人体骨骼动作识别

分享给好友

剩余奖金 ¥ 6,000

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

该项目基于NTU RGB+D 120数据集,提取数据集中对应的视频中人的骨骼关键位置点,用于动作识别,共120个动作,数据集以json文件给出,包括frame:帧数,60帧,joints_num:25,25个关节的位置坐标joint_0_x,joint_0_y

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,并使用本地开发环境进行代码调试。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
  • 通过系统漏洞取得的比赛成绩无效,FlyAI有权撤回参赛者成绩
  • 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20%) 所有人 根据基线得分与100分之间,分成5个奖金区间;不同得分区间获得相应的竞赛奖金。
突破奖(总奖金10%) 所有人 更新排行榜最高分数,获得相应的竞赛奖金
排名奖(总奖金70%) 月赛前5名 奖金发放最终以月为单位,前5名获奖占比以K系数表示,分别为:0.45,0.25,0.15,0.1,0.05
不同框架奖励 所有人 获得60FAI币用于GPU训练资源消耗

备注:

  • 上线时间:2019-08-23
  • 月排名奖结算时间:2019-09-23 15:00:00
  • 奖金获取标准:70<Score 按照得分比例获取奖金
  • 获得奖金分为3部分:参与奖、突破奖为审核完毕实时获取的奖金,排名奖需在规定时间结束后根据排名顺序获得
  • Bouns表示为:奖金池总金额;Score表示为:模型得分;
  • 同一用户在参与奖中模型得分区间相同无法再次获得奖励
  • 各项奖金获得计算公式参考如下:
  • 参与奖(Participation Award)
  • R表示:得分的区间系数;T表示为:相同得分区间得分人数;
  • 100-标准分:分为5个区间系数;R1(0.02),R2(0.08),R3(0.15),R4(0.25),R5(0.5)
  • 奖金计算公式1
  • 突破奖(Prizes)
  • N表示:第N次更新排行榜;Prizes_N-1表示:排行榜更新后已发放的突破奖金
  • 奖金计算公式2
  • 排名奖(Ranking Award)
  • K表示:排行榜前5名的奖金分配系数,分别为:0.45,0.25,0.15,0.1,0.05;
  • 奖金计算公式3

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!

数据来源

SkeletonV2

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 文件路径
name string 不为空 动作类别
labels int 大于等于 0, 小于等于 119 分类标签

输入字段: image_path,

输出字段: labels,

参考文献:

[1]NTU RGB+D 120: A Large-Scale Benchmark for 3D Human Activity Understanding

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:FastAI可解释性差

batch数据为1,循环次数为1次,损失函数优化完,最终完成评分为48.02。

2019-09-14 17:31:43

48.02

第三名

提供者:emmm我还没想好

batch数据为1,循环次数为1次,损失函数优化完,最终完成评分为46.44。

2019-09-20 07:24:24

46.44

第三名

提供者:凯隐

batch数据为97,循环次数为50次,损失函数优化完,最终完成评分为42.18。

2019-09-27 07:15:08

42.18

4

提供者:skr skr skr

batch数据为64,循环次数为30次,损失函数优化完,最终完成评分为39.68。

2019-10-11 18:12:18

39.68

5

提供者:小林子

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34.81。

2019-09-17 18:11:49

34.81

6

提供者:释然

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28.1。

2019-09-15 13:22:10

28.10

7

提供者:会飞的猪

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23.93。

2019-08-28 11:27:30

23.93

8

提供者:matthew

batch数据为64,循环次数为30次,损失函数优化完,最终完成评分为22.8。

2019-08-25 18:36:50

22.80

9

提供者:为之奈何

batch数据为64,循环次数为30次,损失函数优化完,最终完成评分为18.51。

2019-08-26 00:57:27

18.51

10

提供者:learnFromBest

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18.38。

2019-09-02 00:16:56

18.38

11

提供者:radio

batch数据为64,循环次数为30次,损失函数优化完,最终完成评分为17.01。

2019-11-12 15:22:44

17.01

12

提供者:Noah

batch数据为64,循环次数为32次,损失函数优化完,最终完成评分为15.51。

2019-08-28 12:58:20

15.51

13

提供者:宇宙

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13.13。

2019-09-23 06:03:12

13.13

14

提供者:motoleisure

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13.01。

2019-09-06 05:03:51

13.01

15

提供者:风1567927103

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12.09。

2019-09-25 14:11:43

12.09

16

提供者:AMERICA

batch数据为16,循环次数为50次,损失函数优化完,最终完成评分为11。

2019-08-26 03:40:15

11.00

17

提供者:Bibi.x

batch数据为64,循环次数为30次,损失函数优化完,最终完成评分为10.09。

2019-09-17 17:53:35

10.09

18

提供者:June_Z

batch数据为32,循环次数为20次,损失函数优化完,最终完成评分为8.5。

2019-09-09 07:27:17

8.50

19

提供者:北部湾的落日

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2.83。

2019-09-05 22:37:54

2.83

20

提供者:ChangeBio

batch数据为32,循环次数为50次,损失函数优化完,最终完成评分为1.96。

2019-09-03 06:42:34

1.96

21

提供者:PPdog

batch数据为32,循环次数为5次,损失函数优化完,最终完成评分为1.83。

2019-09-03 09:21:11

1.83

22

提供者:cnn

batch数据为64,循环次数为3次,损失函数优化完,最终完成评分为1.13。

2019-10-08 09:25:48

1.13

23

提供者:Xin Yao

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1.04。

2019-08-24 19:54:24

1.04

24

提供者:qck15570179927

batch数据为16,循环次数为10次,损失函数优化完,最终完成评分为0.96。

2019-10-26 13:16:08

0.96

25

提供者:Jeremy

batch数据为128,循环次数为2次,损失函数优化完,最终完成评分为0.71。

2019-09-15 20:00:22

0.71

还没有奖金记录哦~ 快去参赛吧!

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.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.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.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