data
└── tile_round1_train_20201231
├── Readme.md
├── train_annos.json
└── train_imgs
└──*.jpg
data
└── tile_round1_testA_20201231
└── testA_imgs
└──*.jpg
train_imgs:训练图片数据,jpg格式 train_annos.json:训练标注数据,json格式 Readme.md:说明文件
训练标注是train_annos.json,内容如下
[
{
"name": "226_46_t20201125133518273_CAM1.jpg",
"image_height": 6000,
"image_width": 8192,
"category": 4,
"bbox": [
1587,
4900,
1594,
4909
]
}
]
具体说明如下:
- name是图片名
- "226_46"代表砖的唯一id,
- "CAM1"代表相机1拍照所得,一般来说每块砖会有三张样本,分别是CAM1,CAM2,CAM3。
- image_height和image_width是图片高宽,
- category"是类别id,
- bbox是目标框信息xyrb格式,分别指[左上角x坐标,左上角y坐标,右下角x坐标,右下角y坐标]
{
"0": "背景",
"1": "边异常",
"2": "角异常",
"3": "白色点瑕疵",
"4": "浅色块瑕疵",
"5": "深色点块瑕疵",
"6": "光圈瑕疵"
}
参赛者需要提供一份json文件包含所有预测结果,文件内容如下:
[
{
"name": "226_46_t20201125133518273_CAM1.jpg",
"category": 4,
"bbox": [
5662,
2489,
5671,
2497
],
"score": 0.130577
},
{
"name": "226_46_t20201125133518273_CAM1.jpg",
"category": 2,
"bbox": [
6643,
5416,
6713,
5444
],
"score": 0.120612
},
{
"name": "230_118_t20201126144204721_CAM2.jpg",
"category": 5,
"bbox": [
3543,
3875,
3554,
3889
],
"score": 0.160216
}
]
赛题分数计算方式: 0.2ACC+0.8mAP
ACC:是有瑕疵或无瑕疵的分类指标,考察瑕疵检出能力。 其中提交结果name字段中出现过的测试图片均认为有瑕疵,未出现的测试图片认为是无瑕疵。
mAP:参照PASCALVOC的评估标准计算瑕疵的mAP值。 参考链接:https://github.com/rafaelpadilla/Object-Detection-Metrics 具体逻辑见evaluator文件
需要指出,本次大赛评分计算过程中,分别在检测框和真实框的交并比(IoU)在阈值0.1,0.3,0.5下计算mAP,最终mAP取三个值的平均值。