C0 猫狗二分类

目标

训练一个深度学习模型，使得输入一张包含猫或狗的图片后，该模型能够尽可能准确地进行分类。

比赛日期

开始日期: 2022-07-06

截止日期: TBD

数据集

cat_vs_dog

cat_vs_dog 数据集共包含 25000 张图像，分为 20000 个训练样本和 5000 个测试样本，猫和狗两个类别各包含 12500 个样本。训练集样本标签即为文件夹名称及文件名。

训练集：https://pan.baidu.com/s/1N7ishyq1sfXdVV-UFsjUQQ 提取码：wh4f

测试集：https://pan.baidu.com/s/1lbRdNmuaLkIwdGOVtdmvSg 提取码：eyj0

环境配置

可参考该文档配置所需环境，也可自行百度

• Windows 环境下快速安装 anaconda 和 pytorch、cuda、cuDNN
• Linux 服务器 pytorch 环境配置详解
• MacbookPro 安装 Pytorch-技术教程

评测指标

模型的性能根据被正确分类的样本占总样本的百分比进行评估。（即准确度Accuracy）

$$Accuracy = \frac{TP+TN}{TP+TN+FP+FN}$$

• 真阳性 True Positive (TP): 正确指示某一条件或特征存在的测试结果
• 真阴性 True Negative (TN): 正确指示某一条件或特征不存在的测试结果
• 假阳性 False Positive (FP): 错误指示某一条件或特征存在的测试结果
• 假阴性 False Negative (FN): 错误指示某一条件或特征不存在的测试结果

举例：在一个 100 人的样本中，有 10 人事实上患有 A 病（阳性），经过检测后，9 人被判定患有 A 病（真阳性），而 1 人被判定并不患有 A 病（假阴性）； 另外的 90 人实际上并不患有 A 病（阴性），然后经过检测后，其中的 5 人被判定患有 A 病（假阳性），另外的 85 人判定不患有 A 病（真阴性）。

上述例子中：

$$Accuracy = \frac{TP+TN}{TP+TN+FP+FN} = \frac{9+85}{9+85+5+1} = 0.93 $$

参考: https://en.wikipedia.org/wiki/Confusion_matrix

提交结果格式说明

对于测试集中的每个图像，预测给定图像 ID 的标签，(1 = dog, 0 = cat)，第一行为表头。

一个示例样本 submission.csv 如下:

id,label
1,0
2,0
3,1
4,0
...

要求

1. 参赛者可以自行划分训练集和验证集，测试集标签暂不公开
2. 参赛者不允许使用提供的数据之外的任何数据进行训练
3. 参赛者需要提交如下材料
   • 在测试集上的分类结果文件 submission.csv
   • 训练完成的模型文件（*.pth）
   • 相关代码
   • 说明文档（Word），内容包括但不限于训练流程、参数及模型结构、代码说明等
4. 测试集分类结果请勿人工标注，我们会根据提交的代码和模型文件检查结果真实性，一经发现作弊行为，取消参赛资格

评分规则

总分=模型分数 _ 0.7 + 说明文档分数 _ 0.3

Leaderboard-2022