FlyAI-视觉计算

视觉计算

计算机视觉（Computational Vision）是由相机拍摄图像，通过电脑对图像中的目标进行识别和检测。可以说是机器学习在视觉领域的应用，是人工智能领域的一个重要部分。它的研究内容可以概括为：通过采集图片或视频，对图片或视频进行处理分析，从中获取相对应的信息。

北京垃圾分类识别

5月1日起，新版《北京市生活垃圾管理条例》（以下简称新《条例》）正式实施。为配合《条例》的实施，北京市还印发了《北京市生活垃圾分类工作行动方案》以及四个实施办法。本赛题要求参赛者基于深度学习技术建立准确的垃圾分类模型，利用技术手段改善人居生活环境！

CT影像诊断新冠肺炎

本赛题是一个图像二分类任务，基于2019年新冠肺炎CT医学影像数据，要求参赛者搭建算法模型，通过CT医学影像诊断患者是否感染新冠肺炎。对医学领域的人工智能技术落地研究有着重要意义。

常见天气分类

图像分类是视觉计算领域中的基础细分领域，本次比赛围绕气象业务场景，根据官方提供的图片数据建立精准的算法模型，能够区分晴天、多云、下雨、下雪、薄雾、雷雨，共6种天气现象。随着人工智能的技术落地，将人工智能图像技术落地到气象观测、预报及服务领域中具有重要的研究意义，同时也助力气象领域专业化人才的发展。

练习比赛

脸部年龄判断

本数据集为脸龄判断数据集，共包含9779张不同人种的人类个体面部图片，个体年龄分布为1岁到110岁之间，共99个类别。为简化问题，将每10岁划为一个区间，使类别缩小到10类。

水下鱼类物种识别(FlyAI2.0 竞赛框架)

该数据集是从实时视频数据中获取的，整个数据集分为21个聚类，每个聚类由一个有代表性的鱼物种表示。该数据集的数据非常不平衡，其中最常见的物种大约是最不常见物种的1000倍。本赛题采用FlyAI2.0新框架进行训练，进入详情页查看更新内容描述。

练习比赛

VisDrone 无人机目标检测

本次比赛旨在利用无人机设备推动最先进的目标检测技术。无人机目标检测技术在无人机快递物流、城市交通监控、安防等工业领域有着重要的应用意义。数据集提供了由不同高度、不同位置的无人机拍摄的的静态图像。参赛者要求预测十个预定义类（pedestrian，person，car，van，bus，truck，motor，bicycle，awning-tricycle，tricycle）与实际数据的交并比精度。

练习比赛

天空背景图像分割

图像分割是根据图像内容对指定区域进行标记的计算机视觉任务，简单来说是准确判定在当前图片中的哪个区域该数据集一共有1224张图片，训练集、验证集和测试集划分比例为6:2:2.

练习比赛

遥感影像场景分类预测

遥感影像场景分类是遥感影像目标检测和高层语义理解的基础，遥感影像高层语义理解又是空间分析的基础。实际应用中空间分析借助地图与空间信息解决经济、社会、国防等重要领域的技术任务。例如通过遥感影像进行农作物估产、城市规划、商铺选址、城市热点场所人群分析、空间规划等等。空间分析是解决实际生活中问题的重要手段，而遥感影像场景分类是空间分析的基石。遥感影像场景分类任务是从多幅遥感影像中区分出具有相似场景特征的图像，并对这些图像进行分类，为每一幅遥感影像赋予场景类别标签。

练习比赛

Cinic-10图像分类

CINIC-10由CIFAR和ImageNet的图像组成。来自这些的图像不一定是相同的分布，呈现出新的挑战。CINIC-10 中共有 270,000 张图像，将这些图像平均分割为三个子集：训练集、验证集和测试集。

练习比赛

脑部MRI（磁共振）图像分割

该数据图像来自癌症成像档案（TCIA），通过深度学习算法自动提取具有一定形状特征的低级别胶质瘤区域。低级别胶质瘤根据世界卫生组织（WHO）制定的分级系统可定义为（WHO1～2级）属分化良好的胶质瘤，虽然这类肿瘤在生物上并不属于良性肿瘤，但是患者的预后相对较好。MRI医学影像分割在病患检测、病情分析等领域都具有较大的研究价值。

练习比赛

人体骨骼动作识别

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

练习比赛

生活垃圾分类

自今年7月1日起，上海市将正式实施《上海市生活垃圾管理条例》。垃圾分类，看似是微不足道的“小事”，实则关系到13亿多人生活环境的改善，理应大力提倡。垃圾识别分类数据集中包括class、cardboard、metal、paper、plastic、trash，共6个类别。生活垃圾由于种类繁多，具体分类缺乏统一标准，大多人在实际操作时会“选择困难”,基于深度学习技术建立准确的分类模型，利用技术手段改善人居环境。

口罩佩戴检测

国家卫生健康委疾控局近日发布了《预防新型冠状病毒感染的肺炎口罩使用指南》，指南中明确指出口罩是预防呼吸道传染病的重要防线，可以降低新型冠状病毒感染风险。为了更加有效的监督大家佩戴口罩，我们开展了这次口罩佩戴检测的比赛，要求参赛者建立准确的目标检测模型，用于检测是否佩戴口罩。

练习比赛

雨雪天气车辆检测分割

本数据集包含雨雪天气下摄像头记录的街道RGB照片以及热感应照片，目标是分割出照片中路面的车辆部分。数据集共包含2198对RGB照片和热感应照片，图片大小为640*480。

练习比赛

Intel场景分类挑战赛

此数据集来自英特尔场景分类挑战赛。数据集共包含森林、街道、海景等6个场景，共24335张图片。

X光片检测患者肺炎

武汉肺炎主要发病情况为新型冠状病毒(2019-nCoV)感染肺部导致人体呼吸衰竭。基于对肺部感染检测的技术研究，可通过人工智能技术对医学影像-X光片进行患病情况检测，有效提升确诊准确率和效率。本赛题可使用CSV文件和FlyAI框架两种提交方式参赛,参赛者需要通过优化模型来对肺部X光片进行精确的分类。

实时奖金

多面体骰子分类

奖金池 ¥ 2,000

骰子也称色子，为一正多面体，通常作为桌上游戏的小道具。同时骰子也可以用于生成指定范围的随机数。最常见的骰子是六面骰，它是一个正立方体，上面分别有一到六个数，其相对两面数字之和必为七。本赛题主要对骰子形状进行分类，一共包括四面骰、六面骰、八面骰、十面骰、十二面骰和二十面骰。其中训练集、验证集和测试集划分比例为6:2:2.

练习比赛

AI医学影像：小儿肺炎患者诊断

胸部X线影像（前-后）选自广州市广州妇女儿童医学中心一至五岁儿科患者。所有胸部X射线成像均作为患者常规临床护理的一部分进行。有5,863个X射线图像（JPEG）和2个类别（肺炎/正常）。

实时奖金

你画我猜

奖金池 ¥ 5,000

为了增强人工智能的趣味性，我们开展了你画我猜这一竞赛。你画我猜数据集中包括了40种生活中常见的类别如飞机、苹果、篮球等。图片信息以json格式存储，在每个json中记录了用户每一笔简笔画对应的横坐标集合和纵坐标集合。其中训练集、验证集和测试集划分比例为6:2:2.

实时奖金

密集场景行人检测

奖金池 ¥ 5,000

这是一个更加符合真实世界的密集行人检测数据集，图像广泛选择自生活中的各种场景，共9000张标注图，用于训练和开发更加具有现实世界实用性的人物检测模型和算法。数据标签一共有五类，在评估时只考虑前三类，分别为行人，骑行的人和部分遮挡的人。其中训练集、验证集和测试集划分比例为6:2:2. 对应的标签数据说明：每行格式为 label, x_min, y_min, x_max, y_max.

实时奖金

图片鉴黄

奖金池 ¥ 3,000

随着互联网的发展，内容安全成为互联网不得不面临的严峻挑战。互动社区的崛起，网友素质的参差不齐，由于“涉黄”被勒令关闭的网站多如牛毛，因此“鉴黄”也显得尤为重要。虽然各个互联网企业都有专门的人员来做内容审核，但是无法跟上内容发展的速度，人工审核容易出现审核不及时、高成本、主观判断影响结果等问题。因此通过深度学习的人工智能技术来进行图片鉴黄也是迫在眉睫。在本数据集一共包括5种图片类别，每个类别至少有1000张图像，其中训练集、验证集和测试集划分比例为6:2:2. 由于数据集包含涉黄图片，因此本地调试数据集中只展示正常图片。

实时奖金

常见物体识别

奖金池 ¥ 5,000

本赛题整理了生活中常见的80种物体类别，比如冰箱、文具盒、蜡烛、鞭炮等，希望参赛者能够通过深度学习的方法提高物体识别的准确率。其中训练集、验证集和测试集划分比例为6:2:2.

图像纹理分类

本赛题可使用CSV文件和FlyAI框架两种提交方式参赛。赛题主要是对图片的纹理进行分类，该数据集由五千多张图片组成，一共有47个纹理类别，选手们需要通过优化模型来对纹理图像进行精确的分类。

实时奖金

室内场景识别

奖金池 ¥ 3,000

室内场景识别在计算机视觉领域是一个具有挑战性的问题，大多数适用于室外场景的分类模型在室内领域的表现都比较差，其困难在于尽管某些室内场景可以通过全局空间特征进行较好的描述，但其他一些场景需要通过其具体所包含的对象特征才能对该场景进行较好的描述。因此如何提取图像全局特征和局部特征来进行精确预测是本赛题的难点。在本数据集一共包括67个室内场景类别，总共15620张图片，每个类别至少有100张图像，其中训练集、验证集和测试集划分比例为6:2:2.

实时奖金

结直肠癌组织纹理分类

奖金池 ¥ 6,000

结直肠癌（colorectal cancer，CRC）位于常见恶性肿瘤第三位并且死亡率极高，其早期诊断和肿瘤分期对治疗方式的选择有重要意义。近年来，越来越多的研究表明，纹理分析通过分析影像中像素或体素灰度的分布和联系，挖掘其细微结构和变化规律，能够更精确地评估肿瘤异质性、内在侵袭性和治疗抗性。因此纹理分析有助于肿瘤的早期诊断、分期和预后评估。本赛题主要对结直肠癌的纹理影像进行分类，其中据集包含了5000张结直肠癌纹理的图片，图片大小为150*150的RGB图片。图片共分为8个类别，代表8种不同的纹理。

实时奖金

图片超分辨率挑战赛

奖金池 ¥ 5,000

图像分辨率是用来评估图像中蕴含细节信息丰富程度的一个指标。高分辨率图像相对于低分辨率图像拥有更大的像素密度，更多的纹理细节信息。但在实际生活中，由于受到采集设备、网络传输介质等因素的影响，我们通常得到的是一些低分辨率的图像，因此图像超分辨率重建技术具有深远的研究意义。图像超分辨率是指将一幅低分辨率图像恢复成高分辨率的图像，在本数据集一共有1800张图片，其中包括900对高分辨率和低分辨率图片，这里高分辨率图片大小是低分辨率图片大小的四倍。训练集、验证集和测试集划分比例为6:2:2.

1024专属

安全帽佩戴检测

20万元大奖(最新MacBook Pro+GPU资源)

本赛题为10月活动赛题，截止2019年11月11日下午20点整所有训练完成结果均为有效成绩！！

实时奖金

猫脸关键点检测

奖金池 ¥ 10,000

猫脸特征点检测是一项有趣的任务。本数据集共包含了9000张猫脸彩色图片，目的是检测脸部的九个关键点，包括两个眼睛关键点、一个嘴部关键点和六个耳朵关键点。标注顺序为左眼xy坐标，右眼xy坐标，嘴xy坐标，左耳点1xy坐标，左耳点2xy坐标，左耳点3xy坐标，右耳点1xy坐标，右耳点2xy坐标，右耳点3jxy坐标，坐标均为相对坐标值。

猫脸关键点检测

实时奖金

TensorFlow2.0 人民币面值识别

奖金池 ¥ 2,000

全网首个TensorFlow 2.0竞赛项目上线！人民币面值识别是一个简单的图像分类任务，通过建立准确的分类模型识别出人民币面额。第四套人民币是中国人民银行于1987年4月27日至1997年4月1日发行的一套货币，共有1角、2角、5角、1元、2元、5元、10元、50元、100元9种面额。 TensorFlow 2.0 将专注于简单性和易用性，具有以下更新： 1、使用 Keras 轻松构建模型 2、在任意平台上实现稳健模型部署 3、为研究提供强大的实验工具 4、简化 API 接口，删掉多余的和重复的 API

实时奖金

农作物病虫害检测

奖金池 ¥ 2,000

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。

实时奖金

细胞图像分类-疟疾病诊断

奖金池 ¥ 3,000

通过检测包含疟疾的图像细胞帮助医生尽早确诊疟疾病患者并及时进行治疗。该数据集包含两个文件：感染/未感染，共有27,588张图片。

实时奖金

表征患者血液样本分析之白细胞分类

奖金池 ¥ 5,000

基于血液的疾病诊断通常涉及识别表征患者血液样本。检测和分类白细胞的自动化方法具有重要的医学应用。该数据集包含12,500个血细胞增强图像（JPEG），对于分成4个不同文件夹（根据细胞类型）的4种不同细胞类型中的每一种，大约有3,000个图像。细胞类型是嗜酸性粒细胞，淋巴细胞，单核细胞和中性粒细胞。

实时奖金

哥伦比亚大学公众人物五官定位

奖金池 ¥ 5,000

哥伦比亚大学公众人物数据集是一个包含大量人脸标签的数据集，包含超过20万张名人照片，每张照片包含40个属性标签。此数据集中的图片包含多种人体姿势与背景干扰。该数据集具有丰富的多样性，大量的样本以及多种标注，包括： 10177名个体，202599张面部图片，以及每张图片中5个位置标注和40种二元属性标注（如是否戴帽子等），该数据集可以用来做人脸五官定位

实时奖金

7种表情分类

奖金池 ¥ 1,000

本数据集是一个包含7种表情的图片数据集，表情分别为平静、愤怒、失落、恐惧等。原数据集中表情由10位日本女性学生提供，每个人分别提供若干张不同表情的照片。我们对数据集进行了翻转，明暗变化等数据增强处理，使得数据大小从213增加到了852。

实时奖金

5种花分类

奖金池 ¥ 800

该数据集包含5种不同种类的花的彩色图片，类别包括玫瑰，向日葵，雏菊，蒲公英和郁金香。使用该数据集对5种花进行分类。

实时奖金

2005 VOC挑战赛

奖金池 ¥ 2,500

PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集，从2005年到2012年每年都会举行一场图像识别challenge。该数据集取自TU-Darmstadt, Caltech, TU-Graz 和 UIUC等发布的数据集。在该数据集中每张图片中的物体都由人工标注，物体包含汽车，摩托车，自行车和人体四类。

实时奖金

猫狗大战，开始分类一决胜负！

奖金池 ¥ 500

该数据有猫和狗两类图片，一共有25000张图片，猫狗各占一半，可以用来做图片分类的入门数据。

图像二分类

实时奖金

鸢尾花识别

奖金池 ¥ 500

Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。

实时奖金

200种鸟类图像分类

奖金池 ¥ 3,000

Caltech-UCSD Birds 200 (CUB-200) 是一个图像数据集，包含200种鸟类（主要是北美洲）的照片。分类数量：200 图片数量：6,033 标注：边界框，分割，属性

实时奖金

3981个中文文字图像识别

奖金池 ¥ 5,000

本数据集为3981个中文文字的图片数据集，图片已经剪裁完成，每个文字有多种不同字体下提取的图片。 1.ASCII码范围，[0x21--0x7e]。 2.汉字标点符号，14个。 3.常用的3981个字汉字。取自《义务教育语文课程标准（2011版）》

实时奖金

人脸关键点检测(五点)

奖金池 ¥ 10,000

这些图片是用亚马逊机械土耳其人手工标注的，以精确定位眼睛、鼻子和嘴。最终的数据集包括40000个图像，其中主要面部组件的注释高度准确、详细和一致。

人脸关键点检测

实时奖金

62种交通信号标志识别

奖金池 ¥ 5,000

BelgiumTSC 是一个图像数据集，包含62种交通信号标志的照片。分类数量：62 图片数量：6,954 标注：种类编号

实时奖金

SLR-手语识别挑战赛

奖金池 ¥ 5,000

这个数据集为手语识别（Sign Language Recognition)，识别500个类别的手语单词。数据集包含了超过11万的样本，每个样本都包含了25个人体关键点的位置轨迹。

实时奖金

Caltech256 图像分类竞赛

奖金池 ¥ 4,000

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。

实时奖金

手部图像性别分类和生物识别

奖金池 ¥ 10,000

这是一个由190名受试者，年龄在18-75岁之间收集的11,076张手部图像（1600 x 1200像素）。要求每个受试者打开并关闭他的右手和左手的手指。每只手都从背侧和掌侧拍摄，背景均匀，并与相机大致保持相同的距离。存在与每个图像相关联的元数据的记录，其包括：（1）主题ID，（2）性别，（3）年龄，（4）肤色，以及（5）捕获的手的一组信息，指的是手部图像是否包含配饰、指甲油或不规则。本数据由 Mahmoud Afifi 提供。

实时奖金

CIFAR100种图片分类练习赛

奖金池 ¥ 2,000

此数据集与CIFAR-10类似，不同之处在于它有100个类型，每类包含600个图像。每个类有500个训练图像和100个测试图像。CIFAR-100中的100个小类分为20个大类，每张图片包含其所属的小类和大类标签。

实时奖金

101种食物分类预测竞赛

奖金池 ¥ 5,000

该数据集包含了101个食品类别，其中包含101,000个图像。对于每个类别。注意，训练图像没有清理，因此仍然包含一些噪音。这主要是以强烈的色彩和有时错误的标签形式出现的。所有图像都重新缩放，最大边长为512像素。

实时奖金

MNIST手写数字识别练习赛

奖金池 ¥ 600

MNIST手写数字数据库具有60,000个训练集和10,000个测试集。它是NIST大集合的子集。数字已经过尺寸标准化，并以固定尺寸的图像为中心。数据集中图像为28*28的二进制图片。它是一个很好的入门计算机视觉的数据集。

实时奖金

CIFAR-10 图片分类预测

奖金池 ¥ 1,000

CIFAR-10数据集是一组图像，通常用于训练机器学习和计算机视觉算法。它是机器学习研究中使用最广泛的数据集之一。 CIFAR-10数据集包含10个不同类别的60,000个32x32彩色图像。 10个不同的类别代表飞机，汽车，鸟类，猫，鹿，狗，青蛙，马，船和卡车。每个类别有6000张图片，该数据集共有5万张训练图片以及1万张测试图片

实时奖金

动植物图像分类预测

奖金池 ¥ 1,000

该数据集下包含俩类图像集，动物和植物。这是一个简单的二分类预测练习赛，通过建立模型准确预测动物和植物的图像类别。

练习比赛

升级版MNIST手写数字识别练习赛

Fashion-MNIST是一个替代MNIST手写数字集的图像数据集。它是由Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。Fashion-MNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。60000/10000的训练测试数据划分，28x28的灰度图片。

练习比赛

120种狗狗品种分类赛

Stanford Dogs数据集包含来自世界各地的120种犬种的图像。该数据集是使用ImageNet中的图像和注释构建的，用于细粒度图像分类的任务。它最初被收集用于细粒图像分类，这是一个具有挑战性的问题，因为某些犬种具有接近相同的特征或者颜色。

练习比赛

植物幼苗分类

该数据集包括12种植物物种的幼苗。本次竞赛的任务是根据图片建立预测植物种类的精准模型。