Task1:赛题理解

于 2020-05-20 16:36:10 发布
阅读量230 收藏
点赞数
分类专栏： 零基础入门CV赛事- 街景字符编码识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/csdnshenjiaye/article/details/106238077
版权

赛题简介

本次新人赛是Datawhale与天池联合发起的0基础入门系列赛事第二场 —— 零基础入门CV之街景字符识别比赛。 赛题以计算机视觉中字符识别为背景，要求选手预测真实场景下的字符识别，这是一个典型的字符识别问题。通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。 更好的引导大家入门，我们同时为本赛题定制了系列学习方案，其中包括数据科学库、通用流程和baseline方案学习三部分。通过对本方案的完整学习，可以帮助掌握数据竞赛基本技能。同时我们也将提供专属的视频直播学习通道。

baseline尝试

先在自己的mac上装了pytorch，跑baseline的时候发现自己电脑显卡不支持，只能用cpu跑,用cpu跑 use_cuda = True这一行需要注释掉

用cpu跑起来确实速度感人！！！

然后去Mist租了个1080ti，速度起来了！！！

模型训练结束，到预测并生成提交文件又开始报错了，在钉钉群里看到阿水说test.json是没有提供的，也就是说测试集的字符位置框需要自己先检测出来才行，我先把读取test.json这一句注释掉了，后续补上检测测试集字符位置框的代码

最终终于跑出了结果，第一次提交到天池得分0.3063，后来把epoch这里改成了20，分涨到了0.3302

csdnshenjiaye
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
零基础入门CV赛事—Task 1 街景字符编码识别
yungezier的博客
05-20 462
一、赛题背景 赛题名称：本次新人赛是Datawhale与天池联合发起的零基础入门系列赛事第二场 —— 零基础入门CV赛事之街景字符识别。 赛题目标：赛题以计算机视觉中字符识别为背景，要求选手预测真实场景下的字符识别，这是一个典型的字符识别问题。通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。 赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。 为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很
零基础入门CV赛事- 街景字符编码识别_TASK1
Baby1601tree的博客
05-18 570
本次新人赛是Datawhale与天池联合发起的零基础入门系列赛事第二场 —— ***零基础入门CV赛事之街景字符识别*** 赛题以计算机视觉中字符识别为背景，要求预测真实场景下的字符识别，这是一个典型的字符识别问题 赛题来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到比赛数据集 blog仅记录代码部分 导入模块 import json # 方便对JSON格式数据的处理 import nump
零基础入门CV赛事- 街景字符编码识别Task1
ora_dy的博客
05-20 447
在阿里天池拿到任务，总体判断大赛目标和走向。街景字符编码识别，从题目看就是计算机视觉的赛题。下面聊聊，我从拿到题目下来对赛题的理解。 1.赛题数据与实际的理解 从天池平台下载下来包括3个zip压缩文件，两个json文件，和一个CSV数据文件。zip压缩文件是一些png的图片文件，也是机器学习的主要文件，分别为训练集，验证集，和预测集。大概看了一下图片，数字的大小，数量，位置，方向各不一样。不过，好处就在大赛为了降低难度，已经用json文件告知你图片的大小，位置和图片的内容的范围。如下000000.png
零基础入门CV赛事- 街景字符编码识别-DataWhale
qq_33346150的博客
05-19 804
街景字符编码识别任务与目标安装PYTorch 任务与目标 赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。 为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很多相应的paper作为思路参考。 理解赛题背景和赛题数据 安装PYTorch 我的电脑没有GPU所以安装CPU版本。在官网中配置自己需要的软件版本和机器型号。 在anaconda中新建环境选择‘Python3.7’版本，打开新建环境终端，键入第一步PYTorch官网生成的命令"c
零基础入门CV之街道字符识别 Task1 赛题理解
cclaree的博客
05-19 280
赛题任务 以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。 赛题数据 数据来源于公开数据集SVHN街道字符。 提供训练集数据3W张照片，验证集数据1W张照片； 每张照片包括颜色图像和对应的编码类别和具体位置； 为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片； 提供了训练集、验证集中所有字符的位置框。 评测指标 以编码整体识别准确率为评价指标。任何一个字符错误都为错误，最终评测指标结果越大越好，具体计算公式如下： Score=编码识别正确的数量/
Task1：Numpy.ipynb
11-16
Task1：Numpy.ipynb
lab-task1:htmlcss布局
05-07
在这个“lab-task1:htmlcss布局”中，我们将深入探讨HTML结构与CSS样式如何协同工作来构建美观且功能完备的网页。 HTML（HyperText Markup Language）是网页内容的标记语言，用于定义网页的基本结构。它通过不同的...
animation-task1:animation-task1
03-15
"animation-task1:animation-task1" 这个标题可能是指一个特定的项目或任务，专注于实现与动画相关的功能。这个任务可能是在PRDXN（一个可能的项目代号或框架）的开发环境中进行的。"PRDXN-dev-framework" 描述了这...
taskflow:通用并行异构任务编程系统
03-08
Taskflow帮助您使用现代C ++快速编写并行和异构任务程序 为什么选择任务流？ 与许多现有任务编程框架相比，任务流在处理复杂的并行工作负载方面更快，更富表现力，并且更易于进行嵌入式集成。 使用Taskflow，您...
零基础入门CV之街道字符识别——Task-1赛题理解
qq_44675568的博客
05-19 290
1.5数据读取代码 import json train_json = json.load(open(’…/input/train.json’)) #数据标注处理 def parse_json(d): arr = np.array([ d[‘top’], d[‘height’], d[‘left’], d[‘width’], d[‘label’] ]) arr = arr.astype(int) return arr img = cv2.imread(’…/input/train/000000.png’).
计算机视觉实践（街景字符编码识别）/Datawhale 零基础入门CV -赛题理解
sinat_26566137的博客
05-20 311
赛题理解 赛题名称：零基础入门CV之街道字符识别 赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。 赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。 为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很多相应的paper作为思路参考。 学习目标 理解赛题背景和赛题数据 完成赛题报名和数据下载，理解赛题的解题思路 完成情况 （1）了解了赛题背景和赛题数据； （2）了解实现思路 遇到的
【学习笔记】零基础入门CV之街道字符识别-赛题理解
机器小笨笨的博客
05-20 220
1.主要内容 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体验； 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
【学习记录】零基础入门CV之街道字符识别-Task1 赛题理解4.92
NiniMocha的博客
05-19 288
【学习记录】零基础入门CV之街道字符识别-Task1 赛题理解4.92 赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。 赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。 1.1赛题数据 1.数据来源：数据来自收集的SVHN（The Street View House Numbers）街道字符，并进行了匿名采样处理。 2.数据使用：所有的参赛选手只能使用比赛给定的数据集完成训练，不能使用SVHN原始数
街景字符识别—赛题理解
lz你ps的博客
05-20 342
目录1. 赛题背景2. 赛题数据3. 评分标准4. 解题思路 1. 赛题背景 赛题以计算机视觉中字符识别为背景，要求选手预测真实场景下的字符识别，这是一个典型的字符识别问题。通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。 2. 赛题数据 赛题来源自Google街景图像中的门牌号数据集，训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。 为
【学习记录-街景字符识别】TASK 1：赛题理解
m0_46704533的博客
05-20 321
街景字符识别-赛题理解1.赛题任务2.赛题数据3.数据标签4.评测指标5.读取数据6.解题思路7.本章小结 本文内容将对街景字符识别赛题的理解做相应记录，同时作为一个CV初学者，我也想借此练习一下撰写博客的能力，感谢批评指正。 1.赛题任务 本题以计算机视觉中字符识别为背景，要预测街道字符编码，采用SVHN数据集做一个简单的字符识别问题。 2.赛题数据 赛题用的是比赛给定的SVHN街道字符数据集，已进行匿名采样。训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位
零基础入门CV之街道字符识别（一）
misaka的博客
05-20 522
我感觉比较费时间的是pytorch的安装，由于在网上找不到一个合适的教程，安装pytorch花了很长时间，主要是网上的教程大多和我的情况不一样。 赛题理解 在这之前还没有接触过cv这一方向。所以第一眼看到赛题是一种很茫然的感觉。之后看了讲解学到了一个大概的思路。不过数据处理部分也是很重要的。 这次的cv比赛是对SVHN街道字符的识别。并且给了数据的字符位置框。 数据标签 数据标签中有字符的长，宽，字符的编码和左上角坐标x和左上角的坐标y。 然后就可以通过给出的数据标签信息进行标签的识别。 评测指标 这次的评
【天池—街景字符编码识别】Task 1 赛题理解
snail9610的博客
05-20 469
文章目录1 比赛说明2 数据说明2.1 数据来源2.2 数据集2.3 数据标注信息（json文件）3 评价标准4 提交的结果形式5 解题思路（重点）5.1 简单入门思路：定长字符识别5.2 专业字符识别思路：不定长字符识别5.3 专业分类思路：检测再识别 1 比赛说明 比赛链接：https://tianchi.aliyun.com/competition/entrance/531795/introduction 比赛任务：以计算机视觉中字符识别为背景，要求参赛者预测真实场景下的字符识别，这是一个典型的字符
零基础入门CV之街道字符识别—01
Ray的博客
05-20 416
赛题理解和思路介绍赛题理解1.数据标签2.读取数据思路分析 赛题理解 赛题名称：零基础⼊入⻔门CV赛事- 街景字符编码识别 赛题地址：????????????https://tianchi.aliyun.com/competition/entrance/531795/information 一些注意事项和赛题数据见比赛官网，这里就不在过多累赘。 1.数据标签 对于训练数据每张图片将给出对于的编码标签，和具体的字符框的位置（训练集，测试集和验证集都给出字符位置），可用于模型训练： 字符的坐标具体如下所示：
天池-街景字符编码识别-赛题理解
josh的博客
05-20 427
文章目录赛题数据数据集介绍目标字段表评测指标结果提交赛题思路分析 赛题数据 数据集介绍 赛题数据来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到比赛数据集。训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置 *数据集样本展示 目标 识别图片中所有的字符 字段表 所有的数据（训练集、验证集和测试集）的标注使用JSON格式，并使用文件名进行索引。如果一个文
Semantic Analysis with Context Models • Task1: Model the context of a frequent pattern Based on the Context Model… • Task2: Extract strongest context indicators • Task3: Extract representative transactions • Task4: Extract semantically similar patterns先翻译，后解释
最新发布
06-12
• Task1: Model the context of a frequent pattern Based on the Context Model… • Task2: Extract strongest context indicators • Task3: Extract representative transactions • Task4: Extract ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值