Datawhale训练营-01跑通baseline

一、赛题描述

随着城市化步伐的加速迈进,城市治理面临着前所未有的挑战与机遇。城市管理的精细化、智能化已成为全球城市追求卓越的关键路径。然而,机动车违停、非机动车违停、占道经营等城市违规行为如同现代都市肌体上的疮疤,不仅侵蚀着城市的美学与秩序,更对公众福祉构成了潜在威胁。传统的人力巡查与被动响应模式,已然无法匹配当今城市治理的需求。

本赛题最终目标是开发一套智能识别系统,能够自动检测和分类城市管理中的违规行为。该系统应利用先进的图像处理和计算机视觉技术,通过对摄像头捕获的视频进行分析,自动准确识别违规行为,并及时向管理部门发出告警,以实现更高效的城市管理。

二、数据描述

初赛提供城管视频监控数据与对应违规行为标注。违规行为包括垃圾桶满溢、机动车违停、非机动车违停等。

视频数据为mp4格式,标注文件为json格式,每个视频对应一个json文件。

json文件的内容是每帧检测到的违规行为,包括以下字段:

frame_id:违规行为出现的帧编号

event_id:违规行为ID

category:违规行为类别

bbox:检测到的违规行为矩形框的坐标,[xmin,ymin,xmax,ymax]形式

标注示例如下:

复制代码
```

[

  {

   "frame_id": 20,

   "event_id": 1,

   "category": "机动车违停",

   "bbox": [200, 300, 280, 400]

  },

  {

   "frame_id": 20,

   "event_id": 2,

   "category": "机动车违停",

   "bbox": [600, 500, 720, 560]

  },

  {

   "frame_id": 30,

   "event_id": 3,

   "category": "垃圾桶满溢",

   "bbox": [400, 500, 600, 660]

  }

 ]

```

五、评估指标

使用F1score、MOTA指标来评估模型预测结果。

对每个json文件得到两个指标的加权求和,最终得分为所有文件得分取均值。

注1:若真实目标框与预测框IOU大于0.5,则判定目标正确识别。若MOTA指标为负,则该类别精度得分为0。

注2:若该视频中没有某个类别的目标,则此类别计算均值时,忽略该视频。

  • **【****复****赛】**

复赛需同时评估模型的准确度与效率。

模型准确率评估指标与初赛一致,使用F1score、MOTA进行评估。

模型效率使用FPS(每秒钟能够处理的帧数)等进行评估。

六、提交说明

  • 【初赛】**

选手需要生成result文件夹,文件夹中包含每个视频对应的json结果文件,文件名与视频名对应。选手需要将文件夹打包成result.zip进行上传。

json文件中包含了检测到的违规行为列表,若未检测到违规行为,则列表为空。

每个违规行为包含的字段如下:

  • frame_id:违规行为出现的帧编号

  • event_id:违规行为ID

  • category:违规行为类别

  • bbox:检测到的违规行为矩形框的坐标,[xmin,ymin,xmax,ymax]形式

  • confidence:置信度

提交的json示例如下:

复制代码
```

[

  {

   "frame_id": 20,

   "event_id": 1,

   "category": "机动车违停",

   "bbox": [200, 300, 280, 500],

   "confidence": 0.85

  },

  {

   "frame_id": 20,

   "event_id": 2,

   "category": "垃圾桶满溢",

   "bbox": [600, 500,720, 560],

   "confidence": 0.90

  },

  {

   "frame_id": 30,

   "event_id": 3,

   "category": "垃圾桶满溢",

   "bbox": [400, 500, 500, 560],

   "confidence": 0.78

  }

 ]

```

**注:赛题禁止对测试集数据进行人工标注,用于训练或结果提交。初赛审核阶段,会对此类情况严格审核,一经发现,即取消复赛晋级资格。**

  • **【复赛】**

复赛与初赛的提交内容一致。

注:**复赛阶段的训练集与测试集对选手不可见**,选手在模型**开发调试阶段**时使用的数据是一部分样例数据,提交代码后,后台系统将自动使用复赛全量数据进行复现评测。

七、违法标准

【机动车违停】

机动车在设有禁止停车标志、标线的路段停车,或在非机动车道、人行横道、施工地段等禁止停车的地方停车。具体包含以下:

1、无论有无禁停标志,机动车道禁止车辆停放;

2、距路口、桥梁50米以内禁止车辆停放;

3、距公交车站、消防栓、消防队、医院30米以内禁止使用上述设施以外的车辆停放;

4、禁止车辆双排停放、靠左侧停放、横向停放、逆向停放;

5、人行道仅允许在已设置的停车泊位内停车,禁止在停车泊位外停车;

6、在设有禁停标志、标线的路段,人行横道、施工路段,不得停车。

【非机动车违停】

非机动车(如自行车、‌电动车等)‌未按照规定停放在指定的非机动车停车泊位或停车线内,‌而是在非机动车禁停区域或未划定的区域(消防通道、盲道、非机动车停车区线外、机动车停车区等)随意停放。

【垃圾满溢】

生活垃圾收集容器内垃圾超过三分之二以上即为满溢。**‌**垃圾桶无法封闭、脏污且周边有纸屑、污渍、塑料、生活垃圾及杂物堆放。

【占道经营】

经营者占用城市道路、桥梁、城市广场等公共场所进行盈利性买卖商品或服务的行为。

相关推荐
apcipot_rain22 分钟前
【应用密码学】实验五 公钥密码2——ECC
前端·数据库·python
小彭律师27 分钟前
门禁人脸识别系统详细技术文档
笔记·python
IT猿手1 小时前
基于强化学习 Q-learning 算法求解城市场景下无人机三维路径规划研究,提供完整MATLAB代码
神经网络·算法·matlab·人机交互·无人机·强化学习·无人机三维路径规划
鸿业远图科技1 小时前
分式注记种表达方式arcgis
python·arcgis
是孑然呀2 小时前
【小记】word批量生成准考证
笔记·学习·excel
别让别人觉得你做不到2 小时前
Python(1) 做一个随机数的游戏
python
小彭律师4 小时前
人脸识别门禁系统技术文档
python
沅_Yuan4 小时前
基于小波神经网络(WNN)的回归预测模型【MATLAB】
深度学习·神经网络·matlab·回归·小波神经网络·wnn
万能程序员-传康Kk4 小时前
旅游推荐数据分析可视化系统算法
算法·数据分析·旅游
PXM的算法星球4 小时前
【并发编程基石】CAS无锁算法详解:原理、实现与应用场景
算法