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/data/docs/competitions/NTO_2024_2025/nto24-25-hack-rules.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 маски точно совпадают с истинными.

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 маски 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 также ночные и смазанные снимки. Данные были размечены специалистами по разметке данных совместно с учеными зоологами.

 
Обучающая выборка 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 представлены 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 &nbsp;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;: 0,</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 должен представлять собой json документ в COCO формате.

Корневая структура содержит следующие ключи:&nbsp;

&bull; <code>image_name</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;: 0,</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;b&#39;QSd:5f0LPd0=c[OLTd0P1UJhNgE7\\\\Lc1j=\\\\NSBNf2;VM_1n=\\\\NPB3f24YMa1b0nM_&lt;N1O1O101N1O1O100O2N1O1O1O1O2N1O1O100O2N1O1O100O2N1O1O1O100O2N1O1O1O1O2N1O1O100O101N1O100O100O1O100O1O100O1O100O1O1O100O1O1O1O1O1O1O1O1O100O1O1O1O1O1O1O1O1O1O1O1O1O1O100...&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_name</code> - название файла, содержащего изображение, к которому относится аннотация. В данном примере значение равно &ldquo;img_1.JPG&rdquo;.</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!

Public

Private

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

#	Teams (123)	mAP0.5-0.95	Last	Entries
1	vsc enjoyer	0.9398064956	7w	31
2	Andrey Khlopotnukh	0.9331390802	8w	74
3	Фанич	0.9209572893	7w	3
4	ISY	0.9206885794	7w	47
5	дрчки	0.9187373132	7w	59
6	Smart frog	0.9079731124	7w	79
7	ФПИ БАНК	0.9059498852	7w	262
8	Radiance	0.903166076	7w	149
9	какис	0.9018894962	7w	25
10	бейзлайн	0.8999950085	7w	101
11	Хачпалатка	0.8999845679	7w	128
12	eeeee top 1	0.8985025457	7w	94
13	Sehnsucht	0.8975296163	7w	54
14	П3хИ	0.8932931516	8w	10
15	Qacen	0.8924867309	7w	29
16	ML Lady	0.8897729277	7w	8
17	мактрахеры	0.8849717979	7w	51
18	in seed we trust	0.8843268527	7w	35
19	патриот	0.8765561046	2m	15
20	RAI NetWatch	0.867547253	8w	12
21	lab260	0.8610786663	7w	19
22	Во все бейзлайны	0.8579539782	7w	34
23	fafaf42784d66	0.8540179611	7w	6
24	Timurchik288	0.8539432964	7w	33
25	1	0.8530706133	2m	4
26	jde1a4dd961f6	0.8514662574	7w	11
27	вайперр	0.8477598499	2m	18
28	va137bcd65425	0.8466057702	2m	4
29	plus	0.8457141609	1m	14
30	Brv	0.8456600862	7w	47
31	ZeroShaking	0.8456546787	7w	55
32	gpu poor	0.8453486811	7w	14
33	ML pushers	0.8446735134	7w	8
34	just team	0.8421820405	7w	55
35	machine unlearning	0.8419692772	2m	19
36	senseless	0.8418201557	2m	9
37	sonyayezh	0.8378400469	2m	29
38	MR	0.8368598383	2m	25
39	штыке	0.8336442631	1m	16
40	кукурузные палочки	0.8336280407	2m	12
41	крабовые палочки	0.832020773	2m	4
42	random_user	0.8299320322	1m	4
43	BIG BATCH - BIG TENSORS	0.8277164237	7w	32
44	Мишка Фреди	0.8212489185	7w	14
45	Пираты данных	0.8206224418	7w	23
46	Сквозняк	0.8154587618	7w	14
47	q33ac67ee42fc	0.814792561	2m	1
48	амбассадоры 220 хромосом	0.8143345895	8w	9
49	Григорьев Павел	0.8134425643	2m	1
50	Picture Shatters	0.8112084456	7w	6