网站开发一个多少钱,为什么前端都不用dw,私人做网站收费,建网站首页图片哪里找比赛官网地址
赛题介绍
petfinder是马来西亚领先的动物福利平台宠物网站地址
该网站使用可爱指数来排名宠物照片。它分析了图片组成和其他因素#xff0c;并与数千个宠物档案的表现进行了比较。
在这场比赛中#xff0c;你将分析原始图像和元数据来预测宠物照片的“Pawp…比赛官网地址
赛题介绍
petfinder是马来西亚领先的动物福利平台宠物网站地址
该网站使用可爱指数来排名宠物照片。它分析了图片组成和其他因素并与数千个宠物档案的表现进行了比较。
在这场比赛中你将分析原始图像和元数据来预测宠物照片的“Pawpularity”。你将在PetFinder数据上训练和测试你的模型。
数据集介绍
在这场比赛中你的任务是根据宠物的个人资料的照片预测该宠物的受欢迎程度。您还为每张照片提供了手工标记的元数据。因此本次比赛的数据集包括图像和表格数据 训练数据 train/ -包含训练集照片的文件夹格式为{id}.jpg其中{id}是唯一的宠物档案id。 train.csv -训练集中每张照片的元数据以及目标label即照片的Pawpularity得分。Id列给出了照片的唯一Pet Profile Id对应于照片的文件名。测试数据 test/ - 包含随机生成的图像的文件夹其格式类似于训练集照片。实际测试数据包括约6800张与训练集照片相似的宠物照片。 test.csv -随机生成的元数据类似于训练集元数据。 sample_submission.csv -正确格式的示例提交文件。 图像的信息的csv数据 train.csv和test.csv文件分别包含训练集和测试集中照片的元数据。每张宠物照片都为以下每个特征标记了1(是)或0(否)的值:
train.csv. or test.csv id 每个宠物对应的图片IDSubject Focus 宠物在整洁的背景中脱颖而出不会太近/太远。Eyes 双眼朝向前方或近前方至少有一只眼睛/瞳孔清晰。Face 相当清晰的脸面向前方或近前方。Near 单个宠物占据了照片的很大一部分(大约超过照片宽度或高度的50%)。Action 宠物在动作中(例如跳跃)。Accessory 伴随的实物或数字配件/道具(即玩具、数字贴纸)不包括项圈和皮带。Group 照片中有多于1只宠物。Collage 数码修饰的照片(即与数码相框多张照片的组合)。Human 照片中的人类。 Occlusion 特定的不受欢迎的物体挡住了宠物的一部分(即人笼子或栅栏)。注意并不是所有的阻塞对象都被认为是闭塞的。Info-自定义添加的文本或标签(即宠物名描述)。Blur-明显的失焦或嘈杂特别是宠物的眼睛和脸。对于Blur条目“Eyes”列总是设置为0。Pawpularity. 比赛的teaget 宠物的受欢迎程度
数据分析
import sys
sys.path.append(../input/timm-pytorch-image-models/pytorch-image-models-master)
from timm import create_model
from fastai.vision.all import *
set_seed(999, reproducibleTrue)生成图像的路径
train_df[path] train_df[Id].map(lambda x:str(dataset_path/train/x).jpg)
train_df train_df.drop(columns[Id])
train_df train_df.sample(frac1).reset_index(dropTrue) #shuffle dataframe
train_df.head()查看训练集的图像数量
len_df len(train_df)
print(fThere are {len_df} images)统计标签的分布情况
train_df[Pawpularity].hist(figsize (10, 5))
print(fThe mean Pawpularity score is {train_df[Pawpularity].mean()})
print(fThe median Pawpularity score is {train_df[Pawpularity].median()})
print(fThe standard deviation of the Pawpularity score is {train_df[Pawpularity].std()})统计标签的数量
print(fThere are {len(train_df[Pawpularity].unique())} unique values of Pawpularity score)标签总共有100个于是后面模型训练的时候可以考虑归一化然后转换为回归问题
标签归一化
train_df[norm_score] train_df[Pawpularity]/100
train_df[norm_score] 查看图片大小
im Image.open(train_df[path][1])
width, height im.size
print(width,height)##960960
修狗图片
im最近会更新能取得铜牌成绩的baseline
也会尽快更新本场比赛第一名的方案分析与代码解析
