.92,本次获得实时奖励奖金为488

2019-05-17 12:25:30

讨论
500字
表情
发送
删除确认
是否删除该条评论?
取消 删除
$vue{item.user_name}

$vue{item.title} $vue{item.title}

$vue{items}
$vue{item.like_count}
$vue{item.comment_counts}
$vue{item.comment_counts}
阅读 $vue{item.views}

这里还没有内容哦

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...

  • 参赛流程
  • 常见问题

第一步:参赛选手从FlyAI官网选择比赛报名,需下载样例代码

下载的项目中不包含数据集,运行main.py会自动下载调试数据集

本地调试根据不同数据集会提供10%~100%数据,全量数据提交到GPU后会自动更新替换

下载样例代码,解压后在样例代码上编写自己的模型代码,压缩后再在上传代码位置进行上传,就可以查看自己得分。

第二步:本地代码调试

本地配置Python3.5以上的运行环境,并安装项目运行所需的Python依赖包 app.json是项目的配置文件

在main.py中编写神经网络,没有框架限制

在prediction.py测试模型是否评估成功

main.py中需在class Main(FlyAI) 类中实现自己的训练过程

第三步:提交到GPU训练,保存模型

本地调试完成之后,提交代码到GPU,在全量数据上训练模型,保存最优模型。

提交GPU的方式有:网站在线提交。

第四步:评估模型,获取奖金,实时提现

GPU训练完成后,会调用prediction.py中的predict方法进行评估,并给出最后得分

高分的参赛选手,可实时获取奖金,通过微信提现

Q:如何获得奖金?

A:超过项目设置的最低分,根据公式计算,就可以获得奖金。

Q:比赛使用什么框架?

A: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等。

Q:怎么参加比赛,需不需要提交csv文件?

A: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中的网络结构和数据处理,在prediction.py中进行加载模型及预测。将代码文件压缩为.zip格式,文件大小不超过10M,之后在网站进行在线提交就可以了。

Q:比赛排行榜分数怎么得到的?

A:参加项目竞赛必须实现 prediction.py 中的predict方法。调用模型得出评分。

Q:平台机器什么配置?

A:目前每个训练独占一块V100显卡,显存10G。

Q:本地数据集在哪?

A:可以本地使用ide运行 main.py 下载数据。

Q:FAI训练积分不够用怎么办?

A:目前GPU免费使用,可以进入到:我的积分,通过签到和分享等途径获得大量积分。

Q:离线训练代码不符合规范问题?

A:main.py中可以使用args.EPOCHS和args.BATCH。