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	0.9270373922	7w	31
2	дрчки	0.9102355904	7w	59
3	Фанич	0.9031346023	7w	3
4	ФПИ БАНК	0.8980523394	7w	262
5	ISY	0.8964044609	7w	47
6	Radiance	0.8943649448	7w	149
7	какис	0.8939487358	7w	25
8	Smart frog	0.89273777	7w	79
9	Sehnsucht	0.8926224644	7w	54
10	Хачпалатка	0.8925098682	7w	128
11	бейзлайн	0.8877552601	7w	101
12	eeeee top 1	0.8873344958	7w	94
13	Qacen	0.8840902133	7w	29
14	П3хИ	0.8831742384	8w	10
15	ML Lady	0.8801607285	7w	8
16	in seed we trust	0.8731424804	7w	35
17	мактрахеры	0.866644459	7w	51
18	Andrey Khlopotnukh	0.8653186985	8w	74
19	патриот	0.8644276979	3m	15
20	RAI NetWatch	0.8548586094	8w	12
21	lab260	0.8495284583	7w	19
22	1	0.8418376199	3m	4
23	fafaf42784d66	0.841430311	7w	6
24	Во все бейзлайны	0.8410130437	7w	34
25	вайперр	0.8410004262	3m	18
26	Timurchik288	0.8388060108	8w	33
27	ZeroShaking	0.835331873	7w	55
28	jde1a4dd961f6	0.835015262	8w	11
29	plus	0.8325590696	2m	14
30	Brv	0.8323426281	7w	47
31	ML pushers	0.8304638041	7w	8
32	va137bcd65425	0.8298548823	3m	4
33	just team	0.8260698029	8w	55
34	machine unlearning	0.8254292599	3m	19
35	gpu poor	0.824183882	7w	14
36	крабовые палочки	0.8218480287	3m	4
37	кукурузные палочки	0.8215364464	3m	12
38	BIG BATCH - BIG TENSORS	0.8204954955	7w	32
39	senseless	0.8195318221	3m	9
40	штыке	0.8169267243	2m	16
41	sonyayezh	0.8166478688	3m	29
42	MR	0.8158297007	3m	25
43	Мишка Фреди	0.8114201976	8w	14
44	random_user	0.8111680665	2m	4
45	Пираты данных	0.7956835658	8w	23
46	Сквозняк	0.7951920559	7w	14
47	Picture Shatters	0.7946999709	7w	6
48	Nunbest	0.7941411121	8w	7
49	Григорьев Павел	0.7931003899	3m	1
50	амбассадоры 220 хромосом	0.7929454204	2m	9