10万+标注数据开放!驾驶员不良驾驶识别/电动车进电梯检测/渣土车车牌识别/反光衣识别等8大赛题详解来了!...

article/2025/10/8 14:17:31


ECV-2021极市计算机视觉开发者榜单大赛(以下简称ECV-2021)已于2021年7月6日正式开赛!

 

ECV-2021由青岛市人民政府指导,极视角科技有限公司、 青岛市委台港澳办、青岛市工业和信息化局、青岛西海岸新区管委和青岛市城市管理局主办,青岛银行为独家金融支持单位,英特尔(中国)有限公司为战略合作伙伴,中国模式识别与计算机视觉大会(PRCV 2021)提供学术支持,极市平台、OpenVINO™工具套件提供技术支持,马达智数提供数据支持。

 

报名链接:https://www.cvmart.net/list/ECV2021

初赛阶段时间为7月6日-8月19日8月19日截止报名,请各位开发者安排好参赛时间。

评审规则

大赛分为 初赛(线上开发算法)决赛(线上答辩)两个比赛环节。

大赛总成绩=线上算法比赛成绩占70%,决赛答辩成绩占30%

初赛

初赛时间:2021年7月6号 - 2021年8月19号

初赛形式:在既定8种命题中选择,线上完成算法开发,并使用OpenVINO™工具完成模型转换,并通过自动测试,得出算法总分。

初赛评审规则:算法精度占80%,算法性能占20%,具体计算规则见各赛题的评审规则。

初赛晋级规则:每个赛题的排行榜总分排名前8名队伍进入决赛阶段。

决赛

决赛时间:2021年9月7号 - 2021年9月16号

提交作品:算法应用演示视频,决赛答辩演讲PPT(官方将在9月6号截止作品提交

决赛形式:入围决赛的队伍将进行视频答辩,讲解并演示自己的参赛作品应用。评审将依据评审规则统一进行评分,决出奖项归属。

决赛评选规则:评审将依据评审规则统一进行评分,选手决赛成绩取所有评委的平均分,最终决出奖项归属。

大赛奖项

8个赛题分开评奖,奖项设置一致,参赛者可多选赛题报名,可重复获奖!

 

*注:极力值可在极市平台兑换算力或礼品,兑换规则详见极力值说明:https://www.cvmart.net/document

8大赛题详解

赛题一:渣土车车牌识别

样例图:

数据集是由监控摄像头采集的现场场景数据,图片形式,jpg格式。

样例数据集:摄像头采集信息(100张),供参赛者了解赛题典型场景数据,可用于编码调试;

训练数据集:监控摄像头采集信息(10000张),含标注信息,参赛者需要在编码调试完成后,发起训练任务方可自动读取;

测试数据集:摄像头采集信息(5000张),不含标注信息,参赛者成功发起测试任务,即可自动读取;

数据标注文件为VOC格式的xml文件,  采用bounding box标注的方式。bounding box框住的是渣土车和车牌,一张图片对应一个标注文件XML,标注文件的命名与对应图片名字一样。

其中目标类别包含两种类型:

trigcar

表示渣土车,每个trigcar内还包含一个variable_text,表示这个渣土车对应的车牌,此标签用于自动测试。

license_plate

表示车牌,包含车牌的位置及其包含的文本。

赛题二:反光衣识别

样例图:

数据集是由监控摄像头采集的现场场景数据,图片形式,jpg格式。

样例数据集:摄像头采集信息(100),供参赛者了解赛题典型场景数据,可用于编码调试;

训练数据集:监控摄像头采集信息(10000张),含标注信息,参赛者需要在编码调试完成后,发起训练任务方可自动读取;

测试数据集:摄像头采集信息(5000张),不含标注信息,参赛者成功发起测试任务,即可自动读取;

数据标注文件为VOC格式的xml文件,  一张图片对应一个标注文件XML,标注文件的命名与对应图片名字一样,采用bounding box标注的方式。bounding box框住的对象有四种标签,分别是:反光衣(clothes)、未穿反光衣(no_clothes)、穿反光衣的人(person_clothes)、未穿或不规范穿反光衣的人(person_no_clothes)。

您需要对这两个类别进行识别:person_clothes、person_no_clothes。其他两个类别用于辅助算法开发。

赛题三:驾驶员不良驾驶识别

样例图:

数据集来自于由摄像头采集的视频片段,每段视频经过分帧后被转成JPG格式的图片并存入到一个文件夹中,每张图片采用frame_id.jpg的命名格式,其中frame_id表示以1为起始的帧序号。每个图片文件夹都会有一个对应的标注文件,文件名称与文件夹一致,格式为XML,包含的标注类别如下所示:抽烟(smoke)、打哈欠(yawn)、打手机(phone)、驾驶员异常(a_driver)、左顾右盼(look_around)

样例数据集:每种类别分别会有几个视频帧集合,供参赛者了解赛题典型场景数据,可用于编码调试;

训练数据集:抽烟 400, 打哈欠 110, 打手机 400, 驾驶员异常 400, 左顾右盼 700,文件夹名称即为类别名称,参赛者需要在编码调试完成后,发起训练任务方可自动读取;

测试数据集:抽烟 100, 打哈欠 40, 打手机 100, 驾驶员异常 100, 左顾右盼 300,参赛者成功发起测试任务,即可自动读取;

赛题四:船只数量识别

样例图:

数据集是由监控摄像头采集的现场场景数据,图片形式,jpg格式。

样例数据集:摄像头采集信息(100张),供参赛者了解赛题典型场景数据,可用于编码调试;

训练数据集:监控摄像头采集信息(10000张),含标注信息,参赛者需要在编码调试完成后,发起训练任务方可自动读取;

测试数据集:摄像头采集信息(5000张),不含标注信息,参赛者成功发起测试任务,即可自动读取;

数据标注文件为VOC格式的xml文件,  采用bounding box标注的方式。bounding box框住的对象有一种标签,这个标签为船只(boat)。一张图片对应一个标注文件,标注文件的命名与对应图片名字一样。

赛题五:机动车识别

样例图:

数据集是由监控摄像头采集的现场场景数据,图片形式,jpg格式。

样例数据集:摄像头采集信息(100张),供参赛者了解赛题典型场景数据,可用于编码调试;

训练数据集:监控摄像头采集信息(10000张),含标注信息,参赛者需要在编码调试完成后,发起训练任务方可自动读取;

测试数据集:摄像头采集信息(5000张),不含标注信息,参赛者成功发起测试任务,即可自动读取;

数据标注文件为VOC格式的xml文件,  采用bounding box标注的方式。bounding box框住的是机动车,一张图片对应一个标注文件XML,标注文件的命名与对应图片名字一样。

数据标签分为三个类别,您需要对这三个类别进行识别:

小汽车 car

轿车、跑车、SUV、MPV商务车、小型面包车(蓝牌)等四轮小汽车,客车、大货车、公共汽车、拖拉机等。

三轮小汽车 tricar

如老年代步三轮车,不含三轮自行车、三轮摩托车和三轮电动车。

摩托车 motorbike

含摩托车、电瓶车。

赛题六:占道经营检测

样例图:

数据集是由监控摄像头采集的现场场景数据,图片形式,jpg格式。

样例数据集:摄像头采集信息(100张),供参赛者了解赛题典型场景数据,可用于编码调试;

训练数据集:监控摄像头采集信息(10000张),含标注信息,参赛者需要在编码调试完成后,发起训练任务方可自动读取;

测试数据集:摄像头采集信息(5000张),不含标注信息,参赛者成功发起测试任务,即可自动读取;

数据标注文件为VOC格式的xml文件,  采用bounding box标注的方式。bounding box框住的是摊贩,一张图片对应一个标注文件XML,标注文件的命名与对应图片名字一样。

数据标签分为三个类别,您需要对这三个类别进行识别:

固定摆摊fixed_stall

街道、人行道周边的地面摊位。

移动摆摊 move_stall

三轮车、贩卖小货车等。

遮阳伞sunshade

遮阳伞、临时贩卖小棚。

赛题七:电动车进电梯识别

样例图:

数据集是由监控摄像头采集的现场场景数据,图片形式,jpg格式。

样例数据集:摄像头采集信息(100张),供参赛者了解赛题典型场景数据,可用于编码调试;

训练数据集:监控摄像头采集信息(10000张),含标注信息,参赛者需要在编码调试完成后,发起训练任务方可自动读取;

测试数据集:摄像头采集信息(5000张),不含标注信息,参赛者成功发起测试任务,即可自动读取;

数据标注文件为VOC格式的xml文件,  一张图片对应一个标注文件XML,标注文件的命名与对应图片名字一样,采用bounding box标注的方式。bounding box框住的对象有三种标签,分别是:人(person)、自行车(bicycle)、电动自行车(e_vehicle),您需要对这三个类别进行识别。

赛题八:人体解析分割

样例图:

数据集是由监控摄像头采集的现场场景数据,图片形式,PNG格式。

样例数据集:摄像头采集信息(100),供参赛者了解赛题典型场景数据,可用于编码调试;

训练数据集:监控摄像头采集信息(6000张),含标注信息,参赛者需要在编码调试完成后,发起训练任务方可自动读取;

测试数据集:摄像头采集信息(1000张),不含标注信息,参赛者成功发起测试任务,即可自动读取;

数据集包含原图片以及相对应分割后的图片(标注文件),标注文件的格式为PNG,并且为单通道灰度图。该数据集拥有20种语义类别,其内容(像素值-类别名称)如下所示:

0-背景

(Background)

1-帽子(Hat)

2-头发(Hair)

3-手套(Glove)

4-太阳镜(Sunglasses)

5-上衣

(UpperClothes)

6-裙子(Dress)

7-外套(Coat)

8-短袜(Socks)

9-裤子(Pants)

10-连身长裤(Jumpsuits)

11-围巾(Scarf)

12-短裙(Skirt)

13-脸(Face)

14-左臂(Left-arm)

15-右臂

(Right-arm)

16-左腿

(Left-leg)

17-右腿

(Right-leg)

18 左鞋

(Left-shoe)

19-右鞋

(Right-shoe)

参赛对象

1、大赛面向全社会开放,个人、高等院校、企业、创客团队等人员均可报名参赛;

2、每位选手、每个赛题仅能加入一支参赛队伍,每只队伍仅限3人组队

*注:

1、除大赛主办方中涉及题目编写、数据接触的人员外,均可报名

2、大赛合作伙伴及其关联方/雇员参赛,仅参与排名,不参与评奖及奖金领取。

报名须知

1、扫码进入官网,选择赛题后登录极市开发者平台,完成报名信息后,即可报名参赛;

 *请确保报名信息准确有效,否则会被取消参赛资格及奖励;

 

2、加入大赛交流群

扫码加入大赛QQ交流群,或添加极小东微信(cvmart3),加入大赛微信交流群。

大赛QQ交流群

(496683217)

极小东微信号

(cvmart3)

 

3、大赛论坛交流:https://bbs.cvmart.net

大赛支持/协办单位


http://chatgpt.dhexx.cn/article/PN704RGG.shtml

相关文章

停车场智能化管理系统

摘 要 随着科学技术的飞速发展,各行各业都在努力与现代先进技术接轨,通过科技手段提高自身的优势;对于停车场智能化管理系统当然也不能排除在外,随着网络技术的不断成熟,带动了停车场智能化管理系统,它彻底…

XX市智慧环卫管理系统解决方案V1.0

目 录 第一章 建设背景 1 1.1 管理背景 1 1.2 需求分析 1 第二章 方案概述 4 2.1 方案简介 4 2.2 系统架构 5 第三章 系统功能设计 6 3.1 车辆机务管理子系统 6 3.1.1 车辆台账管理 6 3.1.2 车辆维修管理 7 3.1.3 车辆维保管理 7 3.2 环卫车辆监管子系统 8 3.2.1 …

工程机械车辆环保数据监控平台

软件架构文档 版本 <1.1> 目的 本文档将从架构方面对系统进行综合概述&#xff0c;其中会使用多种不同的架构视图来描述系统的各个方面。它用于记录并表述已对系统的架构方面作出的重要决策。 架构目标和约束 系统在开发过程中有如下设计约束&#xff1a;开发语言为J…

机动车乱停乱放检测系统(源码&部署教程)

1.识别效果展示 2.视频演示 [YOLOv7]基于YOLOv7的机动车乱停乱放检测系统(源码&#xff06;部署教程)_哔哩哔哩_bilibili 3.YOLOv7算法简介 YOLOv7 在 5 FPS 到 160 FPS 范围内&#xff0c;速度和精度都超过了所有已知的目标检测器 并在 V100 上&#xff0c;30 FPS 的情况下…

24小时不间断监控垃圾车运行轨迹,Web 3D 智慧环卫

智慧环卫系统作为智慧城市的一部分&#xff0c;是社会发展的需要。城市环卫有诸多痛点&#xff0c;也需要通过更加先进的技术来解决。 HT for Web 不止自主研发了强大的基于 HTML5 的 2D、3D 渲染引擎&#xff0c;为可视化提供了丰富的展示效果。介于 2D 组态和 3D 组态上&…

工地车辆未冲洗识别 渣土车清洗检测系统 YOLO

工地车辆未冲洗识别 渣土车清洗检测系统通过AI图像识别技术性边缘视频分析以及yolo深度学习模型等技术&#xff0c;对现场画面中车辆清洗进行识别检测。Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测&#xff0c;核心思想就是利用整张图作为网络的输入&#xff0c;直…

渣土车识别YOLOv5

主要使用的技术 开发软件 pycharm anaconda 开发语言 Python 开发框架 pytorch 主要开源库:OpenCV numpy 等 主要技术:yolov5 gpu加速:cuda cudnn&#xff0c;兼容CPU模式

智慧环卫管理系统方案

智慧环卫管理系统方案 2022年6月 慧环卫项目综述 智慧环卫背景 城市环境卫生管理是一项复杂而系统的社会工程&#xff0c;不仅是一个城市的“脸面”也是一个城市的文明程度的重要标志。是与人民群众生活最直接、最贴切、最敏感的重要工作之一&#xff0c;随着城市人民生活水平…

渣土车未苫盖识别系统 yolov8

渣土车未苫盖识别系统通过yolov8python&#xff0c;渣土车未苫盖识别系统对经过的渣土车进行实时监测&#xff0c;当检测到有渣土车未能及时苫盖时&#xff0c;将自动发出警报提示现场管理人员及时采取措施。Yolo模型采用预定义预测区域的方法来完成目标检测&#xff0c;具体而…

工地渣土车清洗识别检测 YOLOv5

工地渣土车清洗识别检测集成边缘Ai视频分析技术、机器视觉、yolov4网络模型架构等技术&#xff0c;对将要驶离工地的渣土车进行清洗识别检测。YOLO系列算法是一类典型的one-stage目标检测算法&#xff0c;其利box将分类与目标定位的回归问题结合起来&#xff0c;从而做到了高效…

车辆管理系统源代码

以上为作业总要求&#xff0c;然后就是源代码了&#xff0c;代码不算难&#xff0c;但是过程比较费时间&#xff0c;所以分享出来&#xff0c;可能还有不少错误&#xff0c;只是给大家作为借鉴。 界面部分 界面做得比较差&#xff0c;大家可以根据自己的审美去做即可。 代码部分…

渣土车密闭运输识别算法 yolov7

渣土车密闭运输识别系统通过pythonyolov7网络模型技术&#xff0c;渣土车密闭运输识别算法对渣土车的密闭运输情况进行实时监测&#xff0c;检测到有未密闭的渣土车进入工地区域或者行驶在道路上时&#xff0c;渣土车密闭运输识别算法将自动发出警报提示现场管理人员及时采取措…

渣土车空车未盖盖识别系统 OpenCv

渣土车空车未盖盖识别系统通过OpenCvyolo网络模型实时检测路过的渣土车情况&#xff0c;发现空车未盖盖立即进行抓拍回传。OpenCV基于C实现&#xff0c;同时提供python, Ruby, Matlab等语言的接口。OpenCV-Python是OpenCV的Python API&#xff0c;结合了OpenCV CAPI和Python语言…

车辆管理系统

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 一、前言二、系统需求分析及相关技术介绍2.1 功能需求分析2.2 可行性分析2.3 系统运行环境2.4 相关技术介绍 三、系统总体设计3.1 系统功能结构设计3.2 系统功能流程…

渣土车智能识别检测 yolov5

渣土车智能识别检测通过yolov5网络模型深度学习技术&#xff0c;渣土车智能识别检测对禁止渣土车通行现场画面中含有渣土车时进行自动识别监测&#xff0c;并自动抓拍告警。YOLOv5是一种单阶段目标检测算法&#xff0c;该算法在YOLOv4的基础上添加了一些新的改进思路&#xff0…

智慧工地车辆冲洗系统 工地渣土车未冲洗自动抓拍 yolo

智慧工地车辆冲洗系统 工地渣土车未冲洗自动抓拍 通过Python基于YOLOv7深度学习网络对现场画面实时监测分析。当识别到现场车辆冲洗不干净或者没有冲洗&#xff0c;系统就立即抓拍。与C / C等语言相比&#xff0c;Python速度较慢。也就是说&#xff0c;Python可以使用C / C轻松…

智慧环卫车辆监控管理系统方案

智慧环卫车辆监控管理系统方案 1 系统架构设计方案 1.1 系统构成 该系统主要分为三部分&#xff1a;车载终端部分、通信网络部分和监控调度指挥中心部分。 如下图&#xff1a; 1.2 车载终端部分构成图 车载终端部分主要由2G/3G视频监控设备主…

渣土车识别检测系统-yolov5

渣土车识别检测系统通过yolo网络架构对现场渣土车进行实时分析检测&#xff0c;一旦发现渣土车立即抓拍预警&#xff0c;提醒后台人员及时处理。我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)&#xff0c;用于实时进行目标检测。该算法将单个神…

【解决方案】城市道路如何管控渣土车?EasyCVR助力搭建渣土车运输联网监控系统

一、方案背景 随着经济的高速发展&#xff0c;城市化建设的进程越来越快&#xff0c;随之带来的城市环境管理上的问题也不断增多&#xff0c;而渣土管理作为环境卫生整治的重要内容之一&#xff0c;越来越受重视。 针对建筑渣土车主要存在渣土车不按路线行驶&#xff0c;造成…

TSINGSEE车载监控平台的城市渣土车监管解决方案

随着城市建设进程加快&#xff0c;渣土车数量越来越多。渣土车在城市建设过程中作用很大&#xff0c;但安全管理难度较大&#xff0c;渣土车运输中经常会因司机疲劳驾驶、超速及盲区疏忽等造成重大人员伤亡事故&#xff0c;甚至还存在无证运输、偏离线路、违规倾倒、抛洒滴漏、…