<h3>Задача</h3>

Вам предстоит работать с фотографиями разлинованных тетрадных листов с рукописным текстом. Ваша задача - разработать алгоритм, который сможет определить, относится ли пиксель изображения к тексту или нет.&nbsp;

Предсказанием для входного изображения является бинарная маска размера исходного изображения, в которой 1 - означает, что данный пиксель относится к тексту, 0 - к фону. Таким образом в датасете всего один класс - text.

<h3>Формат решений</h3>

В проверяющую систему необходимо отправить код алгоритма, запакованный в ZIP-архив. Решения запускаются в изолированном окружении при помощи Docker. Время и ресурсы во время тестирования ограничены.

В корне архива обязательно должен быть файл <code>metadata.json</code> со структурой:

<code>{</code> 
<code>&nbsp; &quot;image&quot;: &quot;&lt;docker image&gt;&quot;,</code> 
<code>&nbsp; &quot;entry_point&quot;: &quot;&lt;entry point or sh script&gt;&quot;</code> 
<code>}</code> 
Например:

<code>{</code> 
<code>&nbsp; &nbsp;&quot;image&quot;: &quot;maloyan/ai-nto-task1:0.0.1&quot;,</code> 
<code>&nbsp; &nbsp;&quot;entry_point&quot;: &quot;python run.py&quot;</code> 
<code>}</code> 
&nbsp;

Здесь <code>image</code> &ndash; поле с названием docker-образа, в котором будет запускаться решение, <code>entrypoint</code> &ndash; команда, при помощи которой запускается скрипт инференса. Решение запускается в Docker контейнере. Вы можете воспользоваться готовым образом <code>&quot;maloyan/ai-nto-task1:0.0.1&quot;</code>. <a href="https://storage.yandexcloud.net/datasouls-ods/materials/3d5f8c48/Dockerfile" rel="noopener noreferrer" target="_blank">Dockerfile</a> и <a href="https://storage.yandexcloud.net/datasouls-ods/materials/119df132/requirements.txt" rel="noopener noreferrer" target="_blank">requirements.txt</a> для сборки данного образа. В нем предустановлены CUDA 10.1 и актуальные версии Python библиотек для запуска бейзлайна. При желании вы можете использовать свой образ, выложив его на <a href="https://hub.docker.com/" rel="noopener noreferrer" target="_blank">https://hub.docker.com</a>.&nbsp;

<a href="https://youtu.be/KwVfwnlzLpE" rel="noopener noreferrer" target="_blank">Вебинар о том, как собрать докер, чтобы он работал</a>, от призера профиля прошлого года Виталия Гребенника

Доступные ресурсы:

<ul>
<li>8 ядер CPU</li>
<li>48Gb RAM</li>
<li>Видеокарта NVidia Tesla V100</li>
</ul>

Ограничения:

<ul>
<li>5Gb на архив с решением</li>
<li>15 минут на работу решения</li>
</ul>

<h3>Структура данных</h3>

В контейнер помещается папка <code>images</code>, в которой находятся изображения, на которых необходимо сделать предсказания. Модель должна сформировать файл предсказания, например <code>prediction.npz</code>.

Пути к данным для &nbsp;(полный путь к папке <code>images</code>) и файл, в котором необходимо сохранить результат (путь куда нужно сохранить файл формата <code>.npz</code>) передаются как первые два аргумента при запуске вашего решения. Их можно считать с помощью <code>sys.argv[1:]</code>.

<h3>Пример решения</h3>

Посмотрите архив <a href="https://storage.yandexcloud.net/datasouls-ods/materials/f3996480/submit.zip" rel="noopener noreferrer" target="_blank">sample_submit.zip</a>, в котором содержатся примеры загружаемого решения.&nbsp;

В загружаемом архиве должны быть следующие файлы:

<ul>
<li><code>metadata.json</code> - обязательный файл для каждого решения; в нём должны быть указаны пути к образу и скрипту выполнения модели</li>
<li><code>run.py</code> - основной скрипт для инференса модели</li>
<li><code>model_final.pth</code> - веса модели, которые подгружаются во время исполнения скрипта run.py</li>
</ul>

<h3>Метрика</h3>

Для оценки качества будет использоваться метрика F1-score: 
$$F1&nbsp;= 2 \cdot \frac{Recall \cdot Precision}{Recall + Precision}$$ 
F1-score вычисляется на основе значений Precision (точности) и Recall (полноты), которые, в свою очередь, зависят от набора статистик по прогнозам &ndash; true positive (TP, истинно-положительный результат), false positive (FP, ложно-положительный результат) и false negative (FN, ложно-отрицательный результат): 
$$Precision= \frac{\text{True Positive}}{\text{True Positive + False&nbsp;Positive}}$$ 
$$Recall = \frac{\text{True Positive}}{\text{True Positive + False Negative}}$$ 
Сначала F1-score считается для каждого изображения из тестового набора. Для этого попиксельно сравниваются две маски - верная и предсказанная. Затем F1-score усредняются по всем изображениям. Так что, в каком то смысле мы считаем mean F1-score.

<h3>Baseline</h3>

Вам доступно базовое решение от разработчиков задачи: <a href="https://storage.yandexcloud.net/datasouls-ods/images/2021/11/11/815167dc-065a-41f1-b03e-babf35964dc0/baseline.ipynb" rel="noopener noreferrer" target="_blank">baseline.ipynb</a>

<a href="https://youtu.be/mlm2xAg-JpY" rel="noopener noreferrer" target="_blank">Вебинар с разбором базового решения</a>

Для сегментации рукописного текста в бейзлайне используется фреймворк Detectron2 и архитектура Mask-RCNN. Для запуска бейзлайна скачайте данные для обучения и положите их в папку data. Должна получиться такая структура:

<ul>
<li>baseline.ipynb</li>
<li>data
<ul>
<li>train
<ul>
<li>images</li>
<li>annotations.json</li>
<li>binary.npz</li>
</ul>
</li>
</ul>
</li>
</ul>

Задача сегментации рукописного текста на фото

Public

Private

User agreement

Я прочитал(-а) и согласен(-на) с <a href="https://storage.yandexcloud.net/datasouls-ods/NTO2021/PersonalData.pdf" rel="noopener noreferrer" target="_blank">Пользовательским соглашением и Политикой конфиденциальности</a>

Personal data

Я даю свое <a href="https://storage.yandexcloud.net/datasouls-ods/NTO2021/UserAgreement.pdf" rel="noopener noreferrer" target="_blank">согласие</a> ООО &ldquo;Соревнования Анализа Данных&rdquo; на обработку и передачу моих персональных данных партнерам мероприятия для информационного взаимодействия

Contest Rules

Согласен (-на) с <a href="https://storage.yandexcloud.net/datasouls-ods/NTO2021/ContestRules.pdf" rel="noopener noreferrer" target="_blank">Правилами Конкурса</a>

Вы попали на страницу регистрации на соревнования профиля &laquo;Искусственный интеллект&raquo; Национальной технологической олимпиады 2021/22. При регистрации указывайте ту же электронную почту и корректные ФИО, которые вы указывали при регистрации на НТО. &nbsp; 
Обращаем внимание, что к участию во втором этапе НТО допускаются все участники, набравшие в первом этапе баллы выше порогового значения, установленного профилем, призеры и победители партнерских соревнований, призёры и победители указанных профилями соревнований, финалисты, призеры и победители олимпиады прошлого года по настоящему профилю, зарегистрированные на платформе НТО. 
В случае нарушения правил вы будете дисквалифицированы, а результаты не будут учтены. 
&nbsp;

email

Email

first_name

First name

last_name

Last name

middle_name

Middle name

is_underage

Underage

legal_representative_first_name

Legal representative First name

legal_representative_last_name

Legal representative Last name

legal_representative_middle_name

Legal representative Middle name

legal_representative_email

Legal representative Email

Registration application for competitions of the profile «Artificial Intelligence» of the National Technology Olympiad 2021/22

#	Teams (233)	F1	Last	Entries
1	/dev/urandom	0.88282	4y	18
2	sapfear	0.87956	4y	15
3	nova t0efL feruntur	0.87605	4y	34
4	Андрей Кузнецов	0.87531	4y	81
5	Daria Kurganskaia	0.8746	4y	3
6	semeka13	0.87355	4y	26
7	mn	0.8718	4y	8
8	DanAsOne	0.87137	4y	32
9	Chiornyi Perets	0.87122	4y	41
10	Пока не BananaDev	0.87071	4y	40
11	Konstantin Luchinkin	0.8702	4y	13
12	Андрей Кузнецов	0.86999	4y	8
13	Tamir Puzanov	0.86971	4y	7
14	Vyacheslav Luchkin	0.86938	4y	12
15	Baby Kaggler btw	0.86937	4y	53
16	Vince "Air Canada" Carter	0.86875	4y	29
17	Vladimir Vorobev	0.86825	4y	26
18	Cool_Man O_0	0.868	4y	19
19	Sergey Volnov	0.86665	4y	19
20	Priadkin Maksim	0.86536	4y	4
21	Glafira Kurganskaya 🧁	0.86359	4y	2
22	Sasha Ilin	0.86308	4y	26
23	Mihail Yasnov	0.86272	4y	24
24	71f6728de25f	0.86268	4y	5
25	otter_18	0.86253	4y	29
26	Андрей Кузнецов	0.86182	4y	27
27	Anonumous	0.86181	4y	19
28	The Emperium	0.86161	4y	34
29	Gerasimov Maxim	0.86159	4y	23
30	Daniyar Amadaliev	0.86071	4y	10
31	Aleksandr Shteinman	0.86022	4y	12
32	6748b168d031	0.85896	4y	7
33	mishkashishka	0.85813	4y	6
34	Timofei Silaev	0.85711	4y	18
35	Дмитрий Куценко	0.85534	4y	9
36	shubat energy	0.85516	4y	16
37	Vadim Semenov	0.85468	4y	1
38	funtik22	0.85461	4y	13
39	Viakhirev Ivan	0.85442	4y	13
40	Egor Starygin	0.85427	4y	16
41	Нашли кота	0.85324	4y	4
42	Amal Akhmadinurov	0.85321	4y	14
43	PrI kE	0.85261	4y	1
44	Artem Borzenko	0.85214	4y	7
45	арбузикиteam	0.85192	4y	29
46	digitaljay	0.85128	4y	17
47	Kirill Kuznetsov	0.85049	4y	5
48	Georgy Shamteev	0.85003	4y	9
49	- hindoo -	0.84973	4y	2
50	Eskimo	0.84954	4y	13