<h3>О соревновании</h3>Распознавание моделей машин - практически важная задача для разнообразных кейсов использования: от верификации нарушения ПДД конкретной машиной до автоматизации заполнения заявок на сайтах продажи авто или страховых компаний. Множество существующих моделей - огромно и постоянно пополняется. В такой ситуации становится непрактично тренировать и обновлять классификатор для идентификации моделей. Альтернативное решение - постановка задачи в форме верификации, где методы должны определять соответствие двух изображений машин одной и той же модели.Наше соревнование ставит целью создание точного и быстрого верификатора моделей машин по картинкам. Решение должно быть максимально генерализованным: тестовые выборки отличаются разнообразием и по географии производителей (Европа/РФ/Азия/Америка), и по типу машины (легковые/грузовые/автобусы), и по времени производства модели (будут встречаться и снятые с производства), в то же время мы ограничиваем время инференса модели, приближая участников к real-world условиям работы.<h3>Правила участия</h3>Нажимая кнопку «Участвовать» и/или «Отправить решение», вы соглашаетесь с&nbsp;<a target="_blank" rel="noopener noreferrer" href="https://drive.google.com/file/d/1wuXtYGPsrT3dTLpRV3g9OC-TPld67zYw/view?usp=sharing">Правилами участия в соревновании</a>.<h3>Призовой фонд</h3>Участники соревнования поборются за призовой фонд в размере 600.000 рублей.<ul><li>1 место - 300 000 руб</li><li>2 место - 200 000 руб</li><li>3 место - 100 000 руб</li></ul><h3>Метрика</h3>Метрикой качества оценки решения является ROC-AUC по всей тестовой выборке. Для помощи участникам в обучении устойчивой модели на лидерборд будут выводиться значения ROC-AUC на различных доменах, связанных с географией производителя и типом машины, но без названия домена, чтобы избежать переобучения под них. так как в скрытой выборке могут использоваться другие модели автомобилей. Значения метрики на доменах на ранжирование не влияют.&nbsp;<h3>Baseline</h3>Вы можете воспользоваться <a target="_blank" rel="noopener noreferrer" href="https://github.com/AlexanderParkin/MCS2022.Baseline">baseline</a> решением от организатора соревнования. Решение основано на обучении &nbsp;resnet18 для задачи классификации модели автомобилей на датасете <a target="_blank" rel="noopener noreferrer" href="http://mmlab.ie.cuhk.edu.hk/datasets/comp_cars/index.html">CompCars</a>, удалении классификационного слоя и использовании эмбеддингов &nbsp;для оценки схожести моделей на изображениях.<h3>Этапы соревнования</h3>1 этап.Тестирование на открытой выборке в автоматическом режиме на платформе соревнования. По итогам 1 этапа фиксируется топ-15 участников, которые примут участие во 2 этапе.2 этап.Тестирование на скрытой выборке кода решения участника в Docker контейнере в ручном режиме. Решение присылается в .zip архиве, запускаемый файл - <code>inference.sh</code> (убедитесь, что он находится в корне архива, некоторое ПО при архивации создает дополнительную папку). В архиве могут находиться другие файлы, используемые вашим решением (вспомогательные скрипты, веса модели и т.д.). Предсказания следует сохранять в ./submission.csv. Формат <code>submission.csv</code> аналогичен submission_example.csv с первого этапа.В задаче используется образ с Kaggle соревнований <code>gcr.io/kaggle-gpu-images/python:v117</code>Доступные ресурсы:<ul><li>8 ядер CPU</li><li>62 Gb RAM</li><li>Nvidia Tesla A100</li></ul>Ограничения:<ul><li>размер архива 500Mb</li><li>ограничение по времени 10 мин</li><li>среднее время выполнения для 1 изображения: &lt;20 ms</li></ul>Контейнер запускается со следующими опциями:<code>docker run --cpus="8.0" --gpus 0 -v {{workspace_dir}:/workspace/ -v {private_test_data}:/private_test/:ro -w /workspace/ --memory 60g --network none gcr.io/kaggle-gpu-images/python:v117 sh inference.sh</code>Внутри контейнера доступа к сети нет, модули подгрузить не получится.Пример расположения файлов внутри докер контейнера:<code>├── private_test&nbsp;</code><code>│ ├── images</code><code>│ │ └── &nbsp;*.jpg&nbsp;</code><code>│ ├── images_w_boxes.csv&nbsp;</code><code>│ └── submission_list.csv</code><code>├── workspace</code><code>│ ├── inference.sh</code><code>│ ├── user_file1&nbsp;</code><code>│ ├── user_file2&nbsp;</code><code>│ ├── user_folder1&nbsp;</code><code>│ └── submission.csv // - сабмит записывать сюда&nbsp;</code> &nbsp;* До 23 июня 12:00 можно прислать организаторам zip архив с предварительным решеним &nbsp;для проверки работоспособности кода по 1 разу для каждой команды;<h3>Расписание:</h3><ul><li>28 мая - запуск соревнования</li><li>24 июня - завершение 1 этапа на открытой тестовой выборке, фиксация топ 15 участников</li><li>24 - 27 июня - запуск решений топ-15 на скрытой тестовой выборке.</li><li>1 июля - объявление и награждение призеров на саммите <a target="_blank" rel="noopener noreferrer" href="https://machinescansee.com">Machines Can See</a></li></ul>

VisionLabs приглашает принять участие в соревновании Machines Can See по верификации моделей автомобилей

FeaturedBanner-68c7c028

Обсуждение в ODS Slack #proj_mcs_challenge

FeaturedBanner-8987c22e

Обсуждение в telegram

Public

Public (selected)

Consent Data Processing (Data Souls)

<a data-sk="tooltip_parent" data-stringify-link="https://storage.yandexcloud.net/ds-events/datafusion2022/documents/2022-01-31-%D0%A1%D0%BE%D0%B3%D0%BB%D0%B0%D1%81%D0%B8%D0%B5%20%D0%BD%D0%B0%20%D0%BE%D0%B1%D1%80%20%D0%9F%D0%94%D0%BD.pdf" delay="150" href="https://storage.yandexcloud.net/ds-events/datafusion2022/documents/2022-01-31-%D0%A1%D0%BE%D0%B3%D0%BB%D0%B0%D1%81%D0%B8%D0%B5%20%D0%BD%D0%B0%20%D0%BE%D0%B1%D1%80%20%D0%9F%D0%94%D0%BD.pdf" rel="noopener noreferrer" target="_blank">даю согласие</a>&nbsp;DataSouls на обработку моих персональных данных

Privacy Policy and User agreement (Data Souls)

ознакомлен и принимаю&nbsp;<a data-sk="tooltip_parent" data-stringify-link="https://storage.yandexcloud.net/ds-events/datafusion2022/documents/2021-05-11-%D0%9F%D0%A1.pdf" delay="150" href="https://storage.yandexcloud.net/ds-events/datafusion2022/documents/2021-05-11-%D0%9F%D0%A1.pdf" rel="noopener noreferrer" target="_blank">Пользовательское соглашение</a>&nbsp;и&nbsp;<a data-sk="tooltip_parent" data-stringify-link="https://storage.yandexcloud.net/ds-events/datafusion2022/documents/2021-08-30-%D0%9F%D0%9A.pdf" delay="150" href="https://storage.yandexcloud.net/ds-events/datafusion2022/documents/2021-08-30-%D0%9F%D0%9A.pdf" rel="noopener noreferrer" target="_blank">Политику конфиденциальности</a>&nbsp;DataSouls

first_name

First name

last_name

Last name

country

Country

city

City

email

Email

Occupation

Experience

Experience in DC

study_place2

Company/study place name

ods_slack_name

Ваш никнейм в слаке ods.ai

Registration application for Machines Can See Car Model Verification

Верификация моделей автомобилей / Car Model Verification

#	Teams (78)	ROC AUC	Domain 1	Domain 2	Domain 3	Domain 4	Domain 5	Last	Entries
1	MiniFlex	0.97571	0.985	0.944	0.992	0.982	0.994	16h	92
2	GigaFlex	0.96841	0.976	0.933	0.974	0.974	0.995	11h	88
3	NANA	0.95631	0.966	0.888	0.971	0.966	0.989	14h	61
4	WorstFitting	0.94368	0.958	0.831	0.973	0.957	0.992	13h	26
5	go-ippi	0.91763	0.918	0.846	0.954	0.921	0.969	18h	64
6	Sergey Zlobin	0.90262	0.925	0.835	0.967	0.923	0.931	12h	72
7	Ivan Alexandrov	0.89894	0.919	0.841	0.955	0.918	0.932	12h	44
8	alexnikko	0.89623	0.909	0.837	0.956	0.913	0.924	2d	41
9	6269742E6C792F504F476861	0.89487	0.909	0.82	0.951	0.919	0.921	11h	20
10	Ruslan Smirnov	0.89442	0.905	0.795	0.954	0.906	0.926	2d	7
11	Zf-turbo Роман	0.89428	0.906	0.822	0.942	0.918	0.912	1d	17
12	Emin Tagiev	0.89334	0.908	0.805	0.955	0.911	0.893	11h	25
13	i hate cv	0.89215	0.912	0.82	0.954	0.913	0.91	9d	57
14	geese	0.89108	0.909	0.827	0.938	0.912	0.884	21h	71
15	Milenkin Aleron	0.89002	0.905	0.837	0.946	0.91	0.93	20h	13
16	sanseymysamba	0.88902	0.919	0.848	0.948	0.918	0.94	12h	60
17	Ann Kondratieva	0.88889	0.92	0.846	0.948	0.918	0.939	12h	1
18	Nikita Dilman	0.87992	0.896	0.778	0.931	0.907	0.887	11d	73
19	OUT OF COMPETITION	0.8777	0.897	0.782	0.931	0.895	0.882	14d	16
20	badbul	0.87292	0.888	0.797	0.936	0.895	0.877	17h	17
21	Konstantin Eremin	0.87062	0.879	0.772	0.921	0.895	0.874	5d	21
22	OUT OF COMPETITION	0.87046	0.891	0.795	0.929	0.893	0.9	15d	7
23	Andrey M	0.8696	0.894	0.798	0.93	0.9	0.895	10d	9
24	Kat Lt	0.86448	0.879	0.782	0.909	0.891	0.851	18h	24
25	Mikhail Kuznetsov	0.8582	0.87	0.802	0.917	0.88	0.859	11h	7
26	Ruby	0.85803	0.877	0.772	0.93	0.885	0.849	18h	8
27	Sergey Volnov	0.85708	0.879	0.772	0.926	0.882	0.85	3d	11
28	Aleksandr Smirnov	0.85697	0.866	0.763	0.917	0.877	0.832	3d	5
29	Hard Chill	0.85366	0.876	0.753	0.925	0.888	0.822	17h	14
30	Daniil Stepanov	0.85177	0.864	0.751	0.913	0.879	0.86	1d	5
31	Alexander Melekhin	0.84045	0.868	0.736	0.919	0.874	0.768	5d	12
32	Valerii Nikiforov	0.83952	0.845	0.784	0.91	0.864	0.84	5d	10
33	Maxim Brazhnikov	0.83754	0.852	0.753	0.904	0.857	0.808	21d	8
34	Alexander Anokhin	0.83252	0.848	0.702	0.878	0.855	0.83	2d	7
35	Deja Vu	0.83004	0.831	0.748	0.87	0.853	0.833	13d	38
36	Valentin Khrulkov	0.82885	0.859	0.807	0.867	0.859	0.858	14d	2
37	777	0.82731	0.835	0.797	0.871	0.848	0.837	12d	6
38	Artem Konshin	0.81858	0.832	0.671	0.866	0.855	0.843	12d	5
39	Michail Kon	0.81637	0.811	0.807	0.824	0.832	0.861	21d	5
40	Andrei Parkov	0.81509	0.824	0.71	0.892	0.835	0.777	4d	5
41	RandomSeed42	0.8127	0.823	0.764	0.883	0.844	0.774	15d	18
42	Dan As	0.80827	0.797	0.78	0.807	0.822	0.834	20d	9
43	Azamat Kanametov	0.80767	0.816	0.682	0.887	0.832	0.744	9d	9
44	Danila Milovanov	0.80632	0.794	0.792	0.836	0.824	0.844	15d	13
45	Alexander Popenov	0.806	0.811	0.751	0.867	0.825	0.776	12h	8
46	1234	0.80549	0.817	0.743	0.851	0.827	0.773	3d	9
47	Andrew Denisov	0.80281	0.803	0.716	0.833	0.831	0.812	6d	4
48	vuvko	0.80154	0.805	0.709	0.825	0.834	0.812	24d	5
49	Mikhail Edukov	0.79973	0.812	0.721	0.863	0.824	0.734	24d	7
50	Nikita Vasilev	0.79848	0.807	0.714	0.869	0.817	0.732	1d	5