FeaturedBanner-e92cfdb6

Телеграм-канал хакатона и марафона

FeaturedBanner-007e076c

Чат соревнования

<h3>Правила участия</h3>

Нажимая кнопку &laquo;Отправить решение&raquo;, вы соглашаетесь с&nbsp;<a href="https://storage.yandexcloud.net/ds-ods/files/content/2024/12/18/5cb70aab9100/%D0%9F%D1%80%D0%B0%D0%B2%D0%B8%D0%BB%D0%B0_%D0%BF%D1%80%D0%BE%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B7%D0%B8%D0%BC%D0%BD%D0%B8%D0%B8%CC%86_%D1%85%D0%B0%D0%BA%D0%B0%D1%82%D0%BE%D0%BD_2024.pdf" rel="noopener noreferrer" target="_blank">Правилами участия в соревновании</a>.

<h3>Марафон подготовки&nbsp;</h3>

Вместе с хакатоном стартует образовательный марафон, который поможет подготовиться к хакатону и увеличит шансы на победу. Переходи <a href="https://t.me/+iYVRq65Idx9kZjky" rel="noopener noreferrer" target="_blank">по ссылке</a> на канал! 
&nbsp;

<ul>
	<li>Вы узнаете, как работать с переменными, функциями, циклами, списками и словарями, чтобы уверенно писать код.</li>
	<li>Поймете базовые математические принципы работы нейронок и научитесь использовать искусственный интеллект для&nbsp;написания кода.</li>
	<li>Познакомитесь с задачей, проанализируете базовое решение и запустите его, чтобы понять, как оно работает!</li>
</ul>

Образовательный марафон подойдет даже новичкам и поможет лучше подготовиться к хакатону.

<h3>Описание задачи</h3>

Мониторинг популяции диких животных &mdash; важная задача для мирового сообщества исследователей дикой природы. Её решение помогает узнать, какие виды животных находятся под угрозой исчезновения, как они себя ведут в разные периоды жизни, где обитают и многое другое.

Для мониторинга животных используют различные инструменты, в том числе и фотоловушки &mdash; специальные камеры, устанавливаемые в лесу и реагирующие на движение в кадре.&nbsp;

Каждый год с этих камер приходят сотни тысяч фотографий, на которых нужно найти и классифицировать животных. Это сложная и кропотливая работа, так как число видов может достигать нескольких сотен, включая сложно различимые виды.&nbsp;

Качество снимков с фотоловушек значительно отличается от профессиональных фото. Исследователям необходимо обрабатывать фото, полученные в разное время суток и время года, содержащие часть животного или группу животных, перекрывающих друг друга.&nbsp;

В рамках <a href="https://t.me/+iYVRq65Idx9kZjky" rel="noopener noreferrer" target="_blank">хакатона</a> мы предлагаем вам помочь учёным автоматизировать рутинную работу по обработке данных с фотоловушек, обучив для этого модели машинного обучения.

Для первичной фильтрации сырых данных и дальнейшей обработки (аналитики и изучения каждой отдельной особи) вам потребуется разработать модель которая позволит сегментировать каждую отдельную особь класса &ldquo;animal&quot; на фотографиях.&nbsp;

Использование сегментации в процессе обработки фотографий с фотоловушек помогает:

<ul>
	<li>Точнее определять контуры животных, что позволяет избежать ошибок при подсчете из-за наложения объектов.&nbsp;</li>
	<li>Уменьшить влияние различных условий съемки и фона (например, листвы, земли или камней).</li>
</ul>

<h2>Метрика</h2>

Для оценки качества работы модели сегментации используется <a href="https://github.com/cocodataset/cocoapi/blob/master/PythonAPI/pycocoEvalDemo.ipynb" rel="noopener noreferrer" target="_blank">метрика mAP 0.5-0.95</a> - подсчет средней точности (AP - Average Precision) при различных значениях порога IoU (Intersection over Union) от 0.5 до 0.95 с шагом 0.05 (минимальное IoU для рассмотрения положительного совпадения).&nbsp;

<figure class="image image-style-align-center image_resized" style="width:26.42%;"><img src="https://storage.yandexcloud.net/ds-ods/files/content/2024/10/16/c81fbc89/image.png" /></figure>

Вычисляется среднее значение AP по всем порогам IoU:&nbsp; 
$$\text{mAP}_{c} = \frac{1}{N} \sum_{i=1}^{N} \text{AP}_{c, \tau_i} $$&nbsp; 
где N = 10 &nbsp;&mdash; количество значений порога IoU (от 0.5 до 0.95 с шагом 0.05). 
&nbsp;

Значение метрики варьируется от 0 (в худшем случае) до 1, если все ограничивающие прямоугольники точно совпадают с истинными и правильно предсказаны классы для них.

Подсчет метрики производится автоматически на платформе при отправке решения.

<h2>Данные</h2>

Датасет представляет собой набор изображений и файлы train_annotations.json, val_annotations.json с соответствием каждого изображения и координатами полигонов для каждого животного на изображении.&nbsp;

Обратите внимание, что в датасете присутствуют сложные примеры: фото, когда в кадр попала небольшая часть животного, много животных перекрывающих друг друга, а так же ночные и смазанные снимки. Данные были размечены специалистами по разметке данных совместно с учеными зоологами.

 
Обучающая выбора разбита на тренировочную и валидационную 70% / 30%.&nbsp; 
Данные разделены на тренировочную и тестовую выборки в соотношении примерно 70% / 30%.&nbsp; 
Тестовая часть разбита на публичную и приватную в соотношении примерно 40% / 60%.

Файлы train_annotations.json, val_annotations.json представлен в <a href="https://cocodataset.org/#format-data" rel="noopener noreferrer" target="_blank">COCO формате</a>.

Корневая структура json файлов:

<ul>
	<li><code>categories</code>содержит список категорий, к которым могут принадлежать аннотации (все аннотации принадлежат к категории animal)</li>
	<li><code>images</code>содержит информацию о изображениях, которые аннотируются(<code>id, width, height,file_name</code>)</li>
	<li><code>annotations</code> cодержит аннотации для изображений, включая информацию о сегментации и ограничивающие прямоугольники. 
	&nbsp;</li>
</ul>

Пример файла train_annotations.json для изображения <code>IMG_1.JPG</code>:

<code>{</code> 
<code>&nbsp; &nbsp;&quot;categories&quot;: [</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;{</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;id&quot;: 1,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;name&quot;: &quot;Animal&quot;,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;supercategory&quot;: &quot;&quot;</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;}</code> 
<code>&nbsp; &nbsp;],</code> 
<code>&nbsp; &nbsp;&quot;images&quot;: [</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;{</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;id&quot;: 0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;width&quot;: 3648,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;height&quot;: 2736,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;file_name&quot;: &quot;IMG_1.JPG&quot;,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;license&quot;: 0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;flickr_url&quot;: &quot;&quot;,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;coco_url&quot;: &quot;&quot;,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;date_captured&quot;: 0</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;},</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;{}</code> 
<code>&nbsp; &nbsp;],</code> 
<code>&nbsp; &nbsp;&quot;annotations&quot;: [</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;{</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;id&quot;: 1,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;image_id&quot;: 0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;category_id&quot;: 1,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;segmentation&quot;: [</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;[</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1004.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;2133.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1038.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;2045.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1086.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1978.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1130.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1910.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1179.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1850.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&hellip;</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1094.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;2145.0</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;]</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;],</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;area&quot;: 391337.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;bbox&quot;: [</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1004.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1719.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;1382.0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;537.0</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;],</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;iscrowd&quot;: 0,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;attributes&quot;: {</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&quot;occluded&quot;: false</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;}</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;},</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;{}</code> 
<code>&nbsp; &nbsp;]</code> 
<code>}</code> 
&nbsp;

<h2>Baseline (базовое решение)</h2>

Приведенный пример решения задачи инстанс сегментации животных на изображении базируется на библиотеке detectron2(архитектура Mask R-CNN) с использованием аннотаций в формате COCO. &nbsp;

Во время обучения Mask R-CNN оптимизирует несколько задач одновременно:&nbsp;

<ul>
	<li>Обнаружение объектов (с помощью RPN и классификации).&nbsp;</li>
	<li>Сегментация масок (с помощью дополнительной ветви).&nbsp;</li>
	<li>Уточнение координат рамок объектов.&nbsp;</li>
</ul>

Бейзлайн позволяет пройти путь от установки библиотек и обучения модели до получения файла с предсказаниями и посмотреть визуально результаты работы алгоритма.

<h2>Формат решения</h2>

Соревнование подразумевает отправку файла с предсказаниями модели на платформу для расчета метрики. Сам файл представляет собой json документ в COCO формате.

Корневая структура содержит следующие ключи:&nbsp;

&bull; <code>image_id</code>&nbsp;

&bull; <code>category_id</code>&nbsp;

&bull; <code>bbox</code>&nbsp;

&bull; <code>score</code>&nbsp;

&bull; <code>segmentation</code>

&nbsp;

Пример файла с предсказаниями:

<code>{</code> 
<code>&nbsp; &nbsp;&quot;image_name&quot;: &ldquo;img_1.JPG&rdquo;,</code> 
<code>&nbsp; &nbsp;&quot;category_id&quot;: 1,</code> 
<code>&nbsp; &nbsp;&quot;bbox&quot;: [</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;1003.3180541992188,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;1726.681884765625,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;1215.438720703125,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;495.12744140625</code> 
<code>&nbsp; &nbsp;],</code> 
<code>&nbsp; &nbsp;&quot;score&quot;: 0.938715934753418,</code> 
<code>&nbsp; &nbsp;&quot;segmentation&quot;: {</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;&quot;size&quot;: [</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;2736,</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;3648</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;],</code> 
<code>&nbsp; &nbsp; &nbsp; &nbsp;&quot;counts&quot;: &quot;Qnad2l0Ud2j0_O=C&lt;F9H6J6J6K4L4K6K4M3M2N1O1O101N1O1O100O2N1O1O1O1O2N1O1O100O2N1O1O100O2N1O1O1O100O2N1O1O1O1O2N1O1O100O101N1O100O100O1O100O1O100O1O100O1O1O100O1O1O1O1O1O1O1O1O100O1O1O1O1O1O1O1O1O1O1O1O1O1O100...&quot;</code> 
<code>&nbsp; &nbsp;}</code> 
<code>}</code> 
&nbsp;

где:

<ul>
	<li><code>category_id</code> - идентификатор категории, к которой принадлежит объект на изображении. В данном примере значение равно <code>1.</code></li>
	<li><code>image_id</code> - уникальный идентификатор изображения, к которому относится аннотация. В данном примере значение равно <code>0</code>.</li>
	<li><code>bbox</code> - ограничивающий прямоугольник (bounding box) для объекта на изображении,
	<ul>
		<li>Формат: <code>[x, y, width, height]</code> , <code>x,y</code>: Координаты верхнего левого угла, <code>width</code>: Ширина ограничивающего прямоугольника, <code>height</code>: Высота ограничивающего прямоугольника.&nbsp; 
		&nbsp;</li>
	</ul>
	</li>
	<li><code>score</code> - уверенность модели в том, что объект на изображении соответствует указанной категории. Значение варьируется от <code>0</code> до <code>1</code>, где <code>1</code> означает максимальную уверенность. В данном примере значение равно <code>0.938715934753418</code>.&nbsp;</li>
	<li><code>segmentation</code> содержит информацию о сегментации объекта на изображении,
	<ul>
		<li>&nbsp;<code>size</code> &nbsp;Массив чисел (Array of Integers) Размеры изображения в формате <code>[height, width]</code>. В данном примере значение равно <code>[2736, 3648],</code></li>
		<li><code>counts</code> Закодированные данные сегментации в формате RLE (Run-Length Encoding). Это строка, которая представляет собой сжатое представление маски сегментации, где каждый элемент указывает на количество последовательных пикселей одного цвета и их значение. 
		&nbsp;</li>
	</ul>
	</li>
</ul>

Использование сторонних датасетов

Допускается использование открытых (доступных в сети) датасетов с лицензией, позволяющей свободное некоммерческое использование.&nbsp; 
Для того чтобы мы могли воспроизвести ваше решение, необходимо предоставить все использованные открытые датасеты в том формате, в котором они были применены для обучения.&nbsp; 
&nbsp;

Внимание.&nbsp;

Приватный обмен идеями (private sharing), решениями и кодом между участниками &mdash; запрещен. В случае обнаружения этого факта, все причастные решения аннулируются.&nbsp;

Ручная разметка данных запрещена.

Все участники, занявшие призовые места должны прислать воспроизводимые решения.

Прими участие в заключительном хакатоне этого года от Академии ИИ! Ты сможешь попасть в сообщество самых сильных специалистов по ИИ среди школьников, а еще выиграть реальные деньги уже в школе!

Данные

User Agreement

I accept <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/UserAgreement.pdf" rel="noopener noreferrer" target="_blank">Terms of User Agreement and Privacy Policy</a>

Privacy Policy

I give my <a href="https://storage.yandexcloud.net/ds-ods/files/content/2024/12/25/d425061ec15f/2024_12_25_%D0%A1%D0%90%D0%94_%D0%92%D0%BA%D0%BB%D0%B0%D0%B4_%D0%B2_%D0%B1%D1%83%D0%B4%D1%83%D1%89%D0%B5%D0%B5_%D0%A1%D0%BE%D0%B3%D0%BB%D0%B0%D1%81%D0%B8%D0%B5_%D0%A5%D0%B0%D0%BA%D0%B0%D1%82%D0%BE%D0%BD.pdf">consent</a>&nbsp;to &laquo;Sorevnovaniya Analiza Dannykh&raquo; LLC to process and transfer my personal data to the partners of the event for information interaction

Consent

I agree to receive newsletters from &laquo;Sorevnovaniya Analiza Dannykh&raquo; LLC&nbsp;about key ODS.AI activities

first_name_ru

First Name

last_name_ru

Last name

email

Email

City

is_underage

Underage

representative_first_name_ru

Representative First Name

representative_last_name_ru

Representative Last Name

legal_representative_email

Legal representative Email

Registration application for AI Academy hack 24-25

Хакатон Академии ИИ «По следам животных»: призовой фонд – 1 000 000 рублей.

Predictions

train_annotations.json - разметка изображений обучающего набора данных train1.zip, train2.zip, train3.zip, train4.zip - изображения обучающего набора данныхval_annotations.json - разметка изображений валидационного набора данных val.zip - изображения валидационного набора данных test.zip - &nbsp;изображения тестового набора данных annotations.zip - архив содержит train_annotations.json и val_annotations.json

train1.zip

train2.zip

train3.zip

train4.zip

val.zip

test.zip

baseline.ipynb

annotations.zip